YOLO よくある問題のトラブルシューティング

はじめに

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.

見るんだ： Ultralytics YOLO11 Common Issues | Installation Errors, Model Training Issues

よくある問題

インストールエラー

インストールエラーは、互換性のないバージョン、依存関係の欠落、不適切な環境設定など、さまざまな理由で発生する可能性があります。まず、以下のことを確認してください：

• 推奨されているPython 3.8以降を使用しています。

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

• コンフリクトを避けるため、仮想環境の利用を検討する。

• 公式のインストールガイドに従ってステップバイステップでインストールしてください。

さらに、ユーザーが遭遇した一般的なインストールの問題と、それぞれの解決策をご紹介します：

• 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:

  • 新規インストール：新規インストールから始めることで、予期せぬ問題が解決することがあります。特に、Ultralytics のようなライブラリでは、アップデートによってファイルツリー構造や機能に変更が加えられる可能性があります。

  • 定期的なアップデート：ライブラリの最新バージョンを使用していることを確認してください。古いバージョンは最近のアップデートと互換性がなく、コンフリクトや問題が発生する可能性があります。

  • 依存関係をチェックする：すべての必要な依存関係が正しくインストールされ、互換性のあるバージョンであることを確認します。

  • 変更点の確認最初に古いバージョンをクローンまたはインストールした場合、重要なアップデートがライブラリの構造や機能に影響を与える可能性があることに注意してください。主要な変更点を理解するために、常に公式ドキュメントや変更履歴を参照してください。

  • ライブラリと依存関係を常に最新に保つことは、スムーズでエラーのないエクスペリエンスのために非常に重要であることを忘れないでください。

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

  • CUDA 互換性とインストールを確認する:GPU がCUDA と互換性があり、CUDA が正しくインストールされていることを確認してください。を使用してください。 nvidia-smi コマンドを使用して、NVIDIA GPU とCUDA バージョンのステータスを確認してください。

  • PyTorch とCUDA の統合をチェック:PyTorch がCUDA を利用できるようにする。 import torch; print(torch.cuda.is_available()) をPython 端末で実行する。もし'True'を返せば、PyTorch はCUDA を使うように設定されている。

  • 環境の起動：必要なパッケージがすべてインストールされている正しい環境にいることを確認する。

  • パッケージを更新してください：古いパッケージはあなたのGPU と互換性がないかもしれません。常に更新してください。

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

モデルトレーニングの問題

このセクションでは、トレーニング中に直面する一般的な問題と、それぞれの説明と解決策を取り上げる。

コンフィギュレーション設定の検証

問題:のコンフィギュレーション設定が正しいかどうかわからない。 .yaml ファイルがモデルトレーニング中に正しく適用されているかどうかを確認する。

ソリューション:のコンフィギュレーション設定は .yaml ファイルを適用する必要がある。 model.train() 関数を使用してください。これらの設定が正しく適用されていることを確認するには、以下の手順に従ってください：

• のパスを確認してください。 .yaml 設定ファイルは正しい。
• へのパスを渡してください。 .yaml ファイルを data を呼び出す際の引数である。 model.train()以下のように：

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

マルチGPUによるトレーニングの高速化

課題トレーニングはシングルGPU では時間がかかるため、複数のGPUを使用してプロセスを高速化したい。

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:

• 複数のGPUが利用可能であることを確認してください。

• .yaml設定ファイルを修正して、使用するGPUの数を指定します（例：gpus）：4.

• バッチサイズを適宜大きくして、メモリ制限を超えることなく複数のGPUをフルに活用する。

• 複数のGPUを利用するようにトレーニングコマンドを修正する：

# 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)

連続モニタリング・パラメーター

問題トレーニング中に、損失とは別に、どのパラメーターを継続的にモニターすべきかを知りたい。

解決策損失は監視すべき重要な指標ですが、モデルのパフォーマンスを最適化するためには、他の指標を追跡することも不可欠です。トレーニング中にモニターすべき主な指標には、以下のようなものがあります：

• 精密
• リコール
• Mean Average Precision (mAP)

これらのメトリクスには、トレーニングログからアクセスしたり、TensorBoardやwandbのようなツールを使って可視化することができます。これらのメトリクスに基づいて早期停止を実施することで、より良い結果を得ることができます。

トレーニングの進捗を追跡するツール

問題トレーニングの進捗状況を追跡するための推奨ツールを探している。

解決策トレーニングの進捗状況を追跡し、視覚化するには、以下のツールの使用を検討することができます：

• 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 は、実験の追跡と比較のための広範なツールキットを提供します。メトリクス、ハイパーパラメータ、そしてモデルの重みまで追跡することができます。YOLO モデルとの統合も簡単で、実験サイクルの完全な概要を提供します。
• Ultralytics HUB:Ultralytics HUBは、YOLO モデルのトラッキングに特化した環境を提供し、メトリクスやデータセットの管理、さらにはチームとのコラボレーションをワンストップで行えるプラットフォームを提供する。YOLO に特化しているため、よりカスタマイズされた追跡オプションを提供する。

これらのツールにはそれぞれ利点があるため、プロジェクトの具体的なニーズを考慮して選択するとよいだろう。

トレーニングが行われているかどうかを確認する方法GPU

問題トレーニングログの'device'の値が'null'であり、トレーニングがGPU 。

解決方法device'値が'null'であることは、通常、トレーニング・プロセスが自動的に利用可能なGPU を使用するように設定されていることを意味します（これはデフォルトの動作です）。特定のGPU でトレーニングが行われるようにするには、.yaml 構成ファイルで、'device' 値をGPU のインデックス（例えば、最初のGPU の場合は '0' ）に手動で設定します：

device: 0

これにより、トレーニングプロセスが指定されたGPU に明示的に割り当てられる。CPU でトレーニングしたい場合は、'device' を 'cpu' に設定する。

トレーニングの進捗状況を効果的にモニターするために、「runs」フォルダでログや指標を確認しましょう。

効果的なモデルトレーニングのための主な考慮事項

モデルトレーニングに関する問題に直面している場合、留意すべき点をいくつか挙げてみよう。

データセット・フォーマットとラベル

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

• 推奨カスタム・データセットとそれに関連するラベルが、期待されるフォーマットに従っていることを確認してください。アノテーションが正確で高品質であることを確認することは極めて重要です。不正確なアノテーションや劣悪なアノテーションは、モデルの学習プロセスを狂わせ、予測不可能な結果を招く可能性があります。

モデルの収束

• 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

• 重要である：これらのハイパーパラメータは、学習中にモデルがどのように重みを更新するかを決定する上で極めて重要な役割を果たす。

• 推奨選択した学習レートとバッチサイズが特定のデータセットに最適かどうかを定期的に評価する。データセットの特性と調和していないパラメータは、モデルのパフォーマンスを妨げる可能性がある。

クラス分布

• 重要性データセット内のクラスの分布は、モデルの予測傾向に影響を与えます。

• 推奨データセット内のクラス分布を定期的に評価しましょう。クラスのバランスが悪いと、モデルがより優勢なクラスにバイアスをかける危険性があります。このバイアスは混同行列で明らかになることがあり、そこではモデルが多数派クラスを優勢に予測するかもしれません。

事前訓練された重みとのクロスチェック

• 重要性事前学習された重みを活用することで、特にデータが限られている場合に、モデルトレーニングの確かな出発点を提供することができる。

• 推奨診断のステップとして、同じデータを使ってモデルをトレーニングしますが、事前にトレーニングした重みで初期化することを検討してください。このアプローチで混同行列がうまく形成された場合、「ゼロから」モデルはさらなるトレーニングや調整が必要かもしれないことを示唆します。

モデル予測に関する問題

このセクションでは、モデルの予測中に直面する一般的な問題を取り上げる。

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.

解決策

• 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

• ファイル名：ファイル名：予測している画像のファイル名を取得するには、予測ループ内の結果オブジェクトから直接画像ファイルパスにアクセスします。

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.

解決策特定のクラスを検出するには、class 引数を使用して、出力に含めたいクラスを指定します。例えば、自動車だけを検出する場合（'cars'はクラス・インデックス2を持っていると仮定）：

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}")

配備の課題

GPU 配備の問題

問題マルチGPU 環境でモデルをデプロイすると、予期しないメモリ使用やGPU間で一貫性のない結果など、予期しない動作が発生することがあります。

解決策デフォルトのGPU 初期化をチェックしてください。PyTorch のようないくつかのフレームワークは、指定された GPU に移行する前に、デフォルトのGPU でCUDA 操作を初期化するかもしれません。予期しないデフォルトの初期化を回避するには、デプロイと予測中にGPU を直接指定します。その後、GPU 利用率とメモリ使用量を監視するツールを使用し、リアルタイムで異常を特定します。また、フレームワークまたはライブラリの最新バージョンを使用していることを確認します。

モデル変換/エクスポートの問題

問題機械学習モデルを異なるフォーマットやプラットフォームに変換またはエクスポートする過程で、ユーザーがエラーや予期せぬ動作に遭遇する可能性がある。

解決策

• 互換性のチェック：ライブラリとフレームワークのバージョンが互いに互換性があることを確認してください。バージョンが不一致の場合、変換時に予期せぬエラーが発生する可能性があります。

• 環境のリセット：JupyterやColabのようなインタラクティブ環境を使用している場合、大幅な変更やインストールを行った後は、環境の再起動を検討してください。再出発することで、根本的な問題が解決することがあります。

• 公式ドキュメント：変換に使用するツールやライブラリの公式ドキュメントを常に参照してください。多くの場合、モデルのエクスポートに関する具体的なガイドラインやベストプラクティスが記載されています。

• コミュニティ・サポート：ライブラリやフレームワークの公式リポジトリで、他のユーザーから同様の問題が報告されていないか確認してください。ディスカッションのスレッドで、メンテナやコミュニティが解決策や回避策を提供しているかもしれません。

• 定期的にアップデートする：ツールやライブラリの最新バージョンを使用していることを確認してください。開発者は、既知のバグを修正したり、機能を改善したりするアップデートを頻繁にリリースしています。

• 段階的にテストする：完全な変換を行う前に、小規模なモデルやデータセットでプロセスをテストし、潜在的な問題を早期に特定する。

コミュニティとサポート

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.

ヘルプを得るためのフォーラムとチャンネル

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 Discordサーバー: Ultralytics にはDiscordサーバーがあり、他のユーザーや開発者と交流することができます。

公式文書とリソース

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.

結論

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.

Ultralytics コミュニティは貴重なリソースであることを忘れないでください。仲間の開発者や専門家と関わることで、標準的な文書ではカバーされていないような、さらなる洞察や解決策を得ることができます。コミュニティの集合知に貢献するために、常に学び、実験し、経験を共有し続けてください。

ハッピー・トラブルシューティング

よくあるご質問

How do I resolve installation errors with YOLO11?

インストールエラーは、互換性の問題や依存関係の欠落が原因であることがよくあります。Python 3.8以降を使用し、PyTorch 1.8以降がインストールされていることを確認してください。コンフリクトを避けるために仮想環境を使用することは有益です。ステップバイステップのインストールガイドについては、公式インストールガイドに従ってください。インポートエラーが発生した場合は、新規インストールを試すか、ライブラリを最新バージョンに更新してください。

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

バッチサイズが大きいかメモリが不十分なため、1つのGPU でのトレーニングが遅くなる可能性があります。トレーニングを高速化するには、複数のGPUを使用します。システムに複数のGPUが利用可能であることを確認し .yaml 設定ファイルでGPUの数を指定します、 gpus: 4.バッチサイズを適宜大きくして、メモリ制限を超えることなくGPUをフル活用します。コマンド例：

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?

トレーニングログに「device」の値が「null」と表示されている場合は、通常、トレーニングプロセスが自動的に利用可能なGPU を使用するように設定されていることを意味します。特定のGPU を明示的に割り当てるには、'device' の値を次のように設定します。 .yaml 設定ファイルを参照してください。例えば

device: 0

これにより、トレーニングプロセスが最初のGPU に設定されます。を参照してください。 nvidia-smi コマンドでCUDA のセットアップを確認する。

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?

データセットとラベルが期待されるフォーマットに適合していることを確認する。注釈が正確で高品質であることを確認する。何らかの問題に直面した場合は、「データ収集と注釈」のベストプラクティスを参照してください。データセット固有のガイダンスについては、ドキュメントのデータセットセクションをご覧ください。

📅 Created 11 months ago ✏️ Updated 12 days ago

コメント