Başla

Hata Raporları için Minimum Tekrarlanabilir Örnek Oluşturma

Ultralytics YOLO depoları için hata raporu gönderirken Minimum Tekrarlanabilir Örnek (MRE) sunman çok önemlidir. MRE, karşılaştığın sorunu gösteren, küçük ve kendi başına yeterli bir kod parçasıdır. MRE sunmak, bakımcıların ve katkıda bulunanların sorunu anlamasına ve daha verimli şekilde çözüm üzerinde çalışmasına yardımcı olur. Bu kılavuz, Ultralytics YOLO depolarına hata raporu gönderirken MRE'nin nasıl oluşturulacağını açıklar.

1. Sorunu Yalıt#

MRE oluşturmanın ilk adımı sorunu yalıtmaktır. Sorunla doğrudan ilgili olmayan gereksiz kodları veya bağımlılıkları kaldır. Soruna yol açan belirli kod bölümüne odaklan ve ilgisiz kısımları çıkar.

2. Herkese Açık Modeller ve Veri Kümeleri Kullan#

Bir MRE oluştururken sorunu yeniden üretmek için herkese açık model ve veri kümelerini kullan. Örneğin YOLO26n modelini (yolo26n.pt) ve COCO8 veri kümesini (coco8.yaml) kullan. Böylece bakım sorumluları ve katkıda bulunanlar, özel verilere veya özel modellere erişmeleri gerekmeden örneğini kolayca çalıştırabilir ve sorunu inceleyebilir.

3. Gerekli Tüm Bağımlılıkları Ekle#

Gerekli tüm bağımlılıkların MRE'ye dahil edildiğinden emin ol. Kodun harici kitaplıklara dayanıyorsa gerekli paketleri ve sürümlerini belirt. İdeal olarak, ultralytics yüklüyse hata raporunda bağımlılıkları yolo checks kullanarak, diğer araçlar içinse pip list kullanarak listele.

4. Sorunu Açıkça Açıkla#

Karşılaştığın sorunu açık ve öz bir şekilde açıkla. Beklenen davranışı ve karşılaştığın gerçek davranışı belirt. Uygunsa ilgili hata mesajlarını veya günlük kayıtlarını ekle.

5. Kodunu Doğru Biçimlendir#

Kodunu, sorun açıklamasında kod blokları kullanarak doğru biçimlendir. Böylece başkalarının kodunu okuması ve anlaması kolaylaşır. GitHub'da kodunu üçlü ters tırnaklarla (```) çevreleyip dili belirterek kod bloğu oluşturabilirsin:

```python
# Your Python code goes here
```

6. MRE'ni Test Et#

MRE'ni göndermeden önce, sorunu doğru şekilde yeniden ürettiğinden emin olmak için test et. Başkalarının örneğini herhangi bir sorunla karşılaşmadan veya değişiklik yapmadan çalıştırabildiğinden emin ol.

MRE Örneği#

Varsayımsal bir hata raporu için MRE örneği:

Hata açıklaması:

0 kanallı bir görüntü üzerinde çıkarım çalıştırırken girdi tensörünün boyutlarıyla ilgili bir hata alıyorum.

MRE:

import torch

from ultralytics import YOLO

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

# 0 kanallı bir görüntü yükle
image = torch.rand(1, 0, 640, 640)

# Modeli çalıştır
results = model(image)

Hata mesajı:

RuntimeError: Expected input[1, 0, 640, 640] to have 3 channels, but got 0 channels instead

Bağımlılıklar:

  • torch==2.8.0
  • ultralytics==8.4.142

Bu örnekte MRE, sorunu en az miktarda kodla gösteriyor, herkese açık bir model ("yolo26n.pt") kullanıyor, gerekli tüm bağımlılıkları içeriyor ve hata mesajıyla birlikte sorunun açık bir açıklamasını sunuyor.

Bu yönergeleri izleyerek Ultralytics YOLO depolarının bakım sorumlularının ve katkıda bulunanlarının sorununu daha verimli anlamasına ve çözmesine yardımcı olursun.

Sık Sorulan Sorular#

  • Ultralytics YOLO depolarındaki hata raporları için etkili bir Minimum Tekrarlanabilir Örnek (MRE) oluşturmak için şu adımları izle:

    1. Sorunu Yalıt: Sorunla doğrudan ilgili olmayan kodları veya bağımlılıkları kaldır.
    2. Herkese Açık Modeller ve Veri Kümeleri Kullan: Yeniden üretimi kolaylaştırmak için yolo26n.pt ve coco8.yaml gibi herkese açık kaynaklardan yararlan.
    3. Gerekli Tüm Bağımlılıkları Ekle: Gerekli paketleri ve sürümlerini belirt. ultralytics yüklüyse bağımlılıkları yolo checks kullanarak, değilse pip list kullanarak listeleyebilirsin.
    4. Sorunu Açıkça Açıkla: Hata mesajları veya günlük kayıtları da dahil olmak üzere beklenen ve gerçekleşen davranışı açıkla.
    5. Kodunu Doğru Biçimlendir: Kodunun okunmasını kolaylaştırmak için kod blokları kullan.
    6. MRE'ni Test Et: MRE'nin sorunu değişiklik gerektirmeden yeniden ürettiğinden emin ol.

    Ayrıntılı bir kılavuz için Minimum Tekrarlanabilir Örnek Oluşturma sayfasına bak.

  • MRE'nde herkese açık modeller ve veri kümeleri kullanman, bakımcıların özel verilere erişmeleri gerekmeden örneğini kolayca çalıştırabilmesini sağlar. Bu da sorunların daha hızlı ve verimli çözülmesine olanak tanır. Örneğin, yolo26n.pt modelini ve coco8.yaml veri kümesini kullanmak hata ayıklama sürecini standartlaştırmaya ve basitleştirmeye yardımcı olur. Herkese açık modeller ve veri kümeleri hakkında daha fazla bilgi için Herkese Açık Modeller ve Veri Kümeleri Kullan bölümüne bak.

  • Ultralytics YOLO için kapsamlı bir hata raporunda şunlar bulunmalıdır:

    • Açık Açıklama: Sorunu, beklenen davranışı ve gerçekleşen davranışı açıkla.
    • Hata Mesajları: İlgili hata mesajlarını veya günlük kayıtlarını ekle.
    • Bağımlılıklar: Gerekli bağımlılıkları ve sürümlerini listele.
    • MRE: Minimum Tekrarlanabilir Örnek sun.
    • Yeniden Üretme Adımları: Sorunu yeniden üretmek için gereken adımları belirt.

    Eksiksiz bir kontrol listesi için Sorunu Açıkça Açıkla bölümüne bak.

  • GitHub'da hata raporu gönderirken kodunu doğru biçimlendirmek için:

    • Kod blokları oluşturmak için üçlü ters tırnakları (```) kullan.
    • Sözdizimi vurgulaması için programlama dilini belirt; ör. ```python.
    • Okunabilirlik için kodunun doğru girintilendiğinden emin ol.

    Örnek:

    ```python
    # Your Python code goes here
    ```

    Kod biçimlendirmeyle ilgili daha fazla ipucu için Kodunu Doğru Biçimlendir bölümüne bak.

  • MRE'ni göndermeden önce şunları kontrol et:

    • Sorunun yeniden üretilebildiğini doğrula.
    • Tüm bağımlılıkların listelendiğinden ve doğru olduğundan emin ol.
    • Gereksiz kodları kaldır.
    • MRE'yi, sorunu değişiklik yapmadan yeniden ürettiğinden emin olmak için test et.

    Ayrıntılı bir kontrol listesi için MRE'ni Test Et bölümünü ziyaret et.

Katkıda Bulunanlar

Yorumlar5

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

  1. AVON257GitHub

    Thanks for this, I'll get back to you as soon as I can, although it was the lvis dataset that produced these errors.

    Does that make any difference?

    On Wed, 26 Feb 2025, 17:00 Glenn Jocher, @.***> wrote:

    @AVON257 https://github.com/AVON257 hi Tom, thanks for reporting this. To help us investigate, please create a Minimum Reproducible Example using the COCO8-OBB dataset and share your exact training/validation commands, dependency versions (yolo checks), and complete error logs. The validation logic is handled in the Val mode - you can review the source code in the Ultralytics repository.

    For potential contributions, we welcome PRs that follow our Contributing Guide including signed CLA and Google-style docstrings. The community will appreciate your improvements to YOLO compatibility across hardware platforms.

    — Reply to this email directly, view it on GitHub https://github.com/orgs/ultralytics/discussions/19445#discussioncomment-12328645, or unsubscribe https://github.com/notifications/unsubscribe-auth/AMWQGN6XUAOONBP7JBOKO7L2RXXLTAVCNFSM6AAAAABX5TFNQWVHI2DSMVQWIX3LMV43URDJONRXK43TNFXW4Q3PNVWWK3TUHMYTEMZSHA3DINI . You are receiving this because you were mentioned.Message ID: @.*** com>

    1. Glenn JocherUltralytics

      @AVON257 hi there! While the LVIS dataset context is helpful, we still need a Minimum Reproducible Example with the COCO8-OBB dataset (or another public dataset) to efficiently investigate this issue. Please share your exact training/validation commands, yolo checks output, and full error traceback when using a public dataset. This standardized approach helps us resolve issues faster for everyone. For MRE guidelines, see Creating a Minimum Reproducible Example. 😊

  2. AVON257GitHub

    Hi, I'd just like to mention that I have found a bug on the validation model (if it is a bug), where when I train a nano sized OBB model on YOLO 12 unfortunately it either produces Nan's during training or it won't validate on my RTX3090, even though it isn't showing that it's using too much memory when I try it with any batch size.

    Any ideas on this?

    Thanks,

    Tom T.

    P.S. I am actively working on combining this with quantum circuits but in order to do that, I need to be able to test it against the classical baseline, and curiously it seems okay on Colab when I tried it on an A100 but not on my RTX3090.

    P.P.S. I would very much like to submit a commit to you once I finish my current work on the latest version of Ultralytics if you don't mind, although I should tell you that it will only work with optimal performance on Nvidia hardware at the moment. It can work on other things too, it just won't work as fast that way.

    1. AVON257GitHub

      In fact I would debug it myself if I could figure out which part of ultralytics deals with validation, any ideas?

    2. Glenn JocherUltralytics

      @AVON257 hi Tom, thanks for reporting this. To help us investigate, please create a Minimum Reproducible Example using the COCO8-OBB dataset and share your exact training/validation commands, dependency versions (yolo checks), and complete error logs. The validation logic is handled in the Val mode - you can review the source code in the Ultralytics repository.

      For potential contributions, we welcome PRs that follow our Contributing Guide including signed CLA and Google-style docstrings. The community will appreciate your improvements to YOLO compatibility across hardware platforms.