Başla

Yaygın YOLO Sorunlarını Giderme

YOLO common training and deployment issues

Bu kılavuz, Ultralytics YOLO26 ile çalışırken karşılaşabileceğin en yaygın sorunları, ortaya çıktıkları aşamalara göre ele alır: kurulum, model eğitimi, tahmin ve dağıtım. Hatanla eşleşen kategoriye git veya hızlı yanıtlar için SSS bölümüne göz at. Her başlıkta sorun ve doğrudan uygulayabileceğin somut bir çözüm belirtilir.



İzle: Ultralytics YOLO26 Yaygın Sorunları | Kurulum Hataları, Model Eğitimi Sorunları

Sık Karşılaşılan Sorunlar#

Kurulum Hataları#

Uyumsuz sürümler, eksik bağımlılıklar veya yanlış ortam yapılandırmaları gibi çeşitli nedenlerle kurulum hataları oluşabilir. Önce şunları kontrol et:

  • Python 3.8 veya sonraki bir sürümü kullandığından emin ol.
  • Uyumlu bir PyTorch sürümünün (1.8 veya üzeri) yüklü olduğundan emin ol.
  • Çakışmaları önlemek için sanal ortam kullandığından emin ol.
  • Resmî kurulum kılavuzunu adım adım izle.

Ayrıca, yaygın kurulum sorunlarına yönelik çözümler aşağıda yer alıyor.

Ultralytics'i ve bağımlılıklarını güncel tut

Birçok içe aktarma, GPU ve dışa aktarma hatası yalnızca yükseltme yapılarak giderilebilir. pip install -U ultralytics komutunu çalıştır ve daha derin hata ayıklamaya geçmeden önce PyTorch ve CUDA sürümlerinin uyumlu olduğunu doğrula.

İçe Aktarma Hataları veya Bağımlılık Sorunları#

YOLO26'yı içe aktarırken hata alırsan veya bağımlılık çakışmalarıyla karşılaşırsan şu adımları dene:

  • Temiz Kurulum: Temiz bir kurulumla başlamak, özellikle paket yapısını veya işlevselliğini değiştiren güncellemelerden sonra beklenmedik sorunları çözebilir.
  • Düzenli Güncelleme: Kütüphanenin en son sürümünü kullan; eski sürümler yakın tarihli güncellemelerle uyumlu olmayabilir.
  • Bağımlılıkları Kontrol Et: Gerekli tüm bağımlılıkların doğru yüklendiğini ve uyumlu sürümlerde olduğunu doğrula.
  • Değişiklikleri İncele: Eski bir sürüm yüklediysen önemli yapısal değişiklikleri anlamak için resmî belgelere veya değişiklik günlüğüne başvur.

YOLO26'yı GPU'da Çalıştırma#

YOLO26'yı GPU'da çalıştırırken sorun yaşıyorsan aşağıdaki sorun giderme adımlarını göz önünde bulundur:

  • CUDA Uyumluluğunu ve Kurulumunu Doğrula: GPU'nun CUDA ile uyumlu ve CUDA'nın doğru şekilde yüklü olduğundan emin ol. NVIDIA GPU'nun ve CUDA sürümünün durumunu kontrol etmek için nvidia-smi komutunu kullan.
  • PyTorch ve CUDA Entegrasyonunu Kontrol Et: Python terminalinde import torch; print(torch.cuda.is_available()) komutunu çalıştırarak PyTorch'un CUDA'yı kullanabildiğinden emin ol. True döndürürse PyTorch, CUDA'yı kullanacak şekilde yapılandırılmıştır.
  • Ortamı Etkinleştir: Gerekli tüm paketlerin yüklü olduğu doğru ortamda olduğundan emin ol.
  • Paketlerini Güncelle: Güncel olmayan paketler GPU'nla uyumlu olmayabilir. Paketlerini güncel tut.
  • Program Yapılandırması: Kodunun GPU kullanımını istediğini kontrol et. Eğitim veya tahmin çalıştırırken device bağımsız değişkenini ayarlayabilirsin (örneğin, device=0).
Eski GPU'lar ve cuDNN 9.11.0+

Turing öncesi GPU mimarilerine — hesaplama yeteneği (SM) 7.5'in altında olanlara (örneğin GTX 1080 Ti) — verilen destek cuDNN 9.11.0 sürümünde kaldırıldı. Daha eski bir GPU'da, önceki bir CUDA/cuDNN sürümüne karşı derlenmiş bir PyTorch yapısına ihtiyacın olabilir. Kurulumunu şu komutla kontrol et:

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}")

Model Eğitimi Sorunları#

Yaygın eğitim sorunları ve çözümleri aşağıda ele alınmıştır.

Yapılandırma Ayarlarını Doğrulama#

Sorun: Model eğitimi sırasında .yaml dosyasındaki yapılandırma ayarlarının doğru uygulanıp uygulanmadığından emin değilsin.

Çözüm: Veri kümesi ayarları ve eğitim ayarları farklı .yaml dosyalarında bulunur ve model.train() öğesinin farklı bağımsız değişkenleri üzerinden aktarılır. Bu ayarların doğru uygulandığından emin olmak için şu adımları izle:

  • .yaml dosyalarının yollarının doğru olduğunu doğrula.

  • Veri kümesi .yaml öğesini (yollar, sınıf adları, bölmeler) data bağımsız değişkeni olarak; özel eğitim ayarları .yaml öğesini (örneğin epochs veya lr0) ise cfg bağımsız değişkeni olarak geçir. Doğrudan model.train() öğesine geçirilen bağımsız değişkenler her ikisinden de önceliklidir:

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

Birden Fazla GPU ile Eğitimi Hızlandırma#

Sorun: Tek GPU'da eğitim yavaş ve birden fazla GPU kullanarak süreci hızlandırmak istiyorsun.

Çözüm: Toplu iş boyutunu artırmak eğitimi hızlandırabilir, ancak GPU bellek kapasitesini göz önünde bulundurmak önemlidir. Birden fazla GPU ile eğitimi hızlandırmak için şu adımları izle:

  • Birden fazla GPU'nun kullanılabilir olduğundan emin ol.

  • device bağımsız değişkenini GPU dizinlerinden oluşan bir listeye ayarla; örneğin device=[0,1,2,3].

  • Bellek sınırlarını aşmadan birden fazla GPU'dan tam olarak yararlanmak için toplu iş boyutunu uygun şekilde artır.

  • Birden fazla GPU kullanmak için eğitim komutunu değiştir:

    # Eğitim hızını en iyi duruma getirmek için toplu iş boyutunu ve diğer ayarları gerektiği gibi düzenle
    model.train(data="/path/to/your/data.yaml", batch=32, device=[0, 1, 2, 3])

Sürekli İzlenecek Parametreler#

Sorun: Kayıp değerinin yanı sıra eğitim sırasında hangi parametrelerin sürekli izlenmesi gerektiğini öğrenmek istiyorsun.

Çözüm: Kayıp, izlenmesi gereken önemli bir metrik olsa da model performansını iyileştirmek için diğer metrikleri de takip etmek önemlidir. Eğitim sırasında izlenecek bazı temel metrikler şunlardır:

Bu metriklere eğitim günlüklerinden veya görselleştirme için TensorBoard ya da Weights & Biases gibi araçları kullanarak erişebilirsin. patience eğitim argümanıyla uygulanan erken durdurma (doğrulama performansı 100 epoch boyunca iyileşmediğinde varsayılan olarak durdurma), boşa geçen epoch'ları ve aşırı öğrenmeyi önlemeye yardımcı olur.

Eğitim İlerlemesini İzleme Araçları#

Sorun: Eğitim ilerlemesini izlemek için araç önerileri arıyorsun.

Çözüm: Eğitim ilerlemesini izlemek ve görselleştirmek için aşağıdaki araçları kullanmayı düşünebilirsin:

  • TensorBoard: TensorBoard; kayıp, doğruluk ve daha fazlası dâhil olmak üzere eğitim metriklerini görselleştirmek için popüler bir seçenektir. TensorBoard'u YOLO26 eğitim sürecine entegre edebilirsin.
  • Comet: Comet, deneyleri izlemek ve karşılaştırmak için kapsamlı bir araç takımı sunar. Metrikleri, hiperparametreleri ve hatta model ağırlıklarını izlemeni sağlar. YOLO modelleriyle entegrasyonu da oldukça kolaydır ve deney döngüne ilişkin eksiksiz bir genel bakış sunar.
  • Ultralytics Platform: Ultralytics Platform, YOLO eğitim çalışmalarını veri kümelerin ve modellerinle birlikte izler; böylece metrikleri karşılaştırabilir ve ekibinle tek bir yerde iş birliği yapabilirsin.

Eğitimin GPU'da Gerçekleştiğini Nasıl Kontrol Edersin?#

Sorun: Eğitim günlüklerindeki device değeri null ve eğitimin GPU'da yapılıp yapılmadığından emin değilsin.

Çözüm: null device değeri genellikle eğitim sürecinin kullanılabilir bir GPU'yu otomatik olarak seçecek şekilde ayarlandığı anlamına gelir; bu varsayılan davranıştır. Belirli bir GPU'da eğitim yapmak için eğitimi başlatırken device argümanını ayarla. device bir eğitim argümanıdır; bu nedenle bunu veri kümesi .yaml dosyanda ayarlamanın etkisi olmaz:

from ultralytics import YOLO

# Bir model yükle
model = YOLO("yolo26n.pt")

# GPU 0'ı kullan; birden fazla GPU için device=[0, 1], CPU için device="cpu"
model.train(data="path/to/data.yaml", device=0)

Eğitimin ilerleyişini etkili şekilde izlemek için günlükleri ve metrikleri runs klasöründen takip et.

Etkili Model Eğitimi İçin Temel Hususlar#

Model eğitimiyle ilgili sorunlarla karşılaşıyorsan aşağıdakileri göz önünde bulundur.

Veri Kümesi Biçimi ve Etiketler

  • Önem: Her makine öğrenmesi modelinin temeli, eğitildiği verilerin kalitesine ve biçimine dayanır.
  • Öneri: Özel veri kümenin ve ilişkili etiketlerinin beklenen biçime uygun olduğundan emin ol. Açıklamaların doğru ve yüksek kaliteli olduğunu doğrulamak çok önemlidir. Yanlış veya yetersiz açıklamalar modelin öğrenme sürecini sekteye uğratarak öngörülemeyen sonuçlara yol açabilir.

Modelin Yakınsaması

  • Önem: Modelin yakınsaması, modelin eğitim verilerinden yeterince öğrendiğini gösterir.
  • Öneri: Bir modeli 'sıfırdan' eğitirken modelin tatmin edici bir yakınsama düzeyine ulaşmasını sağlamak çok önemlidir. Bunun için mevcut bir modelde ince ayar yapmaya kıyasla daha uzun eğitim süresi ve daha fazla epoch gerekebilir.

Öğrenme Oranı ve Toplu İş Boyutu

  • Önem: Bu hiperparametreler, modelin eğitim sırasında ağırlıklarını nasıl güncelleyeceğini belirler.
  • Öneri: Seçtiğin öğrenme oranının ve yığın boyutunun veri kümen için uygun olup olmadığını düzenli olarak değerlendir ve daha iyi değerler aramak için hiperparametre ayarlamayı düşün. Veri kümesinin özellikleriyle uyumlu olmayan parametreler modelin performansını olumsuz etkileyebilir.

Sınıf Dağılımı

  • Önem: Veri kümesindeki sınıfların dağılımı, modelin tahmin eğilimlerini etkileyebilir.
  • Öneri: Örneğin bir veri kümesi denetim betiği kullanarak veri kümenizdeki sınıf dağılımını düzenli olarak değerlendir. Bir sınıf dengesizliği varsa modelin daha yaygın sınıfa karşı önyargı geliştirme riski bulunur. Bu önyargı, modelin çoğunluk sınıfını ağırlıklı olarak tahmin edebileceği karışıklık matrisinde görülebilir.

Önceden Eğitilmiş Ağırlıklarla Çapraz Kontrol

  • Önem: Önceden eğitilmiş ağırlıklardan yararlanmak, özellikle veri sınırlı olduğunda model eğitimi için sağlam bir başlangıç sağlayabilir.
  • Öneri: Tanılama adımı olarak aynı verilerle, ancak önceden eğitilmiş ağırlıklarla başlatarak modelini eğitmeyi düşün. Bu yaklaşım düzgün bir karışıklık matrisi verirse 'sıfırdan' eğitilen modelin daha fazla eğitime veya ayarlamaya ihtiyaç duyduğuna işaret edebilir.

Model tahmini sırasında sık karşılaşılan sorunlar ve bunların çözümleri aşağıda ele alınmıştır.

Özel YOLO26 Modelinle Sınırlayıcı Kutu Tahminleri Alma#

Sorun: Özel bir YOLO26 modeliyle tahminler çalıştırırken, sınırlayıcı kutu koordinatlarının biçimi ve görselleştirilmesiyle ilgili zorluklar yaşanıyor.

Çözüm:

  • Koordinat Biçimi: YOLO26, sınırlayıcı kutu koordinatlarını mutlak piksel değerleri olarak sunar. Bunları göreli koordinatlara (0 ile 1 arasında) dönüştürmek için görüntü boyutlarına bölmen gerekir. Örneğin, görüntü boyutun 640x640 ise:

    # Mutlak koordinatları göreli koordinatlara dönüştür
    x1 = x1 / 640  # x koordinatlarını görüntü genişliğine böl
    x2 = x2 / 640
    y1 = y1 / 640  # y koordinatlarını görüntü yüksekliğine böl
    y2 = y2 / 640

    Bunun yerine, zaten normalleştirilmiş koordinatlar döndüren her sonucun boxes.xyxyn veya boxes.xywhn özniteliklerini kullan.

  • Dosya Adı: Tahmin yaptığın görüntünün dosya adını almak için tahmin döngündeki her sonuç nesnesinin path özniteliğinden (örneğin result.path) görüntü dosyasının yolunu oku.

YOLO26 Tahminlerinde Nesneleri Filtreleme#

Sorun: Ultralytics kütüphanesini kullanarak YOLO26 çalıştırırken, tahmin sonuçlarında yalnızca belirli nesnelerin nasıl filtrelenip gösterileceği konusunda sorun yaşanıyor.

Çözüm: Belirli sınıfları algılamak için çıktıda yer almasını istediğin sınıfları belirtmek üzere classes argümanını kullan. Örneğin, yalnızca arabaları algılamak için (COCO'da sınıf indeksi 2):

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

YOLO26'da Kesinlik Ölçütlerini Anlama#

Sorun: YOLO26'da kutu kesinliği, maske kesinliği ve karışıklık matrisi kesinliği arasındaki farkla ilgili kafa karışıklığı.

Çözüm: Kutu kesinliği, tahmin edilen sınırlayıcı kutuların gerçek kutularla ne kadar örtüştüğünü IoU (Birleşim Üzerindeki Kesişim) metriğiyle ölçer. Maske kesinliği, piksel bazında nesne sınıflandırmasında tahmin edilen segmentasyon maskeleri ile gerçek maskelerin ne ölçüde uyuştuğunu değerlendirir. Öte yandan karışıklık matrisi kesinliği, tüm sınıflardaki genel sınıflandırma doğruluğuna odaklanır ve tahminlerin geometrik doğruluğunu dikkate almaz. Bir sınırlayıcı kutunun, sınıf tahmini yanlış olsa bile geometrik olarak doğru (doğru pozitif) olabileceğini ve bunun kutu kesinliği ile karışıklık matrisi kesinliği arasında farklılıklara yol açabileceğini unutmamak önemlidir. Bu metrikler model performansının farklı yönlerini değerlendirir ve çeşitli görevlerde farklı değerlendirme metriklerine ihtiyaç duyulduğunu gösterir.

YOLO26'da Nesne Boyutlarını Çıkarma#

Sorun: YOLO26'da algılanan nesnelerin, özellikle bir görüntüde birden fazla nesne algılandığında, genişlik ve yüksekliğini elde etmede zorluk yaşanması.

Çözüm: Sınırlayıcı kutu boyutlarını almak için önce Ultralytics YOLO26 modelini kullanarak görüntüdeki nesneleri tahmin et. Ardından tahmin sonuçlarındaki sınırlayıcı kutuların genişlik ve yükseklik bilgilerini çıkar.

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}")

Dağıtım Zorlukları#

GPU Dağıtım Sorunları#

Sorun: Modelleri çoklu GPU ortamında dağıtmak bazen beklenmedik davranışlara (örneğin olağandışı bellek kullanımı veya GPU'lar arasında tutarsız sonuçlar) yol açabilir.

Çözüm: Varsayılan GPU başlatmasını kontrol et. PyTorch gibi bazı çerçeveler, belirlenen GPU'lara geçmeden önce CUDA işlemlerini varsayılan bir GPU'da başlatabilir. Beklenmedik varsayılan başlatmaları önlemek için dağıtım ve tahmin sırasında GPU'yu doğrudan belirt. Ardından anormallikleri gerçek zamanlı olarak belirlemek için GPU kullanımını ve bellek tüketimini araçlarla izle. Ayrıca çerçevenin veya kitaplığın en güncel sürümünü kullandığından emin ol.

Model Dönüştürme/Dışa Aktarma Sorunları#

Sorun: Makine öğrenimi modellerini farklı biçimlere veya platformlara dönüştürme ya da dışa aktarma sırasında kullanıcılar hatalarla veya beklenmedik davranışlarla karşılaşabilir.

Çözüm: Dışa aktarma modu belgelerindeki desteklenen biçimleri ve biçime özel seçenekleri incele, ardından şu kontrolleri sırayla yap:

  • Uyumluluk Kontrolü: Birbirleriyle uyumlu kütüphane ve çerçeve sürümlerini kullandığından emin ol. Sürüm uyuşmazlıkları dönüştürme sırasında beklenmedik hatalara yol açabilir.
  • Ortamı Sıfırlama: Jupyter veya Colab gibi etkileşimli bir ortam kullanıyorsan, önemli değişiklikler veya kurulumlar yaptıktan sonra ortamı yeniden başlatmayı düşün. Ortamı yeniden başlatmak bazen temel sorunları çözebilir.
  • Resmî Belgeler: Dönüştürme için kullandığın aracın veya kütüphanenin resmî belgelerine her zaman başvur. Bu belgeler genellikle model dışa aktarmaya yönelik özel yönergeler ve en iyi uygulamaları içerir.
  • Topluluk Desteği: Diğer kullanıcıların benzer sorunlar bildirip bildirmediğini görmek için kütüphane veya çerçevenin resmî deposuna bak. Bakım sorumluları veya topluluk, tartışma başlıklarında çözümler ya da geçici çözümler sunmuş olabilir.
  • Düzenli Güncelle: Aracın veya kütüphanenin en son sürümünü kullandığından emin ol. Geliştiriciler bilinen hataları gideren veya işlevselliği iyileştiren güncellemeleri sık sık yayımlar.
  • Aşamalı Test Et: Dönüştürme işleminin tamamını gerçekleştirmeden önce olası sorunları erkenden belirlemek için süreci daha küçük bir model veya veri kümesiyle test et.

Topluluk ve Destek#

Bu kanallar ve kaynaklar aracılığıyla yardım alıp çözümler paylaş.

Yardım Alabileceğin Forumlar ve Kanallar#

GitHub Issues: Ultralytics'in GitHub deposunda sorular sorabileceğin, hataları bildirebileceğin ve yeni özellikler önerebileceğin bir Issues sekmesi bulunur. Topluluk ve projeyi sürdürenler burada aktiftir; belirli sorunlar için yardım alabileceğin harika bir yerdir.

Ultralytics Discord Sunucusu: Ultralytics, diğer kullanıcılarla ve geliştiricilerle etkileşim kurabileceğin bir Discord sunucusuna sahiptir.

Resmî Belgeler ve Kaynaklar#

Ultralytics YOLO26 Belgeleri: Resmî belgeler, YOLO26'ya ilişkin kapsamlı bir genel bakışın yanı sıra kurulum, kullanım ve sorun giderme kılavuzları sunar.

Sonuç#

YOLO26 sorunlarının çoğu birkaç temel nedene dayanır: sürüm uyuşmazlıkları, veri kümesi biçimlendirmesi ve GPU yapılandırması. Bir hata burada ele alınmadıysa GitHub Issues sekmesinde ara veya Discord sunucusunda sor — muhtemelen birileri sorunu daha önce çözmüştür. Daha derin eğitim sorunları için Model Eğitimi İpuçları kılavuzuna bak; bilgisayarlı görü projelerinde daha iyi sonuçlar elde etmeye yönelik pratik öneriler bulabilirsin.

Sık Sorulan Sorular#

  • Kurulum hataları genellikle uyumluluk sorunlarından veya eksik bağımlılıklardan kaynaklanabilir. Python 3.8 veya üzerini kullandığından ve PyTorch 1.8 veya üzerinin kurulu olduğundan emin ol. Çakışmaları önlemek için sanal ortamları kullanman faydalı olur. Adım adım kurulum kılavuzu için resmî kurulum kılavuzumuzu izle. İçe aktarma hatalarıyla karşılaşırsan temiz bir kurulum yapmayı veya kütüphaneyi en son sürüme güncellemeyi dene.

  • Tek GPU'da eğitim, büyük yığın boyutları veya yetersiz bellek nedeniyle yavaş olabilir. Eğitimi hızlandırmak için birden fazla GPU kullan. Sisteminde birden fazla GPU bulunduğundan emin ol ve device argümanını, örneğin device=[0,1,2,3] değerini ayarla. Bellek sınırlarını aşmadan GPU'lardan tam olarak yararlanmak için yığın boyutunu uygun şekilde artır. Örnek komut:

    model.train(data="/path/to/your/data.yaml", batch=32, device=[0, 1, 2, 3])
  • Eğitim günlüklerinde device değeri null olarak görünüyorsa eğitim süreci genellikle kullanılabilir bir GPU'yu otomatik olarak seçecek şekilde yapılandırılmıştır. Belirli bir GPU atamak için eğitimi başlatırken device argümanını ilet; örneğin ilk GPU için yolo train data=path/to/data.yaml device=0 kullan. CUDA kurulumunu doğrulamak için nvidia-smi komutunu çalıştır.

  • Eğitimin ilerleyişini TensorBoard, Comet ve Ultralytics Platform gibi araçlarla etkili biçimde izleyip görselleştirebilirsin. Bu araçlar kayıp, kesinlik, duyarlılık ve mAP gibi metrikleri kaydedip görselleştirmeni sağlar. Bu metriklere dayalı erken durdurma uygulamak da daha iyi eğitim sonuçları elde etmeye yardımcı olabilir.

  • Veri kümenin ve etiketlerinin beklenen biçime uygun olduğundan emin ol. Ek açıklamaların doğru ve yüksek kaliteli olduğunu doğrula. Sorun yaşarsan en iyi uygulamalar için Veri Toplama ve Ek Açıklama kılavuzuna başvur. Veri kümesine özel daha fazla öneri için belgelerdeki Veri Kümeleri bölümüne bak.

Yorumlar70

Bir soru sor, sonuçlarını paylaş veya başka birine yardım et.

  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.