Fehlerbehebung bei häufigen YOLO-Problemen

Q: What should I do if YOLO11 is not recognizing my dataset format?

Stellen Sie sicher, dass Ihr Datensatz und Ihre Labels dem erwarteten Format entsprechen. Vergewissern Sie sich, dass die Annotationen korrekt und von hoher Qualität sind. Wenn Sie auf Probleme stoßen, lesen Sie den Leitfaden zur Datenerfassung und -annotation für Best Practices. Weitere datensatzspezifische Anleitungen finden Sie im Abschnitt Datensätze in der Dokumentation.

YOLO Häufige Probleme Bild

Einführung

Dieser Leitfaden dient als umfassende Hilfe bei der Fehlerbehebung häufiger Probleme, die bei der Arbeit mit YOLO11 in Ihren Ultralytics-Projekten auftreten. Mit der richtigen Anleitung kann die Navigation durch diese Probleme zum Kinderspiel werden, sodass Ihre Projekte ohne unnötige Verzögerungen auf Kurs bleiben.

Ansehen: Ultralytics YOLO11 Häufige Probleme | Installationsfehler, Probleme beim Modelltraining

Häufige Probleme

Installationsfehler

Installationsfehler können aus verschiedenen Gründen auftreten, z. B. inkompatible Versionen, fehlende Abhängigkeiten oder falsche Umgebungseinrichtungen. Überprüfen Sie zunächst, ob Sie Folgendes tun:

Sie verwenden python 3.8 oder höher, wie empfohlen.
Stellen Sie sicher, dass Sie die korrekte Version von PyTorch (1.8 oder höher) installiert haben.
Erwägen Sie die Verwendung virtueller Umgebungen, um Konflikte zu vermeiden.
Befolgen Sie die offizielle Installationsanleitung Schritt für Schritt.

Zusätzlich finden Sie hier einige häufige Installationsprobleme, auf die Benutzer gestoßen sind, zusammen mit ihren jeweiligen Lösungen:

Importfehler oder Abhängigkeitsprobleme - Wenn Sie Fehler beim Import von YOLO11 erhalten oder Probleme mit Abhängigkeiten haben, sollten Sie die folgenden Schritte zur Fehlerbehebung in Betracht ziehen:
- Neuinstallation: Manchmal kann ein Neustart mit einer Neuinstallation unerwartete Probleme lösen. Dies gilt insbesondere für Bibliotheken wie Ultralytics, bei denen Aktualisierungen Änderungen an der Dateibaumstruktur oder den Funktionalitäten mit sich bringen können.
- Regelmäßig aktualisieren: Stellen Sie sicher, dass Sie die neueste Version der Bibliothek verwenden. Ältere Versionen sind möglicherweise nicht mit den letzten Aktualisierungen kompatibel, was zu potenziellen Konflikten oder Problemen führen kann.
- Abhängigkeiten prüfen: Stellen Sie sicher, dass alle erforderlichen Abhängigkeiten korrekt und in den kompatiblen Versionen installiert sind.
- Änderungen überprüfen: Wenn Sie anfänglich eine ältere Version geklont oder installiert haben, beachten Sie, dass wesentliche Aktualisierungen die Struktur oder Funktionalitäten der Bibliothek beeinträchtigen könnten. Beachten Sie immer die offizielle Dokumentation oder Changelogs, um wichtige Änderungen zu verstehen.
- Denken Sie daran, dass das Aktualisieren Ihrer Bibliotheken und Abhängigkeiten entscheidend für eine reibungslose und fehlerfreie Erfahrung ist.
YOLO11 auf der GPU ausführen - Wenn Sie Probleme haben, YOLO11 auf der GPU auszuführen, sollten Sie die folgenden Schritte zur Fehlerbehebung in Betracht ziehen:
- CUDA-Kompatibilität und -Installation überprüfen: Stellen Sie sicher, dass Ihre GPU CUDA-kompatibel ist und dass CUDA korrekt installiert ist. Verwenden Sie den nvidia-smi Befehl, um den Status Ihrer NVIDIA GPU- und CUDA-Version zu überprüfen.
- PyTorch- und CUDA-Integration prüfen: Stellen Sie sicher, dass PyTorch CUDA nutzen kann, indem Sie import torch; print(torch.cuda.is_available()) in einem Python-Terminal ausführen. Wenn 'True' zurückgegeben wird, ist PyTorch für die Verwendung von CUDA eingerichtet.
- Umgebungsaktivierung: Stellen Sie sicher, dass Sie sich in der richtigen Umgebung befinden, in der alle erforderlichen Pakete installiert sind.
- Pakete aktualisieren: Veraltete Pakete sind möglicherweise nicht mit Ihrer GPU kompatibel. Halten Sie diese auf dem neuesten Stand.
- Programmkonfiguration: Überprüfen Sie, ob das Programm oder der Code die GPU-Nutzung spezifiziert. In YOLO11 kann dies in den Einstellungen oder der Konfiguration der Fall sein.

Probleme beim Modelltraining

Dieser Abschnitt behandelt häufige Probleme, die beim Training auftreten, sowie die jeweiligen Erklärungen und Lösungen.

Überprüfung der Konfigurationseinstellungen

Problem: Sie sind sich nicht sicher, ob die Konfigurationseinstellungen in der .yaml Datei während des Modelltrainings korrekt angewendet werden.

Lösung: Die Konfigurationseinstellungen in der .yaml Datei sollten bei Verwendung der model.train() Funktion angewendet werden. Um sicherzustellen, dass diese Einstellungen korrekt angewendet werden, führen Sie die folgenden Schritte aus:

Bestätigen Sie, dass der Pfad zu Ihrer .yaml Konfigurationsdatei korrekt ist.
Stellen Sie sicher, dass Sie den Pfad zu Ihrer .yaml Datei als data Argument beim Aufrufen übergeben. model.train(), wie unten dargestellt:
```
model.train(data="/path/to/your/data.yaml", batch=4)
```

Beschleunigung des Trainings mit mehreren GPUs

Problem: Das Training auf einer einzelnen GPU ist langsam, und Sie möchten den Prozess mithilfe mehrerer GPUs beschleunigen.

Lösung: Das Erhöhen der Batch-Größe kann das Training beschleunigen, aber es ist wichtig, die Speicherkapazität der GPU zu berücksichtigen. Um das Training mit mehreren GPUs zu beschleunigen, führen Sie die folgenden Schritte aus:

Stellen Sie sicher, dass mehrere GPUs verfügbar sind.
Ändern Sie Ihre .yaml-Konfigurationsdatei, um die Anzahl der zu verwendenden GPUs anzugeben, z. B. gpus: 4.
Erhöhen Sie die Batch-Größe entsprechend, um die mehreren GPUs vollständig 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)

Kontinuierliche Überwachungsparameter

Problem: Sie möchten wissen, welche Parameter während des Trainings kontinuierlich überwacht werden sollten, abgesehen vom Verlust.

Lösung: Während der Verlust eine entscheidende Metrik ist, die überwacht werden muss, ist es auch wichtig, andere Metriken zur Optimierung der Modellleistung zu verfolgen. Einige wichtige Metriken, die während des Trainings überwacht werden sollten, sind:

Präzision
Recall
Mean Average Precision (mAP)

Sie können auf diese Metriken über die Trainingsprotokolle oder mithilfe von Tools wie TensorBoard oder wandb zur Visualisierung zugreifen. Die Implementierung von Early Stopping basierend auf diesen Metriken kann Ihnen helfen, bessere Ergebnisse zu erzielen.

Tools zur Verfolgung des Trainingsfortschritts

Problem: Sie suchen 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 zur Visualisierung von Trainingsmetriken, einschließlich Verlust, Genauigkeit und mehr. Sie können es in Ihren YOLO11-Trainingsprozess integrieren.
Comet: Comet bietet ein umfangreiches Toolkit zur Verfolgung und zum Vergleich von Experimenten. Es ermöglicht Ihnen, Metriken, Hyperparameter und sogar Modellgewichte zu verfolgen. Die Integration mit YOLO-Modellen ist ebenfalls unkompliziert und bietet Ihnen einen vollständigen Überblick über Ihren Experimentierzyklus.
Ultralytics HUB: Ultralytics HUB bietet eine spezialisierte Umgebung für die Verfolgung von YOLO-Modellen und bietet Ihnen eine zentrale Plattform zur Verwaltung von Metriken und Datensätzen sowie zur Zusammenarbeit mit Ihrem Team. Aufgrund des maßgeschneiderten Fokus auf YOLO bietet es stärker angepasste Tracking-Optionen.

Jedes dieser Tools bietet seine eigenen Vorteile, daher sollten Sie bei der Auswahl die spezifischen Anforderungen Ihres Projekts berücksichtigen.

So überprüfen Sie, ob das Training auf der GPU stattfindet

Problem: Der Wert 'device' in den Trainingsprotokollen ist 'null', und Sie sind sich nicht sicher, ob das Training auf der GPU stattfindet.

Lösung: Der Wert 'device' mit dem Wert 'null' bedeutet typischerweise, dass der Trainingsprozess so eingestellt ist, dass er automatisch eine verfügbare GPU verwendet, was das Standardverhalten ist. Um sicherzustellen, dass das Training auf einer bestimmten GPU stattfindet, können Sie den Wert 'device' manuell auf den GPU-Index (z. B. '0' für die erste GPU) in Ihrer .yaml-Konfigurationsdatei setzen:

device: 0

Dadurch wird der Trainingsprozess explizit der angegebenen GPU zugewiesen. Wenn Sie auf der CPU trainieren möchten, setzen Sie 'device' auf 'cpu'.

Behalten Sie den Ordner 'runs' im Auge, um Protokolle und Metriken zur effektiven Überwachung des Trainingsfortschritts zu erhalten.

Wichtige Überlegungen für ein effektives Modelltraining

Hier sind einige Dinge, die Sie beachten sollten, wenn Sie Probleme im Zusammenhang mit dem Modelltraining haben.

Datensatzformat und Beschriftungen

Bedeutung: Das Fundament jedes maschinellen Lernmodells liegt in der Qualität und dem Format der Daten, mit denen es trainiert wird.
Empfehlung: Stellen Sie sicher, dass Ihr benutzerdefinierter Datensatz und die zugehörigen Beschriftungen dem erwarteten Format entsprechen. Es ist entscheidend, dass die Annotationen korrekt und von hoher Qualität sind. Falsche oder minderwertige Annotationen können den Lernprozess des Modells zum Entgleisen bringen und zu unvorhersehbaren Ergebnissen führen.

Modellkonvergenz

Bedeutung: Das Erreichen der Modellkonvergenz stellt sicher, dass das Modell ausreichend aus den Trainingsdaten gelernt hat.
Empfehlung: Beim Trainieren eines Modells „von Grund auf“ ist es entscheidend sicherzustellen, dass das Modell ein zufriedenstellendes Konvergenzniveau erreicht. Dies kann eine längere Trainingsdauer mit mehr Epochen erforderlich machen, als wenn Sie ein bestehendes Modell feinabstimmen.

Lernrate und Batch-Größe

Bedeutung: 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 Batch-Größe für Ihren spezifischen Datensatz optimal sind. Parameter, die nicht mit den Eigenschaften des Datensatzes übereinstimmen, können die Leistung des Modells beeinträchtigen.

Klassenverteilung

Bedeutung: Die Verteilung der Klassen in Ihrem Datensatz kann die Vorhersagetendenzen des Modells beeinflussen.
Empfehlung: Beurteilen Sie regelmäßig die Verteilung der Klassen innerhalb Ihres Datensatzes. Wenn ein Klassenungleichgewicht besteht, besteht die Gefahr, dass das Modell eine Verzerrung gegenüber der häufigeren Klasse entwickelt. Diese Verzerrung kann in der Konfusionsmatrix deutlich werden, wo das Modell möglicherweise überwiegend die Mehrheitsklasse vorhersagt.

Gegenprüfung mit vortrainierten Gewichten

Bedeutung: Die Nutzung vortrainierter Gewichte kann einen soliden Ausgangspunkt für das Modelltraining bieten, insbesondere wenn die Daten begrenzt sind.
Empfehlung: Erwägen Sie als diagnostischen Schritt, Ihr Modell mit denselben Daten zu trainieren, es aber mit vortrainierten Gewichten zu initialisieren. Wenn dieser Ansatz eine gut geformte Konfusionsmatrix ergibt, könnte dies darauf hindeuten, dass das „von Grund auf“ trainierte Modell möglicherweise ein weiteres Training oder Anpassungen erfordert.

In diesem Abschnitt werden häufige Probleme behandelt, die bei der Modellvorhersage auftreten.

Abrufen von Bounding-Box-Vorhersagen mit Ihrem benutzerdefinierten YOLO11-Modell

Problem: Beim Ausführen von Vorhersagen mit einem benutzerdefinierten YOLO11-Modell gibt es Herausforderungen mit dem Format und der Visualisierung der Bounding-Box-Koordinaten.

Lösung:

Koordinatenformat: YOLO11 stellt Bounding-Box-Koordinaten in absoluten Pixelwerten bereit. Um diese in relative Koordinaten (im Bereich von 0 bis 1) umzuwandeln, müssen Sie durch die Bildabmessungen dividieren. Nehmen wir beispielsweise an, Ihre Bildgröße beträgt 640x640. Dann würden Sie Folgendes tun:
```
# 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, auf dem Sie eine Vorhersage treffen, greifen Sie direkt über die Ergebnisobjekt innerhalb Ihrer Vorhersageschleife auf den Bilddateipfad zu.

Filtern von Objekten in YOLO11-Vorhersagen

Problem: Probleme beim Filtern und Anzeigen nur bestimmter Objekte in den Vorhersageergebnissen bei der Ausführung von YOLO11 mit der Ultralytics-Bibliothek.

Lösung: Um bestimmte Klassen zu erkennen, verwenden Sie das Klassenargument, um die Klassen anzugeben, die Sie in die Ausgabe aufnehmen möchten. Um beispielsweise nur Autos zu erkennen (vorausgesetzt, 'Autos' haben den Klassenindex 2):

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

Verständnis von Präzisionsmetriken in YOLO11

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

Lösung: Die Box-Präzision misst die Genauigkeit der vorhergesagten Bounding Boxes im Vergleich zu den tatsächlichen Ground-Truth-Boxen unter Verwendung von IoU (Intersection over Union) als Metrik. Die Masken-Präzision bewertet die Übereinstimmung zwischen vorhergesagten Segmentierungsmasken und Ground-Truth-Masken bei der pixelweisen Objektklassifizierung. Die Konfusionsmatrix-Präzision hingegen konzentriert sich auf die Gesamtgenauigkeit der Klassifizierung über alle Klassen hinweg und berücksichtigt nicht die geometrische Genauigkeit der Vorhersagen. Es ist wichtig zu beachten, dass eine Bounding Box geometrisch genau (True Positive) sein kann, selbst wenn die Klassenvorhersage falsch ist, was zu Unterschieden zwischen Box-Präzision und Konfusionsmatrix-Präzision führt. Diese Metriken bewerten unterschiedliche Aspekte der Leistung eines Modells und spiegeln die Notwendigkeit unterschiedlicher Bewertungsmetriken in verschiedenen Aufgaben wider.

Extrahieren von Objektdimensionen in YOLO11

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

Lösung: Um die Abmessungen der Bounding Box abzurufen, verwenden Sie zuerst das Ultralytics YOLO11-Modell, um Objekte in einem Bild vorherzusagen. Extrahieren Sie dann die Breiten- und Höheninformationen der Bounding Boxes 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

Probleme bei der GPU-Bereitstellung

Problem: Das Deployment von Modellen in einer Multi-GPU-Umgebung kann manchmal zu unerwartetem Verhalten führen, wie z. B. unerwarteter Speichernutzung, inkonsistenten Ergebnissen über GPUs hinweg usw.

Lösung: Überprüfen Sie die Standard-GPU-Initialisierung. Einige Frameworks, wie z. B. PyTorch, initialisieren möglicherweise CUDA-Operationen auf einer Standard-GPU, bevor sie zu den zugewiesenen GPUs übergehen. Um unerwartete Standardinitialisierungen zu umgehen, geben Sie die GPU direkt während des Deployments und der Vorhersage an. Verwenden Sie dann Tools, um die GPU-Auslastung und Speichernutzung zu überwachen, 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/beim Exportieren

Problem: Während des Prozesses der Konvertierung oder des Exports von Machine-Learning-Modellen in verschiedene Formate oder Plattformen können Benutzer auf Fehler oder unerwartetes Verhalten stoßen.

Lösung:

Kompatibilitätsprüfung: Stellen Sie sicher, dass Sie Versionen von Bibliotheken und Frameworks verwenden, die miteinander kompatibel sind. Nicht übereinstimmende Versionen können während der Konvertierung zu unerwarteten Fehlern führen.
Umgebung zurücksetzen: Wenn Sie eine interaktive Umgebung wie Jupyter oder Colab verwenden, sollten Sie erwägen, Ihre Umgebung neu zu starten, nachdem Sie wesentliche Änderungen oder Installationen vorgenommen haben. Ein Neustart kann manchmal zugrunde liegende Probleme beheben.
Offizielle Dokumentation: Beachten Sie immer die offizielle Dokumentation des Tools oder der Bibliothek, die Sie für die Konvertierung verwenden. Sie enthält oft spezifische Richtlinien und Best Practices für den Modellexport.
Community-Support: Überprüfen Sie das offizielle Repository der Bibliothek oder des Frameworks auf ähnliche Probleme, die von anderen Benutzern gemeldet wurden. Die Betreuer oder die Community haben möglicherweise Lösungen oder Workarounds in Diskussionsforen bereitgestellt.
Regelmäßig aktualisieren: Stellen Sie sicher, dass Sie die neueste Version des Tools oder der Bibliothek verwenden. 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 potenzielle Probleme frühzeitig zu erkennen.

Community und Support

Die Zusammenarbeit mit einer Community von Gleichgesinnten kann Ihre Erfahrung und Ihren Erfolg bei der Arbeit mit YOLO11 erheblich verbessern. Nachfolgend sind einige Kanäle und Ressourcen aufgeführt, die Sie möglicherweise hilfreich finden.

Foren und Kanäle für Hilfe

GitHub Issues: Das YOLO11-Repository auf GitHub verfügt über einen Issues-Tab, auf dem 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 spezifischen Problemen zu erhalten.

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

Offizielle Dokumentation und Ressourcen

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

Diese Ressourcen sollten eine solide Grundlage für die Fehlersuche und Verbesserung Ihrer YOLO11-Projekte sowie für die Vernetzung mit anderen in der YOLO11-Community bieten.

Fazit

Die Fehlersuche ist ein integraler Bestandteil jedes Entwicklungsprozesses, und die richtige Wissensbasis kann den Zeit- und Arbeitsaufwand für die Lösung von Problemen erheblich reduzieren. Dieser Leitfaden soll die häufigsten Herausforderungen ansprechen, mit denen Benutzer des YOLO11-Modells innerhalb des Ultralytics-Ökosystems konfrontiert sind. Indem Sie diese häufigen Probleme verstehen und beheben, können Sie einen reibungsloseren Projektfortschritt gewährleisten und bessere Ergebnisse mit 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 Einblicke und Lösungen bieten, die möglicherweise nicht in der Standarddokumentation enthalten sind. Lernen, experimentieren und teilen Sie Ihre Erfahrungen stets, um zum kollektiven Wissen der Community beizutragen.

Viel Erfolg bei der Fehlersuche!

FAQ

Wie behebe ich Installationsfehler bei YOLO11?

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 vorteilhaft, virtuelle Umgebungen zu nutzen, um Konflikte zu vermeiden. Eine schrittweise Installationsanleitung finden Sie in unserer offiziellen Installationsanleitung. Wenn Importfehler auftreten, versuchen Sie eine Neuinstallation oder aktualisieren Sie die Bibliothek auf die neueste Version.

Warum trainiert mein YOLO11-Modell langsam auf einer einzelnen GPU?

Das Training auf einer einzelnen GPU kann aufgrund großer Batch-Größen 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 an, um die Anzahl der GPUs anzugeben, z. B. gpus: 4. Erhöhen Sie die Batch-Größe entsprechend, um die GPUs vollständig auszunutzen, ohne die Speichergrenzen zu überschreiten. Beispielbefehl:

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 wird?

Wenn der Wert 'device' in den Trainingsprotokollen 'null' anzeigt, bedeutet dies im Allgemeinen, dass der Trainingsprozess so eingestellt ist, dass er automatisch eine verfügbare GPU verwendet. Um explizit eine bestimmte GPU zuzuweisen, legen Sie den Wert 'device' in Ihrer .yaml Konfigurationsdatei fest. Zum Beispiel:

device: 0

Dadurch wird der Trainingsprozess auf die erste GPU festgelegt. Konsultieren Sie den nvidia-smi Befehl, um Ihr CUDA-Setup zu bestätigen.

Wie kann ich den Trainingsfortschritt meines YOLO11-Modells überwachen und verfolgen?

Das Verfolgen und Visualisieren des Trainingsfortschritts kann effizient durch Tools wie TensorBoard, Comet und Ultralytics HUB verwaltet werden. Mit diesen Tools können Sie Metriken wie Loss, Precision, Recall und mAP protokollieren und visualisieren. Die Implementierung von Early Stopping basierend auf diesen Metriken kann ebenfalls dazu beitragen, bessere Trainingsergebnisse zu erzielen.

Was soll 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 Anmerkungen korrekt und von hoher Qualität sind. Wenn Sie auf Probleme stoßen, lesen Sie den Leitfaden Datenerfassung und -annotation für Best Practices. Weitere datensatzspezifische Anleitungen finden Sie im Abschnitt Datensätze in der Dokumentation.

📅 Erstellt vor 1 Jahr ✏️ Aktualisiert vor 2 Monaten