Solución de problemas comunes YOLO

Introducción

This guide serves as a comprehensive aid for troubleshooting common issues encountered while working with YOLO11 on your Ultralytics projects. Navigating through these issues can be a breeze with the right guidance, ensuring your projects remain on track without unnecessary delays.

Observa: Ultralytics YOLO11 Common Issues | Installation Errors, Model Training Issues

Problemas comunes

Errores de instalación

Los errores de instalación pueden deberse a varias razones, como versiones incompatibles, dependencias que faltan o configuraciones incorrectas del entorno. En primer lugar, comprueba que estás haciendo lo siguiente:

• Estás utilizando Python 3.8 o posterior, como se recomienda.

• Ensure that you have the correct version of PyTorch (1.8 or later) installed.

• Considera la posibilidad de utilizar entornos virtuales para evitar conflictos.

• Sigue paso a paso la guía oficial de instalación.

Además, aquí tienes algunos problemas comunes de instalación que han encontrado los usuarios, junto con sus respectivas soluciones:

• Import Errors or Dependency Issues - If you're getting errors during the import of YOLO11, or you're having issues related to dependencies, consider the following troubleshooting steps:

  • Nueva instalación: A veces, empezar con una instalación nueva puede resolver problemas inesperados. Especialmente con bibliotecas como Ultralytics, donde las actualizaciones pueden introducir cambios en la estructura del árbol de archivos o en las funcionalidades.

  • Actualízate regularmente: Asegúrate de que utilizas la última versión de la biblioteca. Las versiones antiguas pueden no ser compatibles con las actualizaciones recientes, lo que puede provocar conflictos o problemas.

  • Comprueba las dependencias: Comprueba que todas las dependencias necesarias están correctamente instaladas y son de versiones compatibles.

  • Revisa los cambios: Si inicialmente clonaste o instalaste una versión anterior, ten en cuenta que las actualizaciones importantes pueden afectar a la estructura o las funcionalidades de la biblioteca. Consulta siempre la documentación oficial o los registros de cambios para comprender cualquier cambio importante.

  • Recuerda que mantener actualizadas tus bibliotecas y dependencias es crucial para una experiencia fluida y sin errores.

• Running YOLO11 on GPU - If you're having trouble running YOLO11 on GPU, consider the following troubleshooting steps:

  • Comprueba la compatibilidad y la instalación de CUDA: Asegúrate de que tu GPU es compatible con CUDA y de que CUDA está correctamente instalado. Utiliza el nvidia-smi para comprobar el estado de tu versión de NVIDIA GPU y CUDA .

  • Comprueba PyTorch y CUDA Integración: Asegúrate de que PyTorch puede utilizar CUDA ejecutando import torch; print(torch.cuda.is_available()) en un terminal Python . Si devuelve "Verdadero", PyTorch está configurado para utilizar CUDA.

  • Activación del entorno: Asegúrate de que estás en el entorno correcto, donde están instalados todos los paquetes necesarios.

  • Actualiza tus paquetes: Los paquetes obsoletos pueden no ser compatibles con tu GPU. Mantenlos actualizados.

  • Program Configuration: Check if the program or code specifies GPU usage. In YOLO11, this might be in the settings or configuration.

Cuestiones de formación de modelos

En esta sección se abordarán los problemas habituales que se plantean durante la formación, así como sus respectivas explicaciones y soluciones.

Verificación de los ajustes de configuración

Edición: No estás seguro de si los ajustes de configuración del .yaml se aplican correctamente durante el entrenamiento del modelo.

Solución: Los ajustes de configuración de .yaml cuando utilices la función model.train() función. Para asegurarte de que estos ajustes se aplican correctamente, sigue estos pasos:

• Confirma que la ruta a tu .yaml es correcto.
• Asegúrate de pasar la ruta a tu .yaml como el archivo data al llamar a model.train()como se muestra a continuación:

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

Acelerar el entrenamiento con varias GPU

Problema: El entrenamiento es lento en una sola GPU, y quieres acelerar el proceso utilizando varias GPU.

Solution: Increasing the batch size can accelerate training, but it's essential to consider GPU memory capacity. To speed up training with multiple GPUs, follow these steps:

• Asegúrate de que dispones de varias GPU.

• Modifica tu archivo de configuración .yaml para especificar el número de GPUs a utilizar, por ejemplo, gpus: 4.

• Aumenta el tamaño del lote en consecuencia para utilizar plenamente las múltiples GPUs sin sobrepasar los límites de memoria.

• Modifica tu comando de entrenamiento para utilizar varias GPU:

# 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)

Parámetros de Monitorización Continua

Problema: Quieres saber qué parámetros deben controlarse continuamente durante el entrenamiento, aparte de la pérdida.

Solución: Aunque la pérdida es una métrica crucial que hay que controlar, también es esencial hacer un seguimiento de otras métricas para optimizar el rendimiento del modelo. Algunas métricas clave que hay que controlar durante el entrenamiento son

• Precisión
• Retirada
• Mean Average Precision (mAP)

Puedes acceder a estas métricas desde los registros de entrenamiento o utilizando herramientas como TensorBoard o wandb para su visualización. Implementar una parada temprana basada en estas métricas puede ayudarte a conseguir mejores resultados.

Herramientas para seguir el progreso de la formación

Asunto: Estás buscando recomendaciones sobre herramientas para seguir el progreso del entrenamiento.

Solución: Para seguir y visualizar el progreso del entrenamiento, puedes considerar el uso de las siguientes herramientas:

• TensorBoard: TensorBoard is a popular choice for visualizing training metrics, including loss, accuracy, and more. You can integrate it with your YOLO11 training process.
• Comet: Comet proporciona un amplio conjunto de herramientas para el seguimiento y la comparación de experimentos. Te permite rastrear métricas, hiperparámetros e incluso pesos de modelos. La integración con los modelos de YOLO también es sencilla, proporcionándote una visión completa del ciclo de tu experimento.
• Ultralytics HUB: Ultralytics HUB ofrece un entorno especializado para el seguimiento de modelos YOLO , proporcionándote una plataforma única para gestionar métricas, conjuntos de datos e incluso colaborar con tu equipo. Dado su enfoque adaptado a YOLO, ofrece opciones de seguimiento más personalizadas.

Cada una de estas herramientas ofrece su propio conjunto de ventajas, por lo que te conviene tener en cuenta las necesidades específicas de tu proyecto a la hora de elegir.

Cómo comprobar si la formación está teniendo lugar en el GPU

Problema: El valor de "dispositivo" en los registros de entrenamiento es "nulo", y no estás seguro de si se está produciendo el entrenamiento en GPU.

Solución: Que el valor "dispositivo" sea "nulo" suele significar que el proceso de entrenamiento está configurado para utilizar automáticamente un GPU disponible, que es el comportamiento por defecto. Para asegurarte de que el entrenamiento se produce en un GPU específico, puedes establecer manualmente el valor 'device' al índice GPU (por ejemplo, '0' para el primer GPU) en tu archivo de configuración .yaml:

device: 0

Esto asignará explícitamente el proceso de entrenamiento al GPU especificado. Si deseas entrenar en el CPU, establece 'dispositivo' en 'cpu'.

Echa un vistazo a la carpeta "recorridos" para ver los registros y las métricas para controlar eficazmente el progreso del entrenamiento.

Consideraciones clave para una formación eficaz del modelo

Aquí tienes algunas cosas que debes tener en cuenta, si te enfrentas a problemas relacionados con la formación de modelos.

Formato y etiquetas del conjunto de datos

• Importance: The foundation of any machine learning model lies in the quality and format of the data it is trained on.

• Recomendación: Asegúrate de que tu conjunto de datos personalizado y sus etiquetas asociadas se ajustan al formato esperado. Es crucial verificar que las anotaciones son precisas y de alta calidad. Las anotaciones incorrectas o deficientes pueden desbaratar el proceso de aprendizaje del modelo, provocando resultados impredecibles.

Convergencia del modelo

• Importance: Achieving model convergence ensures that the model has sufficiently learned from the training data.

• Recommendation: When training a model 'from scratch', it's vital to ensure that the model reaches a satisfactory level of convergence. This might necessitate a longer training duration, with more epochs, compared to when you're fine-tuning an existing model.

Learning Rate and Batch Size

• Importancia: Estos hiperparámetros desempeñan un papel fundamental a la hora de determinar cómo actualiza el modelo sus pesos durante el entrenamiento.

• Recomendación: Evalúa periódicamente si la tasa de aprendizaje y el tamaño de lote elegidos son óptimos para tu conjunto de datos específico. Los parámetros que no estén en armonía con las características del conjunto de datos pueden entorpecer el rendimiento del modelo.

Distribución por clases

• Importancia: La distribución de las clases en tu conjunto de datos puede influir en las tendencias de predicción del modelo.

• Recomendación: Evalúa periódicamente la distribución de clases dentro de tu conjunto de datos. Si hay un desequilibrio de clases, existe el riesgo de que el modelo desarrolle un sesgo hacia la clase más predominante. Este sesgo puede ser evidente en la matriz de confusión, donde el modelo podría predecir predominantemente la clase mayoritaria.

Comprobación cruzada con ponderaciones preentrenadas

• Importancia: Aprovechar los pesos preentrenados puede proporcionar un punto de partida sólido para el entrenamiento del modelo, especialmente cuando los datos son limitados.

• Recomendación: Como paso de diagnóstico, considera la posibilidad de entrenar tu modelo utilizando los mismos datos, pero inicializándolo con pesos preentrenados. Si este enfoque produce una matriz de confusión bien formada, podría sugerir que el modelo "desde cero" podría requerir más entrenamiento o ajustes.

Cuestiones relacionadas con las predicciones del modelo

En esta sección se abordarán los problemas habituales que se plantean durante la predicción de modelos.

Getting Bounding Box Predictions With Your YOLO11 Custom Model

Issue: When running predictions with a custom YOLO11 model, there are challenges with the format and visualization of the bounding box coordinates.

Solución:

• Coordinate Format: YOLO11 provides bounding box coordinates in absolute pixel values. To convert these to relative coordinates (ranging from 0 to 1), you need to divide by the image dimensions. For example, let's say your image size is 640x640. Then you would do the following:

# 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

• Nombre de archivo: Para obtener el nombre del archivo de la imagen sobre la que estás prediciendo, accede a la ruta del archivo de la imagen directamente desde el objeto resultado dentro de tu bucle de predicción.

Filtering Objects in YOLO11 Predictions

Issue: Facing issues with how to filter and display only specific objects in the prediction results when running YOLO11 using the Ultralytics library.

Solución: Para detectar clases concretas, utiliza el argumento clases para especificar las clases que quieres incluir en la salida. Por ejemplo, para detectar sólo coches (suponiendo que "coches" tiene índice de clase 2):

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

Understanding Precision Metrics in YOLO11

Issue: Confusion regarding the difference between box precision, mask precision, and confusion matrix precision in YOLO11.

Solution: Box precision measures the accuracy of predicted bounding boxes compared to the actual ground truth boxes using IoU (Intersection over Union) as the metric. Mask precision assesses the agreement between predicted segmentation masks and ground truth masks in pixel-wise object classification. Confusion matrix precision, on the other hand, focuses on overall classification accuracy across all classes and does not consider the geometric accuracy of predictions. It's important to note that a bounding box can be geometrically accurate (true positive) even if the class prediction is wrong, leading to differences between box precision and confusion matrix precision. These metrics evaluate distinct aspects of a model's performance, reflecting the need for different evaluation metrics in various tasks.

Extracting Object Dimensions in YOLO11

Issue: Difficulty in retrieving the length and height of detected objects in YOLO11, especially when multiple objects are detected in an image.

Solution: To retrieve the bounding box dimensions, first use the Ultralytics YOLO11 model to predict objects in an image. Then, extract the width and height information of bounding boxes from the prediction results.

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}")

Desafíos de la implantación

GPU Problemas de despliegue

Problema: Desplegar modelos en un entorno multiGPU puede provocar a veces comportamientos inesperados, como un uso inesperado de la memoria, resultados incoherentes entre GPUs, etc.

Solución: Comprueba la inicialización por defecto de GPU . Algunos frameworks, como PyTorch, pueden inicializar las operaciones de CUDA en un GPU por defecto antes de pasar a las GPU designadas. Para evitar inicializaciones predeterminadas inesperadas, especifica directamente el GPU durante la implantación y la predicción. Después, utiliza herramientas para controlar la utilización de GPU y el uso de memoria para identificar cualquier anomalía en tiempo real. Además, asegúrate de que estás utilizando la última versión del framework o de la biblioteca.

Problemas de conversión/exportación de modelos

Problema: Durante el proceso de conversión o exportación de modelos de aprendizaje automático a diferentes formatos o plataformas, los usuarios pueden encontrarse con errores o comportamientos inesperados.

Solución:

• Comprobación de compatibilidad: Asegúrate de que utilizas versiones de bibliotecas y frameworks compatibles entre sí. Las versiones no coincidentes pueden provocar errores inesperados durante la conversión.

• Reinicio del entorno: Si utilizas un entorno interactivo como Jupyter o Colab, considera la posibilidad de reiniciar tu entorno después de realizar cambios o instalaciones importantes. Un nuevo comienzo a veces puede resolver problemas subyacentes.

• Documentación oficial: Consulta siempre la documentación oficial de la herramienta o biblioteca que utilices para la conversión. A menudo contiene directrices específicas y buenas prácticas para la exportación de modelos.

• Apoyo de la comunidad: Busca en el repositorio oficial de la biblioteca o del framework problemas similares comunicados por otros usuarios. Los mantenedores o la comunidad pueden haber proporcionado soluciones o soluciones provisionales en hilos de discusión.

• Actualízate regularmente: Asegúrate de que utilizas la última versión de la herramienta o biblioteca. Los desarrolladores publican con frecuencia actualizaciones que corrigen errores conocidos o mejoran la funcionalidad.

• Prueba de forma incremental: Antes de realizar una conversión completa, prueba el proceso con un modelo o conjunto de datos más pequeño para identificar posibles problemas desde el principio.

Comunidad y apoyo

Engaging with a community of like-minded individuals can significantly enhance your experience and success in working with YOLO11. Below are some channels and resources you may find helpful.

Foros y canales para obtener ayuda

GitHub Issues: The YOLO11 repository on GitHub has an Issues tab where you can ask questions, report bugs, and suggest new features. The community and maintainers are active here, and it's a great place to get help with specific problems.

Ultralytics Servidor Discord: Ultralytics tiene un servidor Discord donde puedes interactuar con otros usuarios y con los desarrolladores.

Documentación y recursos oficiales

Ultralytics YOLO11 Docs: The official documentation provides a comprehensive overview of YOLO11, along with guides on installation, usage, and troubleshooting.

These resources should provide a solid foundation for troubleshooting and improving your YOLO11 projects, as well as connecting with others in the YOLO11 community.

Conclusión

Troubleshooting is an integral part of any development process, and being equipped with the right knowledge can significantly reduce the time and effort spent in resolving issues. This guide aimed to address the most common challenges faced by users of the YOLO11 model within the Ultralytics ecosystem. By understanding and addressing these common issues, you can ensure smoother project progress and achieve better results with your computer vision tasks.

Recuerda que la comunidad Ultralytics es un recurso valioso. Colaborar con otros desarrolladores y expertos puede proporcionarte ideas y soluciones adicionales que podrían no estar incluidas en la documentación estándar. Sigue aprendiendo, experimentando y compartiendo tus experiencias para contribuir al conocimiento colectivo de la comunidad.

¡Feliz resolución de problemas!

PREGUNTAS FRECUENTES

How do I resolve installation errors with YOLO11?

Los errores de instalación pueden deberse a menudo a problemas de compatibilidad o a que faltan dependencias. Asegúrate de utilizar Python 3.8 o posterior y de tener instalado PyTorch 1.8 o posterior. Es conveniente utilizar entornos virtuales para evitar conflictos. Para una guía de instalación paso a paso, sigue nuestra guía oficial de instalación. Si encuentras errores de importación, intenta una nueva instalación o actualiza la biblioteca a la última versión.

Why is my YOLO11 model training slow on a single GPU?

El entrenamiento en una sola GPU puede ser lento debido a los grandes tamaños de los lotes o a una memoria insuficiente. Para acelerar el entrenamiento, utiliza varias GPU. Asegúrate de que tu sistema dispone de varias GPUs y ajusta tu .yaml archivo de configuración para especificar el número de GPUs, por ejemplo, gpus: 4. Aumenta el tamaño del lote en consecuencia para utilizar plenamente las GPUs sin sobrepasar los límites de memoria. Ejemplo de comando:

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

How can I ensure my YOLO11 model is training on the GPU?

Si el valor "dispositivo" aparece como "nulo" en los registros de entrenamiento, generalmente significa que el proceso de entrenamiento está configurado para utilizar automáticamente un GPU disponible. Para asignar explícitamente un GPU específico, establece el valor 'dispositivo' en tu .yaml archivo de configuración. Por ejemplo:

device: 0

Esto establece el proceso de entrenamiento en el primer GPU. Consulta la nvidia-smi para confirmar la configuración de CUDA .

How can I monitor and track my YOLO11 model training progress?

Tracking and visualizing training progress can be efficiently managed through tools like TensorBoard, Comet, and Ultralytics HUB. These tools allow you to log and visualize metrics such as loss, precision, recall, and mAP. Implementing early stopping based on these metrics can also help achieve better training outcomes.

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

Asegúrate de que tu conjunto de datos y etiquetas se ajustan al formato esperado. Comprueba que las anotaciones son precisas y de calidad. Si tienes algún problema, consulta la guía de Recogida de datos y an otaciones para conocer las mejores prácticas. Para obtener más orientación específica sobre conjuntos de datos, consulta la sección Conjuntos de datos de la documentación.

📅 Created 11 months ago ✏️ Updated 8 days ago

Comentarios