Начать

Устранение распространённых проблем с YOLO

YOLO common training and deployment issues

В этом руководстве собраны наиболее распространённые проблемы, с которыми ты можешь столкнуться при работе с Ultralytics YOLO26. Они сгруппированы по этапам: установка, обучение модели, предсказание и развёртывание. Перейди к разделу, соответствующему твоей ошибке, или просмотри раздел часто задаваемых вопросов, чтобы быстро найти ответ. В каждой записи описана проблема и приведён конкретный способ её устранения.



Смотри: Типичные проблемы Ultralytics YOLO26 | Ошибки установки, проблемы с обучением модели

Распространённые проблемы#

Ошибки установки#

Ошибки установки могут возникать по разным причинам: из-за несовместимых версий, отсутствующих зависимостей или неправильной настройки окружения. Для начала проверь следующее:

  • Ты используешь Python 3.8 или новее.
  • У тебя установлена совместимая версия PyTorch (1.8 или новее).
  • Ты используешь виртуальное окружение, чтобы избежать конфликтов.
  • Шаг за шагом следуй официальному руководству по установке.

Кроме того, ниже приведены решения распространённых проблем с установкой.

Обновляй Ultralytics и зависимости

Многие ошибки импорта, GPU и экспорта можно исправить простым обновлением. Запусти pip install -U ultralytics и перед углублённой отладкой убедись, что версии PyTorch и CUDA совместимы.

Ошибки импорта и проблемы с зависимостями#

Если при импорте YOLO26 возникают ошибки или появляются конфликты зависимостей, попробуй выполнить следующие действия:

  • Чистая установка: чистая установка может устранить неожиданные проблемы, особенно после обновлений, меняющих структуру или функциональность пакета.
  • Регулярные обновления: используй последнюю версию библиотеки, так как старые выпуски могут быть несовместимы с недавними обновлениями.
  • Проверь зависимости: убедись, что все необходимые зависимости установлены правильно и имеют совместимые версии.
  • Изучи изменения: если ты установил старую версию, обратись к официальной документации или журналу изменений, чтобы разобраться в существенных изменениях структуры.

Запуск YOLO26 на GPU#

Если у тебя возникли проблемы с запуском YOLO26 на GPU, попробуй выполнить следующие действия:

  • Проверь совместимость с CUDA и её установку: убедись, что твой GPU совместим с CUDA и CUDA установлена правильно. Используй команду nvidia-smi, чтобы проверить состояние GPU NVIDIA и версию CUDA.
  • Проверь интеграцию PyTorch и CUDA: убедись, что PyTorch может использовать CUDA, выполнив import torch; print(torch.cuda.is_available()) в терминале Python. Если команда возвращает True, PyTorch настроен для работы с CUDA.
  • Активация среды: убедись, что находишься в нужной среде, где установлены все необходимые пакеты.
  • Обнови пакеты: устаревшие пакеты могут быть несовместимы с твоим GPU. Поддерживай их в актуальном состоянии.
  • Настройка программы: проверь, запрашивает ли код использование GPU. При запуске обучения или предсказания можно задать аргумент device (например, device=0).
Старые GPU и cuDNN 9.11.0+

Поддержка архитектур GPU старше Turing — с вычислительной возможностью (SM) ниже 7.5, например GTX 1080 Ti, — прекращена в cuDNN 9.11.0. Для старой GPU может понадобиться сборка PyTorch, скомпилированная с более ранней версией CUDA/cuDNN. Проверь свою конфигурацию:

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}")

Проблемы при обучении модели#

Ниже описаны распространённые проблемы при обучении и способы их устранения.

Проверка параметров конфигурации#

Проблема: ты не уверен, что параметры конфигурации в файле .yaml правильно применяются при обучении модели.

Решение: параметры набора данных и параметры обучения хранятся в разных файлах .yaml и передаются через разные аргументы model.train(). Чтобы убедиться, что параметры применяются правильно, выполни следующие действия:

  • Убедись, что пути к файлам .yaml указаны правильно.

  • Передай .yaml набора данных (пути, названия классов, разделение на выборки) как аргумент data, а пользовательские параметры обучения .yaml (например, epochs или lr0) — как аргумент cfg. Аргументы, непосредственно переданные в model.train(), имеют приоритет над обоими:

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

Ускорение обучения с помощью нескольких GPU#

Проблема: обучение на одном GPU идёт медленно, и ты хочешь ускорить процесс, используя несколько GPU.

Решение: увеличение размера батча может ускорить обучение, но важно учитывать объём памяти GPU. Чтобы ускорить обучение с помощью нескольких GPU, выполни следующие действия:

  • Убедись, что у тебя доступны несколько GPU.

  • Задай аргумент device как список индексов GPU, например device=[0,1,2,3].

  • Соответственно увеличь размер батча, чтобы эффективно использовать несколько GPU и не превышать ограничения памяти.

  • Измени команду обучения, чтобы использовать несколько GPU:

    # При необходимости настрой размер батча и другие параметры, чтобы оптимизировать скорость обучения
    model.train(data="/path/to/your/data.yaml", batch=32, device=[0, 1, 2, 3])

Параметры для постоянного мониторинга#

Проблема: ты хочешь знать, за какими параметрами, помимо функции потерь, следует постоянно следить во время обучения.

Решение: функция потерь — важная метрика для мониторинга, но для оптимизации производительности модели также необходимо отслеживать и другие метрики. Вот некоторые ключевые метрики, за которыми стоит следить во время обучения:

Эти метрики доступны в журналах обучения или с помощью таких инструментов визуализации, как TensorBoard и Weights & Biases. Ранняя остановка с аргументом обучения patience (по умолчанию — 100 эпох без улучшения результатов валидации) помогает избежать лишних эпох и переобучения.

Инструменты для отслеживания хода обучения#

Проблема: ты ищешь рекомендации по инструментам для отслеживания хода обучения.

Решение: для отслеживания и визуализации хода обучения можно использовать следующие инструменты:

  • TensorBoard: TensorBoard — популярный инструмент для визуализации метрик обучения, включая функцию потерь, точность и другие показатели. Его можно интегрировать в процесс обучения YOLO26.
  • Comet: Comet предоставляет широкий набор инструментов для отслеживания и сравнения экспериментов. С его помощью можно отслеживать метрики, гиперпараметры и даже веса модели. Интеграция с моделями YOLO также проста и позволяет получить полное представление о цикле эксперимента.
  • Ultralytics Platform: Ultralytics Platform отслеживает запуски обучения YOLO, а также наборы данных и модели, чтобы ты мог сравнивать метрики и сотрудничать с командой в одном месте.

Как проверить, выполняется ли обучение на GPU#

Проблема: значение device в журналах обучения — null, и ты не уверен, выполняется ли обучение на GPU.

Решение: значение device для null обычно означает, что процесс обучения настроен автоматически выбирать доступную GPU — это поведение по умолчанию. Чтобы обучать модель на конкретной GPU, укажи аргумент device при запуске обучения. device — это аргумент обучения, поэтому его указание в файле набора данных .yaml не даст результата:

from ultralytics import YOLO

# Загрузить модель
model = YOLO("yolo26n.pt")

# Используй GPU 0; device=[0, 1] для нескольких GPU, device="cpu" для CPU
model.train(data="path/to/data.yaml", device=0)

Следи за каталогом runs, где хранятся журналы и метрики для эффективного контроля хода обучения.

Ключевые условия эффективного обучения модели#

Если у тебя возникли проблемы с обучением модели, учитывай следующее.

Формат набора данных и разметка

  • Важность: качество и формат данных, на которых обучается модель, лежат в основе любого решения для машинного обучения.
  • Рекомендация: убедись, что пользовательский набор данных и связанные с ним метки соответствуют ожидаемому формату. Важно проверить точность и высокое качество аннотаций. Неверные или некачественные аннотации могут нарушить процесс обучения модели и привести к непредсказуемым результатам.

Сходимость модели

  • Важность: достижение сходимости означает, что модель в достаточной мере обучилась на обучающих данных.
  • Рекомендация: при обучении модели «с нуля» важно добиться удовлетворительной сходимости. Для этого может понадобиться обучать модель дольше и использовать больше эпох, чем при тонкой настройке существующей модели.

Скорость обучения и размер батча

  • Важность: эти гиперпараметры определяют, как модель обновляет веса во время обучения.
  • Рекомендация: регулярно проверяй, подходят ли выбранные скорость обучения и размер пакета твоему набору данных, и рассмотри возможность настройки гиперпараметров, чтобы найти более подходящие значения. Параметры, не соответствующие особенностям набора данных, могут ухудшить производительность модели.

Распределение классов

  • Важность: распределение классов в наборе данных может влиять на предпочтения модели при предсказаниях.
  • Рекомендация: регулярно оценивай распределение классов в наборе данных, например с помощью скрипта аудита набора данных. Если есть дисбаланс классов, модель может сместиться в сторону более распространённого класса. Это смещение может быть заметно на матрице ошибок, где модель будет преимущественно предсказывать класс большинства.

Сверка с предобученными весами

  • Важность: использование предварительно обученных весов может стать надежной отправной точкой для обучения модели, особенно если данных мало.
  • Рекомендация: в качестве диагностического шага обучи модель на тех же данных, но инициализируй её предварительно обученными весами. Если в результате получится правильно сформированная матрица ошибок, возможно, модель, обученная «с нуля», требует дополнительного обучения или настройки.

Ниже описаны распространенные проблемы, возникающие при предсказании с помощью модели, и способы их решения.

Получение предсказаний ограничивающих рамок с помощью собственной модели YOLO26#

Проблема: при выполнении предсказаний с помощью собственной модели YOLO26 возникают сложности с форматом и визуализацией координат ограничивающих рамок.

Решение:

  • Формат координат: YOLO26 возвращает координаты ограничивающих рамок в абсолютных пикселях. Чтобы преобразовать их в относительные координаты (от 0 до 1), нужно разделить координаты на размеры изображения. Например, для изображения размером 640x640:

    # Преобразуй абсолютные координаты в относительные координаты
    x1 = x1 / 640  # Раздели координаты x на ширину изображения
    x2 = x2 / 640
    y1 = y1 / 640  # Раздели координаты y на высоту изображения
    y2 = y2 / 640

    Также можно использовать атрибут boxes.xyxyn или boxes.xywhn каждого результата: они возвращают нормализованные координаты.

  • Имя файла: чтобы получить имя файла изображения, для которого выполняется предсказание, считай путь к файлу изображения из атрибута path каждого объекта результата (например, result.path) внутри цикла предсказания.

Фильтрация объектов в предсказаниях YOLO26#

Проблема: при запуске YOLO26 с библиотекой Ultralytics возникают сложности с фильтрацией и отображением только определенных объектов в результатах предсказания.

Решение: чтобы обнаруживать определённые классы, используй аргумент classes и укажи классы, которые должны попасть в результат. Например, чтобы обнаруживать только автомобили (индекс класса 2 в COCO):

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

Метрики точности в YOLO26#

Проблема: непонятно, чем отличаются точность рамок, точность масок и точность матрицы ошибок в YOLO26.

Решение: точность рамок измеряет точность предсказанных ограничивающих рамок относительно эталонных с помощью метрики IoU (Intersection over Union). Точность масок показывает степень совпадения предсказанных масок сегментации с эталонными масками при классификации объектов по пикселям. Точность матрицы ошибок, в свою очередь, оценивает общую точность классификации для всех классов и не учитывает геометрическую точность предсказаний. Важно отметить, что ограничивающая рамка может быть геометрически точной (истинноположительный результат), даже если предсказан неверный класс, поэтому точность рамок и точность матрицы ошибок могут различаться. Эти метрики оценивают разные стороны производительности модели, что отражает необходимость использовать разные метрики оценки для разных задач.

Извлечение размеров объектов в YOLO26#

Проблема: сложно получить ширину и высоту обнаруженных объектов в YOLO26, особенно когда на изображении обнаружено несколько объектов.

Решение: чтобы получить размеры ограничивающих рамок, сначала используй модель Ultralytics YOLO26, чтобы обнаружить объекты на изображении. Затем извлеки из результатов предсказания ширину и высоту ограничивающих рамок.

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}")

Проблемы развертывания#

Проблемы развертывания на GPU#

Проблема: развёртывание моделей в среде с несколькими GPU иногда приводит к неожиданному поведению, например необычному расходу памяти или различающимся результатам на разных GPU.

Решение: проверь, не происходит ли инициализация GPU по умолчанию. Некоторые фреймворки, например PyTorch, могут инициализировать операции CUDA на GPU по умолчанию до переключения на назначенные GPU. Чтобы избежать неожиданной инициализации по умолчанию, укажи GPU напрямую при развёртывании и запуске предсказаний. Затем используй инструменты мониторинга загрузки GPU и расхода памяти, чтобы выявлять аномалии в реальном времени. Также убедись, что используешь последнюю версию фреймворка или библиотеки.

Проблемы преобразования и экспорта моделей#

Проблема: при преобразовании или экспорте моделей машинного обучения в разные форматы или для разных платформ могут возникать ошибки и неожиданное поведение.

Решение: изучи поддерживаемые форматы и параметры для каждого формата в документации по режиму экспорта, а затем выполни следующие проверки:

  • Проверка совместимости: убедись, что используемые версии библиотек и фреймворков совместимы друг с другом. Несовпадение версий может привести к неожиданным ошибкам при преобразовании.
  • Перезапуск среды: если ты работаешь в интерактивной среде, например Jupyter или Colab, попробуй перезапустить ее после существенных изменений или установки пакетов. Иногда чистый запуск помогает устранить скрытые проблемы.
  • Официальная документация: всегда сверяйся с официальной документацией инструмента или библиотеки, которые используешь для преобразования. В ней часто содержатся конкретные рекомендации и проверенные практики экспорта моделей.
  • Поддержка сообщества: проверь официальный репозиторий библиотеки или фреймворка на наличие похожих проблем, о которых сообщали другие пользователи. Разработчики или участники сообщества могли предложить решения или обходные пути в обсуждениях.
  • Регулярное обновление: убедись, что используешь последнюю версию инструмента или библиотеки. Разработчики часто выпускают обновления, исправляющие известные ошибки и улучшающие функциональность.
  • Постепенное тестирование: прежде чем выполнять полное преобразование, проверь процесс на небольшой модели или наборе данных, чтобы заранее выявить потенциальные проблемы.

Сообщество и поддержка#

Получи помощь и поделись решениями в этих каналах и ресурсах.

Форумы и каналы для получения помощи#

Проблемы на GitHub: В репозитории Ultralytics на GitHub есть вкладка Issues, где ты можешь задавать вопросы, сообщать об ошибках и предлагать новые функции. Участники сообщества и сопровождающие проекта активно общаются там, поэтому это отличное место, чтобы получить помощь с конкретными проблемами.

Сервер Ultralytics в Discord: У Ultralytics есть сервер в Discord, где ты можешь общаться с другими пользователями и разработчиками.

Официальная документация и ресурсы#

Документация Ultralytics YOLO26: официальная документация содержит подробный обзор YOLO26, а также руководства по установке, использованию и устранению неполадок.

Заключение#

Большинство проблем с YOLO26 связано с несколькими распространенными причинами: несовпадением версий, форматом набора данных и настройкой GPU. Если здесь нет ответа на твою ошибку, поищи решение во вкладке GitHub Issues или спроси на сервере Discord — скорее всего, кто-то уже решил эту проблему. Если у тебя возникли более сложные проблемы с обучением, ознакомься с руководством Советы по обучению моделей: в нем собраны практические рекомендации, которые помогут добиться лучших результатов в проектах компьютерного зрения.

Часто задаваемые вопросы#

  • Ошибки установки часто связаны с проблемами совместимости или отсутствующими зависимостями. Убедись, что используешь Python 3.8 или новее и установил PyTorch 1.8 или новее. Чтобы избежать конфликтов, лучше использовать виртуальные окружения. Пошаговые инструкции приведены в нашем официальном руководстве по установке. Если возникают ошибки импорта, попробуй выполнить чистую установку или обновить библиотеку до последней версии.

  • Обучение на одном GPU может идти медленно из-за слишком большого размера пакета или нехватки памяти. Чтобы ускорить обучение, используй несколько GPU. Убедись, что в системе доступно несколько GPU, и укажи аргумент device, например device=[0,1,2,3]. Увеличь размер пакета, чтобы максимально эффективно задействовать GPU и не превысить лимиты памяти. Пример команды:

    model.train(data="/path/to/your/data.yaml", batch=32, device=[0, 1, 2, 3])
  • Если в журналах обучения значение device отображается как null, обычно это означает, что процесс обучения настроен автоматически выбирать доступную GPU. Чтобы явно назначить конкретную GPU, передай аргумент device при запуске обучения, например yolo train data=path/to/data.yaml device=0 для первой GPU. Выполни nvidia-smi, чтобы проверить конфигурацию CUDA.

  • Отслеживать и визуализировать ход обучения удобно с помощью таких инструментов, как TensorBoard, Comet и Ultralytics Platform. С их помощью можно записывать и визуализировать такие метрики, как loss, точность, полнота и mAP. Ранняя остановка на основе этих метрик также может улучшить результаты обучения: ранняя остановка помогает добиться более высокой эффективности.

  • Убедись, что набор данных и метки соответствуют ожидаемому формату. Проверь точность и качество аннотаций. Если возникнут проблемы, ознакомься с руководством Сбор и аннотирование данных, чтобы узнать о проверенных практиках. Дополнительные рекомендации по наборам данных смотри в разделе Наборы данных документации.

Комментарии70

Задай вопрос, поделись результатами или помоги кому-нибудь.

  1. puzzlemindgamesGitHub

    I’ve been working on a browser-based puzzle solver project using Ultralytics YOLO for board and block detection. The model performs quite well locally, but I’m facing some inconsistent detection behavior after deployment and wanted to ask if anyone has experienced something similar.

    Current Stack: • YOLO (Ultralytics) • FastAPI • OpenCV • Python • Deployed on a low-memory cloud instance

    Issue: The model detects larger blocks correctly, but occasionally misses: • tightly packed shapes • small edge blocks • partially overlapping pieces • low-contrast screenshots from mobile devices This mostly happens on compressed screenshots uploaded by users.

    Current Inference Setup: from ultralytics import YOLO

    model = YOLO("best.pt")

    results = model.predict( source=image, imgsz=512, conf=0.35, max_det=100, verbose=False )

    Things I Already Tried • increasing imgsz • lowering confidence threshold • image sharpening with OpenCV • grayscale preprocessing • CLAHE contrast enhancement • retraining with more difficult samples

    Another Problem Memory usage spikes heavily during multiple inference requests. I solved most of it by forcing: WEB_CONCURRENCY=1 and reducing worker duplication, but I’m still curious if there’s a cleaner optimization strategy specifically for lightweight YOLO deployments.

    My Current Observation YOLO performs extremely well on clear geometric patterns, but puzzle-game screenshots seem tricky because: • blocks are visually similar • spacing is minimal • compression artifacts affect edges • mobile screenshots vary massively between devices

    Question Has anyone optimized YOLO specifically for: • grid-based games • puzzle detection • small repeated objects • mobile screenshot analysis

    Would love to hear: • pre-processing suggestions • augmentation ideas • lightweight deployment optimizations • whether segmentation models performed better for you

    For context, this is part of an AI-powered Block Blast solving project I’ve been experimenting with: https://www.aiblockblastsolver.com/ Appreciate any insights from people who’ve worked with similar detection challenges.

    1. Glenn JocherUltralytics

      For tightly packed small objects on compressed mobile screenshots, seg models often outperform pure detect, and the biggest gains usually come from training/inference at higher resolution plus augmentations that mimic JPEG artifacts, blur, scaling, and low contrast from real uploads; for deployment, keep one loaded model per process, warm it up, and use streaming-style inference to limit memory spikes, and if you can share a few failing images plus yolo checks in GitHub Discussions we can help narrow it down further—see Troubleshooting Common YOLO Issues, deployment best practices, and this small object mAP guide.

      1
    2. puzzlemindgamesGitHub

      Thanks for the detailed insights especially the point about segmentation models potentially outperforming pure detection for tightly packed puzzle objects.

      I’ve already started experimenting with stronger augmentation pipelines focused on: • JPEG compression artifacts • motion blur • brightness/contrast variation • slight perspective distortion and surprisingly, that alone improved small-shape consistency more than lowering confidence thresholds did. Furthermore, will explore the related guides and get back here if needed.

      Really appreciate the guidance.

    3. Glenn JocherUltralytics

      Good to hear that helped; the next thing I’d test is size-aware validation plus image tiling for training/inference, since tiny edge pieces often improve more from preserved spatial detail than from further conf tuning alone, and Model Evaluation Insights has a useful section on that.

  2. Mz-HanGitHub

    Hello, I am using the trained yolov26s-seg.pt for small object segmentation. When I set max-det to a value greater than 500, an error occurs. Would you have time to help me with this? Thank you very much!

    torch.cuda.OutOfMemoryError: CUDA out of memory. Tried to allocate4.95GiB (GPU 0;23.99 GiB total capacity;17.39 GiB already allocated; 0 bytes free; 17.65 GiB reserved in total by PyTorch) If reserved memory is >> allocated memory try setting max_split_size_mb to avoid fragmentation. See documentation for Memory Management and PYTORCH_CUDA_ALLOC_CONF

    1. Glenn JocherUltralytics

      That error is expected when max_det is pushed very high for segmentation—memory scales with the number of kept detections (and masks), so max_det>500 can OOM on a 24GB GPU; best next steps are to raise conf, lower imgsz, or keep max_det lower (see the GPU/OOM notes in YOLO common issues troubleshooting). If you think it’s a bug, please paste a text (not screenshot) minimal repro command plus yolo checks output as described in Minimum Reproducible Example.

      yolo task=segment mode=predict model=yolo26s-seg.pt source=your.mp4 imgsz=640 conf=0.4 max_det=300 half=True device=0
      yolo checks

      If reserved memory is much larger than allocated, also try setting this before running Python (then restart your session/kernel):

      export PYTORCH_CUDA_ALLOC_CONF=max_split_size_mb:128
  3. EvelynStockardGitHub

    Troubleshooting common YOLO issues involves checking model configuration, image input size, and environment setup to ensure smooth performance. Many users face errors during training or inference while working with https://yolov8.org/ due to version mismatches or incorrect paths.

  4. dvdfaceGitHub

    I ran into a problem. when I started training by yolo cli, after yolo read train and val dataset, it quited, I can only saw many python process in background, but their cpu usage was zero, gpu usage was zero?

    what's happened? How to figure it out?

    I have tried use python script instead , the same problem occured.

    how to tackle it?

    1. Glenn JocherUltralytics

      @dvdface this sounds like a DataLoader multiprocessing issue that can cause training to hang. Try these solutions in order:

      1. Disable multiprocessing workers by adding workers=0 to your training command:

        yolo train model=yolo11n.pt data=dataset.yaml workers=0
      2. Check your environment - ensure you're using the latest ultralytics version:

        pip install -U ultralytics
      3. Verify GPU setup - test if CUDA is working properly:

        import torch
        print(torch.cuda.is_available())
      4. Try a fresh environment - create a new virtual environment and reinstall dependencies if the above doesn't work.

      The workers=0 fix usually resolves hanging issues during training initialization. Let me know if this helps!

  5. sjocnjfjdGitHub

    I have looled  the issue  guides,but I can not find what I  want to solve my problem

    ---Original--- From: "Glenn @.> Date: Sat, Dec 7, 2024 01:27 AM To: @.>; Cc: @.@.>; Subject: Re: [ultralytics/ultralytics] zh/guides/yolo-common-issues/(Discussion #11739)

    @sjocnjfjd your YAML file seems mostly correct, but be cautious with the file path formatting. Replace D:python新建文件夹 (2)/hakusenninnshiki.v2i.yolov11/lane.yaml with a properly formatted path (e.g., D:/python/新建文件夹 (2)/hakusenninnshiki.v2i.yolov11/lane.yaml). Ensure all dataset paths are accessible and the Roboflow url is valid. If issues persist, refer to the YOLO Common Issues guide for troubleshooting.

    — Reply to this email directly, view it on GitHub, or unsubscribe. You are receiving this because you were mentioned.Message ID: @.***>

    1. Glenn JocherUltralytics

      @sjocnjfjd thank you for your comment. If you've already reviewed the issue guides and couldn't find a solution, please provide specific details about your problem, such as the error message or unexpected behavior you're encountering. This will help us assist you more effectively. Additionally, you can reference the YOLO Common Issues guide for further troubleshooting. Let us know how we can assist!

  6. sjocnjfjdGitHub

    it is my.yaml: path: D:python新建文件夹 (2)/hakusenninnshiki.v2i.yolov11/lane.yaml train: images/train val: images/val test: images/test

    nc: 1 names: ['hakusen']

    roboflow:   workspace: kitazonoken   project: hakusenninnshiki   version: 2   license: CC BY 4.0   url: https://universe.roboflow.com/kitazonoken/hakusenninnshiki/dataset/2 is it right ?

    ---Original--- From: "Glenn @.> Date: Fri, Dec 6, 2024 23:59 PM To: @.>; Cc: @.@.>; Subject: Re: [ultralytics/ultralytics] zh/guides/yolo-common-issues/(Discussion #11739)

    @sjocnjfjd the error indicates a file path issue. Ensure your data parameter points to the correct yaml file and check that the dataset paths defined in the yaml file are valid and accessible. For guidance on dataset preparation and troubleshooting, refer to YOLO Common Issues. Let us know if you need further clarification!

    — Reply to this email directly, view it on GitHub, or unsubscribe. You are receiving this because you were mentioned.Message ID: @.***>

    1. Glenn JocherUltralytics

      @sjocnjfjd your YAML file seems mostly correct, but be cautious with the file path formatting. Replace D:python新建文件夹 (2)/hakusenninnshiki.v2i.yolov11/lane.yaml with a properly formatted path (e.g., D:/python/新建文件夹 (2)/hakusenninnshiki.v2i.yolov11/lane.yaml). Ensure all dataset paths are accessible and the Roboflow url is valid. If issues persist, refer to the YOLO Common Issues guide for troubleshooting.

  7. sjocnjfjdGitHub

    100 epochs completed in 0.146 hours. Optimizer stripped from runs/detect/train/weights/last.pt, 5.5MB Optimizer stripped from runs/detect/train/weights/best.pt, 5.5MB

    Validating runs/detect/train/weights/best.pt... Ultralytics 8.3.44 🚀 Python-3.10.12 torch-2.5.1+cu121 CUDA:0 (Tesla T4, 15102MiB) YOLO11n summary (fused): 238 layers, 2,582,347 parameters, 0 gradients, 6.3 GFLOPs

    FileNotFoundError Traceback (most recent call last) in <cell line: 4>() 2 3 model = YOLO('https://hub.ultralytics.com/models/kYDnuTY9JD3hHyFdnc5T') ----> 4 results = model.train(data='"D://python//新建文件夹 (2)//hakusenninnshiki.v2i.yolov11//lane.yaml"', project='runs/train', name='exp', epochs=100)

    6 frames /usr/local/lib/python3.10/dist-packages/ultralytics/data/utils.py in check_det_dataset(dataset, autodownload) 327 else: 328 m += f"\nNote dataset download directory is '{DATASETS_DIR}'. You can update this in '{SETTINGS_FILE}'" --> 329 raise FileNotFoundError(m) 330 t = time.time() 331 r = None # success

    FileNotFoundError: Dataset '/content/datasets/lane/lane.yaml' images not found ⚠️, missing path '/content/datasets/D:python新/建文件夹 (2)/hakusenninnshiki.v2i.yolov11/lane.yaml/images/val' Note dataset download directory is '/content/datasets'. You can update this in '/root/.config/Ultralytics/settings.json' why can i deploy

    1. Glenn JocherUltralytics

      @sjocnjfjd the error indicates a file path issue. Ensure your data parameter points to the correct yaml file and check that the dataset paths defined in the yaml file are valid and accessible. For guidance on dataset preparation and troubleshooting, refer to YOLO Common Issues. Let us know if you need further clarification!

  8. tylerfrisinger01GitHub

    is it possible that YOLOv11 will take a lot longer to train compared to YOLOv8? My model is currently doing about 1 epoch every hour and a half. I currently have it so it will do 300 epochs as recommended on the training page. Should i switch to YOLOv8 instead?

    1. tylerfrisinger01GitHub

      Is there anything I can do to increase the speed of training either v8 or v11? At this point I’m concerned it may take days. Should I only do 100 epochs the first training round and then train it again at 100? And again and again?

  9. xsvebmxGitHub

    Please help (

    cmd> yolo task=detect mode=train model=yolov8s.pt data=data_custom.yaml epochs=50 imgsz=640 batch=8

    train: Scanning X:\Desktop\NNXTSSS\train\labels.cache... 1 images, 12 backgrounds, 0 corrupt: 100%|██████████| 12/12 [00:00<?, ?it/s] WARNING ⚠️ No labels found in X:\Desktop\NNXTSSS\train\labels.cache, training may not work correctly. See https://docs.ultralytics.com/datasets for dataset formatting guidance. val: Scanning X:\Desktop\NNXTSSS\val\labels.cache... 0 images, 5 backgrounds, 0 corrupt: 100%|██████████| 5/5 [00:00<?, ?it/s] WARNING ⚠️ No labels found in X:\Desktop\NNXTSSS\val\labels.cache, training may not work correctly. See https://docs.ultralytics.com/datasets for dataset formatting guidance. Plotting labels to runs\detect\train7\labels.jpg... zero-size array to reduction operation maximum which has no identity

    WARNING ⚠️ no labels found in detect set, can not compute metrics without labels

      Epoch    GPU_mem   box_loss   cls_loss   dfl_loss  Instances       Size
       2/50      2.02G          0      210.6          0          0        640: 100%|██████████| 2/2 [00:02<00:00,  1.45s/it]
                 Class     Images  Instances      Box(P          R      mAP50  mAP50-95):   0%|          | 0/1 [00:00<?, ?it/s]

    files

    data_custom.yaml

    val: X:/Desktop/NNXTSSS/val
    nc: 1
    
    names: ["hat"]```
    1. Glenn JocherUltralytics

      @xsvebmx it seems like there are no labels found in your dataset, which is causing the training issues. Please ensure that your label files are correctly formatted and located in the specified directories. You can refer to the dataset formatting guide at https://docs.ultralytics.com/datasets for more details. If the issue persists, double-check the paths in your data_custom.yaml file to ensure they point to the correct locations.

      1
    2. xsvebmxGitHub

      I was stupid , I compiled the data set incorrectly, and because of this, an error was issued, Thank you for support😁 (i wanna sleep😭)

  10. ManojShakyaGitHub

    Subject: Issue with False Object Detections in YOLOv8 Pre-Trained Model

    Dear Ultralytics Team,

    I am encountering an issue while using a pre-trained YOLOv8 model for object detection. When I input an image containing two objects, such as a cat and a dog, the model unexpectedly detects multiple other objects like a keyboard, sheep, car, train, bus, and more—none of which are actually present in the image and with 100 percentage probability score.

    Could you please provide guidance on how to resolve this issue? Any advice or recommendations would be greatly appreciated.

    1. Glenn JocherUltralytics

      @ManojShakya thank you for reaching out. It sounds like there might be an issue with the model's confidence threshold or potential data inconsistencies. First, ensure you're using the latest version of the YOLOv8 package. If the issue persists, try adjusting the confidence threshold to filter out low-confidence detections. Additionally, verify that your input images and annotations are correctly formatted. For more detailed troubleshooting, please refer to our Common Issues Guide.