Fehlersuche bei häufigen YOLO Problemen

YOLO Gemeinsame Probleme Bild

Einführung

Dieser Leitfaden dient als umfassendes Hilfsmittel für die Behebung von Problemen, die bei der Arbeit mit YOLO11 an Ihren Ultralytics Projekten auftreten. Mit der richtigen Anleitung ist es ein Kinderspiel, diese Probleme zu lösen und sicherzustellen, dass Ihre Projekte ohne unnötige Verzögerungen durchgeführt werden können.

Beobachten: Ultralytics YOLO11 Allgemeine Probleme | Installationsfehler, Probleme bei der Modellschulung

Gemeinsame Probleme

Fehler bei der Installation

Installationsfehler können aus verschiedenen Gründen auftreten, z. B. wegen inkompatibler Versionen, fehlender Abhängigkeiten oder falscher Umgebungseinstellungen. Stellen Sie zunächst sicher, dass Sie die folgenden Schritte ausführen:

Sie verwenden Python 3.8 oder höher, wie empfohlen.
Stellen Sie sicher, dass Sie die richtige Version von PyTorch (1.8 oder höher) installiert haben.
Erwägen Sie den Einsatz virtueller Umgebungen, um Konflikte zu vermeiden.
Folgen Sie Schritt für Schritt der offiziellen Installationsanleitung.

Außerdem finden Sie hier einige häufig auftretende Installationsprobleme und die entsprechenden Lösungen:

Importfehler oder Abhängigkeitsprobleme - Wenn Sie während des Imports von YOLO11 Fehler erhalten oder Probleme im Zusammenhang mit Abhängigkeiten haben, beachten Sie die folgenden Schritte zur Fehlerbehebung:
- Neuinstallation: Manchmal können unerwartete Probleme durch eine Neuinstallation behoben werden. Dies gilt insbesondere für Bibliotheken wie Ultralytics, bei denen Aktualisierungen Änderungen an der Dateibaumstruktur oder den Funktionen mit sich bringen können.
- Regelmäßig aktualisieren: Stellen Sie sicher, dass Sie die neueste Version der Bibliothek verwenden. Ältere Versionen sind möglicherweise nicht mit aktuellen Updates kompatibel, was zu Konflikten oder Problemen führen kann.
- Abhängigkeiten prüfen: Überprüfen Sie, ob alle erforderlichen Abhängigkeiten korrekt installiert sind und die kompatiblen Versionen aufweisen.
- Änderungen überprüfen: Wenn Sie ursprünglich eine ältere Version geklont oder installiert haben, sollten Sie sich darüber im Klaren sein, dass wesentliche Aktualisierungen die Struktur oder die Funktionen der Bibliothek beeinflussen können. Lesen Sie immer die offizielle Dokumentation oder die Änderungsprotokolle, um alle wichtigen Änderungen zu verstehen.
- Denken Sie daran, dass Sie Ihre Bibliotheken und Abhängigkeiten auf dem neuesten Stand halten müssen, um einen reibungslosen und fehlerfreien Ablauf zu gewährleisten.
Ausführen von YOLO11 auf GPU - Wenn Sie Probleme beim Ausführen von YOLO11 auf GPU haben, beachten Sie die folgenden Schritte zur Fehlerbehebung:
- Überprüfen Sie CUDA Kompatibilität und Installation: Vergewissern Sie sich, dass Ihr GPU mit CUDA kompatibel ist und dass CUDA korrekt installiert ist. Verwenden Sie die nvidia-smi um den Status Ihrer NVIDIA GPU und CUDA Version zu überprüfen.
- Prüfen Sie PyTorch und CUDA Integration: Stellen Sie sicher, dass PyTorch CUDA verwenden kann, indem Sie import torch; print(torch.cuda.is_available()) in einem Python Terminal. Wenn sie "True" zurückgibt, ist PyTorch so eingerichtet, dass CUDA verwendet wird.
- Umgebungsaktivierung: Stellen Sie sicher, dass Sie sich in der richtigen Umgebung befinden, in der alle erforderlichen Pakete installiert sind.
- Aktualisieren Sie Ihre Pakete: Veraltete Pakete sind möglicherweise nicht mit Ihrem GPU kompatibel. Halten Sie sie auf dem neuesten Stand.
- Programmkonfiguration: Prüfen Sie, ob das Programm oder der Code die Verwendung von GPU vorgibt. Bei YOLO11 kann dies in den Einstellungen oder der Konfiguration stehen.

Fragen zur Modellschulung

In diesem Abschnitt werden häufige Probleme, die während der Ausbildung auftreten, sowie die entsprechenden Erklärungen und Lösungen behandelt.

Überprüfung der Konfigurationseinstellungen

Ausgabe: Sie sind sich nicht sicher, ob die Konfigurationseinstellungen in der .yaml Datei beim Modelltraining korrekt angewendet werden.

Lösung: Die Konfigurationseinstellungen in der .yaml Datei angewendet werden, wenn man die model.train() Funktion. Führen Sie die folgenden Schritte aus, um sicherzustellen, dass diese Einstellungen korrekt angewendet werden:

Bestätigen Sie, dass der Pfad zu Ihrem .yaml Konfigurationsdatei korrekt ist.
Stellen Sie sicher, dass Sie den Pfad zu Ihrer .yaml Datei als die data Argument beim Aufruf von model.train()wie unten dargestellt:

model.train(data="/path/to/your/data.yaml", batch=4)

Beschleunigung des Trainings mit mehreren GPUs

Problem: Das Training ist auf einem einzelnen GPU langsam, und Sie möchten den Prozess mit mehreren GPUs beschleunigen.

Lösung: Die Erhöhung der Stapelgröße kann das Training beschleunigen, aber es ist wichtig, die Speicherkapazität von GPU zu berücksichtigen. Um das Training mit mehreren GPUs zu beschleunigen, führen Sie die folgenden Schritte aus:

Stellen Sie sicher, dass Sie mehrere GPUs zur Verfügung haben.
Ändern Sie Ihre .yaml-Konfigurationsdatei, um die Anzahl der zu verwendenden GPUs anzugeben, z. B. gpus: 4.
Erhöhen Sie die Stapelgröße entsprechend, um mehrere GPUs voll auszunutzen, ohne die Speichergrenzen zu überschreiten.
Ändern Sie Ihren Trainingsbefehl, um mehrere GPUs zu nutzen:

# Adjust the batch size and other settings as needed to optimize training speed
model.train(data="/path/to/your/data.yaml", batch=32, multi_scale=True)

Parameter für die kontinuierliche Überwachung

Problem: Sie möchten wissen, welche Parameter neben dem Verlust während des Trainings kontinuierlich überwacht werden sollen.

Lösung: Der Verlust ist zwar eine wichtige Kennzahl, die überwacht werden muss, aber es ist auch wichtig, andere Kennzahlen zur Optimierung der Modellleistung zu verfolgen. Einige wichtige Metriken, die während des Trainings überwacht werden sollten, sind:

Präzision
Rückruf
Mittlere durchschnittliche Präzision (mAP)

Sie können auf diese Metriken aus den Trainingsprotokollen zugreifen oder Tools wie TensorBoard oder wandb zur Visualisierung verwenden. Das frühzeitige Anhalten auf der Grundlage dieser Metriken kann Ihnen helfen, bessere Ergebnisse zu erzielen.

Tools zur Verfolgung des Trainingsfortschritts

Problem: Sie sind auf der Suche nach Empfehlungen für Tools zur Verfolgung des Trainingsfortschritts.

Lösung: Um den Trainingsfortschritt zu verfolgen und zu visualisieren, können Sie die folgenden Tools verwenden:

TensorBoard: TensorBoard ist eine beliebte Wahl für die Visualisierung von Trainingsmetriken, einschließlich Verlust, Genauigkeit und mehr. Sie können es in Ihren YOLO11 Trainingsprozess integrieren.
CometComet bietet ein umfangreiches Toolkit für die Verfolgung und den Vergleich von Experimenten. Es ermöglicht Ihnen die Verfolgung von Metriken, Hyperparametern und sogar Modellgewichten. Die Integration mit YOLO -Modellen ist ebenfalls unkompliziert und bietet Ihnen einen vollständigen Überblick über Ihren Experimentierzyklus.
Ultralytics HUB: Ultralytics HUB bietet eine spezielle Umgebung für die Nachverfolgung von YOLO Modellen und bietet Ihnen eine zentrale Plattform zur Verwaltung von Metriken und Datensätzen und sogar zur Zusammenarbeit mit Ihrem Team. Aufgrund der speziellen Ausrichtung auf YOLO bietet es mehr maßgeschneiderte Tracking-Optionen.

Jedes dieser Werkzeuge bietet eine Reihe von Vorteilen, so dass Sie bei der Auswahl die spezifischen Anforderungen Ihres Projekts berücksichtigen sollten.

Wie Sie überprüfen können, ob die Ausbildung auf dem GPU

Problem: Der Wert "Gerät" in den Schulungsprotokollen ist "null", und Sie sind sich nicht sicher, ob die Schulung auf GPU stattfindet.

Lösung: Wenn der "device"-Wert "null" ist, bedeutet dies in der Regel, dass der Trainingsprozess so eingestellt ist, dass automatisch ein verfügbares GPU verwendet wird, was das Standardverhalten ist. Um sicherzustellen, dass das Training auf einem bestimmten GPU stattfindet, können Sie den "device"-Wert in Ihrer .yaml-Konfigurationsdatei manuell auf den GPU -Index (z. B. "0" für das erste GPU) setzen:

device: 0

Dadurch wird der Trainingsprozess explizit dem angegebenen GPU zugewiesen. Wenn Sie auf CPU trainieren möchten, setzen Sie "Gerät" auf "cpu".

Behalten Sie den Ordner "Läufe" im Auge, um Protokolle und Messwerte zu erhalten und den Trainingsfortschritt effektiv zu überwachen.

Wichtige Überlegungen für eine wirksame Modellschulung

Hier sind einige Dinge, die Sie beachten sollten, wenn Sie mit Problemen im Zusammenhang mit der Modellausbildung konfrontiert sind.

Datensatzformat und Bezeichnungen

Wichtigkeit: Die Grundlage eines jeden Modells für maschinelles Lernen liegt in der Qualität und dem Format der Daten, auf denen es trainiert wird.
Empfehlung: Stellen Sie sicher, dass Ihr benutzerdefinierter Datensatz und die zugehörigen Beschriftungen dem erwarteten Format entsprechen. Es ist wichtig zu überprüfen, ob die Beschriftungen korrekt und von hoher Qualität sind. Falsche oder minderwertige Anmerkungen können den Lernprozess des Modells stören und zu unvorhersehbaren Ergebnissen führen.

Modell Konvergenz

Wichtigkeit: Das Erreichen der Modellkonvergenz gewährleistet, dass das Modell ausreichend aus den Trainingsdaten gelernt hat.
Empfehlung: Wenn Sie ein Modell "von Grund auf" trainieren, müssen Sie unbedingt sicherstellen, dass das Modell einen zufriedenstellenden Grad an Konvergenz erreicht. Dies kann eine längere Trainingsdauer mit mehr Epochen erforderlich machen, als wenn Sie ein bestehendes Modell feinabstimmen.

Lernrate und Chargengröße

Wichtigkeit: Diese Hyperparameter spielen eine entscheidende Rolle bei der Bestimmung, wie das Modell seine Gewichte während des Trainings aktualisiert.
Empfehlung: Überprüfen Sie regelmäßig, ob die gewählte Lernrate und Stapelgröße für Ihren spezifischen Datensatz optimal sind. Parameter, die nicht mit den Eigenschaften des Datensatzes übereinstimmen, können die Leistung des Modells beeinträchtigen.

Verteilung der Klassen

Wichtigkeit: Die Verteilung der Klassen in Ihrem Datensatz kann die Prognosetendenzen des Modells beeinflussen.
Empfehlung: Überprüfen Sie regelmäßig die Verteilung der Klassen innerhalb Ihres Datensatzes. Bei einem Ungleichgewicht der Klassen besteht die Gefahr, dass das Modell eine Verzerrung in Richtung der vorherrschenden Klasse entwickelt. Diese Verzerrung kann sich in der Konfusionsmatrix zeigen, in der das Modell möglicherweise überwiegend die Mehrheitsklasse vorhersagt.

Cross-Check mit vortrainierten Gewichten

Wichtigkeit: Die Nutzung von vortrainierten Gewichten kann einen soliden Ausgangspunkt für die Modellschulung bieten, insbesondere wenn die Daten begrenzt sind.
Empfehlung: Als Diagnoseschritt sollten Sie Ihr Modell mit denselben Daten trainieren, es aber mit vortrainierten Gewichten initialisieren. Wenn dieser Ansatz zu einer wohlgeformten Konfusionsmatrix führt, könnte dies darauf hindeuten, dass das Modell "von Grund auf" weiter trainiert oder angepasst werden muss.

Dieser Abschnitt befasst sich mit allgemeinen Problemen, die bei der Modellvorhersage auftreten.

Bounding Box-Vorhersagen mit Ihrem benutzerdefinierten Modell YOLO11

Problem: Bei der Durchführung von Vorhersagen mit einem benutzerdefinierten YOLO11 Modell gibt es Probleme mit dem Format und der Visualisierung der Bounding-Box-Koordinaten.

Lösung:

Koordinatenformat: YOLO11 liefert Bounding-Box-Koordinaten in absoluten Pixelwerten. Um diese in relative Koordinaten (zwischen 0 und 1) umzuwandeln, müssen Sie durch die Bildgröße dividieren. Nehmen wir zum Beispiel an, Ihre Bildgröße beträgt 640x640. Dann würden Sie wie folgt vorgehen:

# Convert absolute coordinates to relative coordinates
x1 = x1 / 640  # Divide x-coordinates by image width
x2 = x2 / 640
y1 = y1 / 640  # Divide y-coordinates by image height
y2 = y2 / 640

Dateiname: Um den Dateinamen des Bildes zu erhalten, für das Sie eine Vorhersage machen, greifen Sie direkt vom Ergebnisobjekt in der Vorhersageschleife auf den Pfad der Bilddatei zu.

Filterung von Objekten in YOLO11 Vorhersagen

Problem: Probleme beim Filtern und Anzeigen nur bestimmter Objekte in den Vorhersageergebnissen, wenn YOLO11 mit der Bibliothek Ultralytics ausgeführt wird.

Lösung: Um bestimmte Klassen zu erkennen, verwenden Sie das Argument classes, um die Klassen anzugeben, die Sie in die Ausgabe aufnehmen möchten. Zum Beispiel, um nur Autos zu erkennen (unter der Annahme, dass "Autos" den Klassenindex 2 haben):

yolo task=detect mode=segment model=yolo11n-seg.pt source='path/to/car.mp4' show=True classes=2

Verstehen von Präzisionsmetriken in YOLO11

Problem: Verwirrung bezüglich des Unterschieds zwischen Box-Präzision, Masken-Präzision und Konfusionsmatrix-Präzision in YOLO11.

Lösung: Die Box-Präzision misst die Genauigkeit der vorhergesagten Bounding-Boxen im Vergleich zu den tatsächlichen Bounding-Boxen, wobei IoU (Intersection over Union) als Metrik verwendet wird. Die Maskenpräzision bewertet die Übereinstimmung zwischen vorhergesagten Segmentierungsmasken und Grundwahrheitsmasken bei der pixelweisen Objektklassifizierung. Die Präzision der Konfusionsmatrix hingegen konzentriert sich auf die Gesamtklassifizierungsgenauigkeit über alle Klassen hinweg und berücksichtigt nicht die geometrische Genauigkeit der Vorhersagen. Es ist wichtig zu beachten, dass eine Bounding Box auch dann geometrisch genau sein kann (true positive), wenn die Klassenvorhersage falsch ist, was zu Unterschieden zwischen Box Precision und Confusion Matrix Precision führt. Diese Metriken bewerten unterschiedliche Aspekte der Leistung eines Modells und spiegeln den Bedarf an unterschiedlichen Bewertungsmetriken für verschiedene Aufgaben wider.

Extrahieren von Objektdimensionen in YOLO11

Problem: Schwierigkeiten beim Abrufen der Länge und Höhe von erkannten Objekten in YOLO11, insbesondere wenn mehrere Objekte in einem Bild erkannt werden.

Lösung: Um die Abmessungen der Begrenzungsrahmen abzurufen, verwenden Sie zunächst das Modell Ultralytics YOLO11 , um Objekte in einem Bild vorherzusagen. Extrahieren Sie dann die Breiten- und Höheninformationen der Begrenzungsrahmen aus den Vorhersageergebnissen.

from ultralytics import YOLO

# Load a pre-trained YOLO11 model
model = YOLO("yolo11n.pt")

# Specify the source image
source = "https://ultralytics.com/images/bus.jpg"

# Make predictions
results = model.predict(source, save=True, imgsz=320, conf=0.5)

# Extract bounding box dimensions
boxes = results[0].boxes.xywh.cpu()
for box in boxes:
    x, y, w, h = box
    print(f"Width of Box: {w}, Height of Box: {h}")

Herausforderungen bei der Bereitstellung

GPU Probleme bei der Bereitstellung

Problem: Der Einsatz von Modellen in einer Umgebung mit mehrerenGPU kann manchmal zu unerwartetem Verhalten führen, z. B. unerwartete Speichernutzung, inkonsistente Ergebnisse auf verschiedenen GPUs usw.

Lösung: Prüfen Sie, ob GPU standardmäßig initialisiert wird. Einige Frameworks, wie z. B. PyTorch, initialisieren möglicherweise CUDA Operationen auf einem Standard GPU , bevor sie auf die vorgesehenen GPUs übergehen. Um unerwartete Standardinitialisierungen zu umgehen, geben Sie die GPU direkt während der Bereitstellung und Vorhersage an. Verwenden Sie dann Tools zur Überwachung der GPU Auslastung und der Speichernutzung, um Anomalien in Echtzeit zu erkennen. Stellen Sie außerdem sicher, dass Sie die neueste Version des Frameworks oder der Bibliothek verwenden.

Probleme bei der Modellkonvertierung/Export

Problem: Beim Konvertieren oder Exportieren von Modellen für maschinelles Lernen in verschiedene Formate oder Plattformen können Fehler oder unerwartete Verhaltensweisen auftreten.

Lösung:

Kompatibilitätsprüfung: Stellen Sie sicher, dass Sie Versionen von Bibliotheken und Frameworks verwenden, die miteinander kompatibel sind. Nicht übereinstimmende Versionen können zu unerwarteten Fehlern bei der Konvertierung führen.
Umgebung zurücksetzen: Wenn Sie eine interaktive Umgebung wie Jupyter oder Colab verwenden, sollten Sie nach wichtigen Änderungen oder Installationen einen Neustart Ihrer Umgebung in Betracht ziehen. Ein Neustart kann manchmal die zugrunde liegenden Probleme lösen.
Offizielle Dokumentation: Lesen Sie immer die offizielle Dokumentation des Tools oder der Bibliothek, die Sie für die Konvertierung verwenden. Sie enthält oft spezifische Richtlinien und bewährte Verfahren für den Modellexport.
Unterstützung der Gemeinschaft: Suchen Sie im offiziellen Repository der Bibliothek oder des Frameworks nach ähnlichen Problemen, die von anderen Benutzern gemeldet wurden. Möglicherweise haben die Betreuer oder die Community in Diskussionsforen Lösungen oder Workarounds bereitgestellt.
Regelmäßig aktualisieren: Stellen Sie sicher, dass Sie die neueste Version des Tools oder der Bibliothek verwenden. Die Entwickler veröffentlichen häufig Updates, die bekannte Fehler beheben oder die Funktionalität verbessern.
Inkrementell testen: Bevor Sie eine vollständige Konvertierung durchführen, testen Sie den Prozess mit einem kleineren Modell oder Datensatz, um mögliche Probleme frühzeitig zu erkennen.

Gemeinschaft und Unterstützung

Das Engagement in einer Gemeinschaft von Gleichgesinnten kann Ihre Erfahrungen und Ihren Erfolg bei der Arbeit mit YOLO11 erheblich verbessern. Im Folgenden finden Sie einige Kanäle und Ressourcen, die Sie vielleicht hilfreich finden.

Foren und Kanäle, um Hilfe zu erhalten

GitHub-Fragen: Das YOLO11 Repository auf GitHub hat eine Registerkarte "Issues ", auf der Sie Fragen stellen, Fehler melden und neue Funktionen vorschlagen können. Die Community und die Betreuer sind hier aktiv, und es ist ein großartiger Ort, um Hilfe bei bestimmten Problemen zu erhalten.

Ultralytics Discord-Server: Ultralytics hat einen Discord-Server, auf dem Sie mit anderen Benutzern und den Entwicklern interagieren können.

Offizielle Dokumentation und Ressourcen

Ultralytics YOLO11 Dokumentationen: Die offizielle Dokumentation bietet einen umfassenden Überblick über YOLO11 sowie Anleitungen zur Installation, Verwendung und Fehlerbehebung.

Diese Ressourcen bieten eine solide Grundlage für die Fehlerbehebung und Verbesserung Ihrer YOLO11 Projekte sowie für den Kontakt mit anderen Mitgliedern der YOLO11 Community.

Schlussfolgerung

Die Fehlerbehebung ist ein wesentlicher Bestandteil jedes Entwicklungsprozesses, und mit dem richtigen Wissen ausgestattet, kann der Zeit- und Arbeitsaufwand für die Lösung von Problemen erheblich reduziert werden. Dieser Leitfaden befasst sich mit den häufigsten Problemen, mit denen Benutzer des YOLO11 Modells innerhalb des Ultralytics Ökosystems konfrontiert sind. Wenn Sie diese häufigen Probleme verstehen und angehen, können Sie einen reibungsloseren Projektfortschritt gewährleisten und bessere Ergebnisse bei Ihren Computer-Vision-Aufgaben erzielen.

Denken Sie daran, dass die Ultralytics Community eine wertvolle Ressource ist. Der Austausch mit anderen Entwicklern und Experten kann zusätzliche Erkenntnisse und Lösungen liefern, die in der Standarddokumentation möglicherweise nicht enthalten sind. Lernen Sie immer weiter, experimentieren Sie und teilen Sie Ihre Erfahrungen, um zum kollektiven Wissen der Gemeinschaft beizutragen.

Viel Spaß bei der Fehlersuche!

FAQ

Wie kann ich Installationsfehler mit YOLO11 beheben?

Installationsfehler können oft auf Kompatibilitätsprobleme oder fehlende Abhängigkeiten zurückzuführen sein. Stellen Sie sicher, dass Sie Python 3.8 oder höher verwenden und PyTorch 1.8 oder höher installiert haben. Es ist von Vorteil, virtuelle Umgebungen zu verwenden, um Konflikte zu vermeiden. Eine schrittweise Installationsanleitung finden Sie in unserer offiziellen Installationsanleitung. Wenn Sie auf Importfehler stoßen, versuchen Sie eine Neuinstallation oder aktualisieren Sie die Bibliothek auf die neueste Version.

Warum ist mein YOLO11 Modelltraining auf einer einzigen GPU langsam?

Das Training auf einem einzelnen GPU kann aufgrund großer Stapelgrößen oder unzureichendem Speicher langsam sein. Um das Training zu beschleunigen, verwenden Sie mehrere GPUs. Stellen Sie sicher, dass Ihr System über mehrere GPUs verfügt und passen Sie Ihre .yaml Konfigurationsdatei, um die Anzahl der GPUs anzugeben, z. B, gpus: 4. Erhöhen Sie die Stapelgröße entsprechend, um die GPUs vollständig zu nutzen, ohne die Speichergrenzen zu überschreiten. Beispiel-Befehl:

model.train(data="/path/to/your/data.yaml", batch=32, multi_scale=True)

Wie kann ich sicherstellen, dass mein YOLO11 Modell auf der GPU trainiert?

Wenn der "device"-Wert in den Trainingsprotokollen "null" anzeigt, bedeutet dies im Allgemeinen, dass der Trainingsprozess so eingestellt ist, dass automatisch ein verfügbares GPU verwendet wird. Um explizit ein bestimmtes GPU zuzuweisen, setzen Sie den "device"-Wert in Ihrem .yaml Konfigurationsdatei. Zum Beispiel:

device: 0

Damit wird der Trainingsprozess auf die erste GPU eingestellt. Konsultieren Sie die nvidia-smi um Ihre Einrichtung von CUDA zu bestätigen.

Wie kann ich den Fortschritt meiner YOLO11 Modellschulung überwachen und verfolgen?

Die Verfolgung und Visualisierung des Trainingsfortschritts kann mit Tools wie TensorBoard effizient verwaltet werden, Cometund Ultralytics HUB. Mit diesen Tools können Sie Metriken wie Verlust, Präzision, Rückruf und mAP protokollieren und visualisieren. Eine frühzeitige Unterbrechung auf der Grundlage dieser Metriken kann ebenfalls zu besseren Trainingsergebnissen führen.

Was sollte ich tun, wenn YOLO11 mein Datensatzformat nicht erkennt?

Stellen Sie sicher, dass Ihr Datensatz und Ihre Beschriftungen dem erwarteten Format entsprechen. Vergewissern Sie sich, dass die Beschriftungen korrekt und von hoher Qualität sind. Wenn Sie auf Probleme stoßen, lesen Sie den Leitfaden zur Datenerfassung und Beschriftung, um sich über bewährte Verfahren zu informieren. Weitere datensatzspezifische Anleitungen finden Sie im Abschnitt Datensätze in der Dokumentation.

📅 Erstellt vor 1 Jahr ✏️ Aktualisiert vor 1 Monat