Risoluzione dei problemi comuni di YOLO

Q: How can I monitor and track my YOLO26 model training progress?

Il track e la visualizzazione del progresso dell'addestramento possono essere gestiti in modo efficiente tramite strumenti come TensorBoard, Comet e Ultralytics Platform. Questi strumenti consentono di registrare e visualizzare metriche come loss, precision, recall e mAP. L'implementazione dell'early stopping basata su queste metriche può anche aiutare a ottenere migliori risultati di addestramento.

Q: What should I do if YOLO26 is not recognizing my dataset format?

Assicurati che il tuo set di dati e le etichette siano conformi al formato previsto. Verifica che le annotazioni siano accurate e di alta qualità. In caso di problemi, consulta la guida alla raccolta e all'annotazione dei dati per le migliori pratiche. Per ulteriori indicazioni specifiche per il set di dati, consulta la sezione Set di dati nella documentazione.

Problemi YOLO relativi alla formazione e all'implementazione di YOLO

Introduzione

Questa guida funge da ausilio completo per la risoluzione dei problemi comuni riscontrati durante l'utilizzo di YOLO26 nei tuoi progetti Ultralytics. Affrontare questi problemi può essere semplice con la giusta guida, assicurando che i tuoi progetti rimangano on track senza ritardi inutili.

Guarda: Ultralytics YOLO26 Problemi Comuni | Errori di Installazione, Problemi di Addestramento del Modello

Problemi comuni

Errori di installazione

Gli errori di installazione possono verificarsi per vari motivi, come versioni incompatibili, dipendenze mancanti o configurazioni ambientali errate. Innanzitutto, verifica di aver fatto quanto segue:

Stai utilizzando Python 3.8 o versioni successive, come raccomandato.
Assicurati di avere installato la versione corretta di PyTorch (1.8 o successiva).
Considera l'utilizzo di ambienti virtuali per evitare conflitti.
Segui la guida di installazione ufficiale passo dopo passo.

Inoltre, ecco alcuni problemi di installazione comuni riscontrati dagli utenti, insieme alle rispettive soluzioni:

Errori di Importazione o Problemi di Dipendenza - Se riscontri errori durante l'importazione di YOLO26, o hai problemi relativi alle dipendenze, considera i seguenti passaggi per la risoluzione dei problemi:
- Installazione pulita: A volte, iniziare con una nuova installazione può risolvere problemi inaspettati, specialmente con librerie come Ultralytics, dove gli aggiornamenti potrebbero introdurre modifiche alla struttura dell'albero dei file o alle funzionalità.
- Aggiorna regolarmente: Assicurati di utilizzare l'ultima versione della libreria. Le versioni precedenti potrebbero non essere compatibili con gli aggiornamenti recenti, causando potenziali conflitti o problemi.
- Controlla le dipendenze: Verifica che tutte le dipendenze richieste siano installate correttamente e che siano delle versioni compatibili.
- Rivedi le modifiche: Se inizialmente hai clonato o installato una versione precedente, tieni presente che aggiornamenti significativi potrebbero influire sulla struttura o sulle funzionalità della libreria. Fai sempre riferimento alla documentazione ufficiale o ai changelog per comprendere eventuali modifiche importanti.
- Ricorda, mantenere aggiornate le tue librerie e dipendenze è fondamentale per un'esperienza fluida e senza errori.
Esecuzione di YOLO26 su GPU - Se hai problemi nell'esecuzione di YOLO26 su GPU, considera i seguenti passaggi per la risoluzione dei problemi:
- Verifica la compatibilità e l'installazione di CUDA: Assicurati che la tua GPU sia compatibile con CUDA e che CUDA sia installato correttamente. Usa il nvidia-smi comando per controllare lo stato della tua GPU NVIDIA e la versione di CUDA.
- Controlla l'integrazione di PyTorch e CUDA: Assicurati che PyTorch possa utilizzare CUDA eseguendo import torch; print(torch.cuda.is_available()) in un terminale python. Se restituisce 'True', PyTorch è configurato per utilizzare CUDA.
- Verifica la compatibilità della GPU: Support for GPU architectures earlier than Turing and compute capability (SM) < 7.5 was abandoned since cuDNN 9.11.0. So if you have an older GPU - like 1080Ti - you may have to use a version of PyTorch built against an older version of CUDA/cuDNN. You can check this by running import torch; cap = torch.cuda.get_device_capability(0) if torch.cuda.is_available() else (0, 0); cudnn = torch.backends.cudnn.version() or 0; ok = "not compatible" if cudnn >= 91100 and (cap[0] < 7 or (cap[0] == 7 and cap[1] < 5)) else "should be ok"; print(f"Compute capability: SM {cap[0]}.{cap[1]}, cuDNN: {cudnn} => {ok}")
- Attivazione dell'ambiente: Assicurati di essere nell'ambiente corretto in cui sono installati tutti i pacchetti necessari.
- Aggiorna i tuoi pacchetti: I pacchetti obsoleti potrebbero non essere compatibili con la tua GPU. Mantienili aggiornati.
- Configurazione del Programma: Verifica se il programma o il codice specifica l'utilizzo della GPU. In YOLO26, questo potrebbe trovarsi nelle impostazioni o nella configurazione.

Problemi di addestramento del modello

Questa sezione affronterà i problemi comuni riscontrati durante l'addestramento, le relative spiegazioni e soluzioni.

Verifica delle impostazioni di configurazione

Problema: Non sei sicuro che le impostazioni di configurazione nel .yaml file vengano applicate correttamente durante l'addestramento del modello.

Soluzione: Le impostazioni di configurazione nel .yaml file devono essere applicate quando si utilizza il model.train() funzione. Per assicurarsi che queste impostazioni vengano applicate correttamente, seguire questi passaggi:

Verificare che il percorso del file di .yaml configurazione sia corretto.
Assicurarsi di passare il percorso del file .yaml come argomento quando si richiama data l'argomento quando si richiama model.train(), come mostrato di seguito:
```
model.train(data="/path/to/your/data.yaml", batch=4)
```

Accelerazione dell'addestramento con più GPU

Problema: L'addestramento è lento su una singola GPU e si desidera accelerare il processo utilizzando più GPU.

Soluzione: Aumentare la dimensione del batch può accelerare l'addestramento, ma è essenziale considerare la capacità della memoria della GPU. Per accelerare l'addestramento con più GPU, seguire questi passaggi:

Assicurarsi di avere più GPU disponibili.
Modifica il tuo .yaml file di configurazione per specificare il numero di GPU da utilizzare, ad esempio, gpus: 4.
Aumentare di conseguenza la dimensione del batch per utilizzare appieno le GPU multiple senza superare i limiti di memoria.

Modificare il comando di addestramento per utilizzare più GPU:

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

Parametri di monitoraggio continuo

Problema: Si desidera sapere quali parametri devono essere monitorati continuamente durante l'addestramento, oltre alla loss.

Soluzione: Sebbene la loss sia una metrica cruciale da monitorare, è anche essenziale track altre metriche per l'ottimizzazione delle prestazioni del modello. Alcune metriche chiave da monitorare durante il training includono:

Precisione
Recall
Mean Average Precision (mAP)

È possibile accedere a queste metriche dai log di addestramento o utilizzando strumenti come TensorBoard o wandb per la visualizzazione. L'implementazione dell'early stopping basata su queste metriche può aiutare a ottenere risultati migliori.

Strumenti per il monitoraggio dei progressi dell'addestramento

Problema: Stai cercando consigli sugli strumenti per monitorare l'avanzamento dell'addestramento.

Soluzione: Per track e visualizzare l'avanzamento del training, puoi considerare l'utilizzo dei seguenti strumenti:

TensorBoard: TensorBoard è una scelta popolare per visualizzare le metriche di addestramento, inclusi loss, accuratezza e altro. Puoi integrarlo con il processo di addestramento del tuo YOLO26.
Comet: Comet offre un toolkit completo per il monitoraggio e il confronto degli esperimenti. Consente di monitorare metriche, iperparametri e persino i pesi del modello. L'integrazione con i modelli YOLO è inoltre semplice, fornendo una panoramica completa del ciclo di sperimentazione.
Ultralytics Platform: Ultralytics Platform offre un ambiente specializzato per il tracking dei modelli YOLO, fornendo una piattaforma unica per gestire metriche, dataset e persino collaborare con il tuo team. Dato il suo focus mirato su YOLO, offre opzioni di tracking più personalizzate.

Ciascuno di questi strumenti offre una serie di vantaggi, quindi è consigliabile considerare le esigenze specifiche del progetto al momento di effettuare una scelta.

Come verificare se l'addestramento è in corso sulla GPU

Problema: Il valore 'device' nei log di addestramento è 'null' e non si è certi che l'addestramento stia avvenendo sulla GPU.

Soluzione: Il valore 'device' impostato su 'null' indica in genere che il processo di training è impostato per utilizzare automaticamente una GPU disponibile, che è il comportamento predefinito. Per assicurarsi che il training avvenga su una GPU specifica, è possibile impostare manualmente il valore 'device' sull'indice della GPU (ad esempio, '0' per la prima GPU) nel file di configurazione .yaml:

device: 0

In questo modo, il processo di training verrà assegnato esplicitamente alla GPU specificata. Se si desidera eseguire il training sulla CPU, impostare 'device' su 'cpu'.

Tieni d'occhio la cartella 'runs' per i log e le metriche per monitorare efficacemente l'avanzamento del training.

Considerazioni chiave per un addestramento efficace del modello

Ecco alcune cose da tenere a mente se riscontri problemi relativi al training del modello.

Formato del dataset ed etichette

Importanza: Il fondamento di qualsiasi modello di machine learning risiede nella qualità e nel formato dei dati su cui viene addestrato.
Raccomandazione: Assicurati che il tuo dataset personalizzato e le relative etichette siano conformi al formato previsto. È fondamentale verificare che le annotazioni siano accurate e di alta qualità. Annotazioni errate o scadenti possono far deragliare il processo di apprendimento del modello, portando a risultati imprevedibili.

Convergenza del modello

Importanza: Raggiungere la convergenza del modello garantisce che il modello abbia appreso a sufficienza dai dati di training.
Raccomandazione: Quando si addestra un modello 'da zero', è fondamentale assicurarsi che il modello raggiunga un livello di convergenza soddisfacente. Ciò potrebbe richiedere una durata di training più lunga, con più epoche, rispetto a quando si sta mettendo a punto un modello esistente.

Learning Rate e dimensione del batch

Importanza: Questi iperparametri svolgono un ruolo fondamentale nel determinare come il modello aggiorna i suoi pesi durante il training.
Raccomandazione: Valuta regolarmente se il learning rate e la dimensione del batch scelti sono ottimali per il tuo specifico dataset. Parametri non in armonia con le caratteristiche del dataset possono ostacolare le prestazioni del modello.

Distribuzione delle classi

Importanza: La distribuzione delle classi nel tuo dataset può influenzare le tendenze di previsione del modello.
Raccomandazione: Valuta regolarmente la distribuzione delle classi all'interno del tuo dataset. In caso di squilibrio tra le classi, c'è il rischio che il modello sviluppi una distorsione verso la classe più prevalente. Questa distorsione può essere evidente nella matrice di confusione, dove il modello potrebbe prevedere prevalentemente la classe maggioritaria.

Controllo incrociato con pesi pre-addestrati

Importanza: Sfruttare i pesi pre-addestrati può fornire un solido punto di partenza per il training del modello, soprattutto quando i dati sono limitati.
Raccomandazione: Come passo diagnostico, considera di addestrare il tuo modello utilizzando gli stessi dati, ma inizializzandolo con pesi pre-addestrati. Se questo approccio produce una matrice di confusione ben formata, potrebbe suggerire che il modello 'da zero' potrebbe richiedere ulteriore training o modifiche.

Questa sezione affronterà i problemi comuni riscontrati durante la previsione del modello.

Ottenere Predizioni di Bounding Box con il Tuo Modello Custom YOLO26

Problema: Quando si eseguono previsioni con un modello YOLO26 personalizzato, ci sono sfide con il formato e la visualizzazione delle coordinate dei bounding box.

Soluzione:

Formato delle Coordinate: YOLO26 fornisce le coordinate dei bounding box in valori assoluti di pixel. Per convertirle in coordinate relative (che vanno da 0 a 1), è necessario dividere per le dimensioni dell'immagine. Ad esempio, supponiamo che la dimensione della tua immagine sia 640x640. Allora faresti quanto segue:
```
# 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
```
Nome del file: Per ottenere il nome del file dell'immagine su cui stai eseguendo la previsione, accedi al percorso del file immagine direttamente dall'oggetto risultato all'interno del tuo ciclo di previsione.

Filtrare Oggetti nelle Predizioni YOLO26

Problema: Si riscontrano problemi su come filtrare e visualizzare solo oggetti specifici nei risultati di previsione quando si esegue YOLO26 utilizzando la libreria Ultralytics.

Soluzione: Per detect classi specifiche, utilizzare l'argomento classes per specificare le classi che si desidera includere nell'output. Ad esempio, per detect solo le auto (supponendo che le 'auto' abbiano l'indice di classe 2):

yolo task=detect mode=segment model=yolo26n-seg.pt source='path/to/car.mp4' show=True classes=2

Comprendere le Metriche di Precisione in YOLO26

Problema: Confusione riguardo la differenza tra precisione del box, precisione della maschera e precisione della matrice di confusione in YOLO26.

Soluzione: La precisione della box misura l'accuratezza delle bounding box previste rispetto alle effettive ground truth box utilizzando IoU (Intersection over Union) come metrica. La precisione della mask valuta la concordanza tra le segmentation mask previste e le ground truth mask nella classificazione degli oggetti a livello di pixel. La precisione della matrice di confusione, d'altra parte, si concentra sull'accuratezza complessiva della classificazione tra tutte le classi e non considera l'accuratezza geometrica delle previsioni. È importante notare che una bounding box può essere geometricamente accurata (vero positivo) anche se la previsione della classe è errata, il che porta a differenze tra la precisione della box e la precisione della matrice di confusione. Queste metriche valutano aspetti distinti delle prestazioni di un modello, riflettendo la necessità di diverse metriche di valutazione in vari compiti.

Estrarre le Dimensioni degli Oggetti in YOLO26

Problema: Difficoltà nel recuperare la lunghezza e l'altezza degli oggetti detectati in YOLO26, specialmente quando più oggetti vengono detectati in un'immagine.

Soluzione: Per recuperare le dimensioni dei bounding box, per prima cosa usa il modello Ultralytics YOLO26 per prevedere gli oggetti in un'immagine. Quindi, estrai le informazioni di larghezza e altezza dei bounding box dai risultati della previsione.

from ultralytics import YOLO

# Load a pretrained YOLO26 model
model = YOLO("yolo26n.pt")

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

# Make predictions
results = model.predict(source, save=True, imgsz=320, conf=0.25)

# 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}")

Sfide di implementazione

Problemi di implementazione della GPU

Problema: La distribuzione di modelli in un ambiente multi-GPU a volte può portare a comportamenti inattesi come un utilizzo imprevisto della memoria, risultati incoerenti tra le GPU, ecc.

Soluzione: Verificare l'inizializzazione predefinita della GPU. Alcuni framework, come PyTorch, potrebbero inizializzare le operazioni CUDA su una GPU predefinita prima di passare alle GPU designate. Per evitare inizializzazioni predefinite impreviste, specificare la GPU direttamente durante la distribuzione e la previsione. Quindi, utilizzare strumenti per monitorare l'utilizzo della GPU e della memoria per identificare eventuali anomalie in tempo reale. Inoltre, assicurarsi di utilizzare l'ultima versione del framework o della libreria.

Problemi di conversione/esportazione del modello

Problema: Durante il processo di conversione o esportazione di modelli di machine learning in diversi formati o piattaforme, gli utenti potrebbero riscontrare errori o comportamenti imprevisti.

Soluzione:

Controllo di compatibilità: assicurarsi di utilizzare versioni di librerie e framework compatibili tra loro. Le versioni non corrispondenti possono causare errori imprevisti durante la conversione.
Ripristino dell'ambiente: se si utilizza un ambiente interattivo come Jupyter o Colab, considerare di riavviare l'ambiente dopo aver apportato modifiche o installazioni significative. Un nuovo inizio a volte può risolvere problemi sottostanti.
Documentazione ufficiale: fare sempre riferimento alla documentazione ufficiale dello strumento o della libreria che si sta utilizzando per la conversione. Spesso contiene linee guida specifiche e best practice per l'esportazione del modello.
Supporto della community: controllare il repository ufficiale della libreria o del framework per problemi simili segnalati da altri utenti. I manutentori o la community potrebbero aver fornito soluzioni o workaround nei thread di discussione.
Aggiornare regolarmente: assicurarsi di utilizzare l'ultima versione dello strumento o della libreria. Gli sviluppatori rilasciano frequentemente aggiornamenti che correggono bug noti o migliorano la funzionalità.
Testare in modo incrementale: prima di eseguire una conversione completa, testare il processo con un modello o un set di dati più piccolo per identificare potenziali problemi in anticipo.

Community e supporto

Interagire con una comunità di individui con mentalità simile può migliorare significativamente la tua esperienza e il tuo successo nel lavorare con YOLO26. Di seguito sono riportati alcuni canali e risorse che potresti trovare utili.

Forum e canali per ottenere aiuto

GitHub Issues: Il repository YOLO26 su GitHub ha una sezione Issues dove puoi porre domande, segnalare bug e suggerire nuove funzionalità. La comunità e i manutentori sono attivi qui, ed è un ottimo posto per ottenere aiuto con problemi specifici.

Server Discord di Ultralytics: Ultralytics ha un server Discord dove puoi interagire con altri utenti e gli sviluppatori.

Documentazione e risorse ufficiali

Documentazione Ultralytics YOLO26: La documentazione ufficiale fornisce una panoramica completa di YOLO26, insieme a guide su installazione, utilizzo e risoluzione dei problemi.

Queste risorse dovrebbero fornire una solida base per la risoluzione dei problemi e il miglioramento dei tuoi progetti YOLO26, nonché per connettersi con altri membri della comunità YOLO26.

Conclusione

La risoluzione dei problemi è una parte integrante di qualsiasi processo di sviluppo, ed essere dotati delle giuste conoscenze può ridurre significativamente il tempo e lo sforzo impiegati nella risoluzione dei problemi. Questa guida mirava ad affrontare le sfide più comuni affrontate dagli utenti del modello YOLO26 all'interno dell'ecosistema Ultralytics. Comprendendo e affrontando questi problemi comuni, puoi garantire un progresso più fluido del progetto e ottenere risultati migliori con i tuoi compiti di visione artificiale.

Ricorda, la community di Ultralytics è una risorsa preziosa. Interagire con altri sviluppatori ed esperti può fornire ulteriori approfondimenti e soluzioni che potrebbero non essere trattati nella documentazione standard. Continua sempre a imparare, sperimentare e condividere le tue esperienze per contribuire alla conoscenza collettiva della community.

FAQ

Come posso risolvere gli errori di installazione con YOLO26?

Gli errori di installazione possono spesso essere dovuti a problemi di compatibilità o dipendenze mancanti. Assicurati di utilizzare Python 3.8 o versioni successive e di avere installato PyTorch 1.8 o versioni successive. È utile utilizzare ambienti virtuali per evitare conflitti. Per una guida all'installazione passo passo, segui la nostra guida all'installazione ufficiale. Se riscontri errori di importazione, prova una nuova installazione o aggiorna la libreria all'ultima versione.

Perché il mio modello YOLO26 si addestra lentamente su una singola GPU?

L'addestramento su una singola GPU potrebbe essere lento a causa di batch size elevati o memoria insufficiente. Per accelerare l'addestramento, utilizzare più GPU. Assicurati che il tuo sistema disponga di più GPU disponibili e regola il tuo .yaml file di configurazione per specificare il numero di GPU, ad esempio, gpus: 4. Aumenta di conseguenza la dimensione del batch per utilizzare appieno le GPU senza superare i limiti di memoria. Comando di esempio:

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

Come posso assicurarmi che il mio modello YOLO26 si stia addestrando sulla GPU?

Se il valore 'device' mostra 'null' nei log di addestramento, generalmente significa che il processo di addestramento è impostato per utilizzare automaticamente una GPU disponibile. Per assegnare esplicitamente una GPU specifica, imposta il valore 'device' nel tuo .yaml file di configurazione. Ad esempio:

device: 0

Questo imposta il processo di addestramento sulla prima GPU. Consulta il comando nvidia-smi per confermare la tua configurazione CUDA.

Come posso monitorare e trackare l'avanzamento dell'addestramento del mio modello YOLO26?

Il tracking e la visualizzazione dell'avanzamento dell'addestramento possono essere gestiti in modo efficiente attraverso strumenti come TensorBoard, Comet e Ultralytics Platform. Questi strumenti ti consentono di registrare e visualizzare metriche come loss, precision, recall e mAP. L'implementazione dell'early stopping basata su queste metriche può anche aiutare a ottenere migliori risultati di addestramento.

Cosa devo fare se YOLO26 non riconosce il formato del mio dataset?

Assicurati che il tuo dataset e le etichette siano conformi al formato previsto. Verifica che le annotazioni siano accurate e di alta qualità. In caso di problemi, consulta la guida alla Raccolta e Annotazione dei Dati per le migliori pratiche. Per ulteriori indicazioni specifiche per il dataset, consulta la sezione Dataset nella documentazione.

📅 Creato 2 anni fa ✏️ Aggiornato 5 giorni fa