Bắt đầu

Khắc phục các sự cố YOLO thường gặp

YOLO common training and deployment issues

Hướng dẫn này đề cập đến những vấn đề thường gặp nhất khi làm việc với Ultralytics YOLO26, được nhóm theo giai đoạn phát sinh: cài đặt, huấn luyện model, dự đoán và triển khai. Chuyển đến danh mục phù hợp với lỗi của bạn hoặc xem qua FAQ để tìm câu trả lời nhanh. Mỗi mục nêu rõ vấn đề và cách khắc phục cụ thể mà bạn có thể áp dụng trực tiếp.



Xem: Các vấn đề thường gặp với Ultralytics YOLO26 | Lỗi cài đặt, sự cố huấn luyện model

Các sự cố thường gặp#

Lỗi cài đặt#

Lỗi cài đặt có thể phát sinh do nhiều nguyên nhân, chẳng hạn như phiên bản không tương thích, thiếu dependency hoặc thiết lập môi trường không chính xác. Trước tiên, hãy kiểm tra những điều sau:

  • Bạn đang sử dụng Python 3.8 trở lên.
  • Bạn đã cài đặt phiên bản PyTorch tương thích (1.8 trở lên).
  • Bạn đang sử dụng môi trường ảo để tránh xung đột.
  • Làm theo từng bước trong hướng dẫn cài đặt chính thức.

Ngoài ra, dưới đây là các giải pháp cho những vấn đề cài đặt thường gặp.

Luôn cập nhật Ultralytics và các dependency

Nhiều lỗi import, GPU và export có thể được khắc phục chỉ bằng cách nâng cấp. Chạy pip install -U ultralytics và xác nhận phiên bản PyTorch, CUDA tương thích trước khi tiến hành gỡ lỗi sâu hơn.

Lỗi import hoặc vấn đề về dependency#

Nếu gặp lỗi khi import YOLO26 hoặc xung đột dependency, hãy thử các bước sau:

  • Cài đặt mới: Bắt đầu bằng một lần cài đặt sạch có thể giải quyết các vấn đề ngoài dự kiến, đặc biệt là sau những bản cập nhật làm thay đổi cấu trúc hoặc chức năng của package.
  • Cập nhật thường xuyên: Sử dụng phiên bản thư viện mới nhất, vì các bản phát hành cũ hơn có thể không tương thích với những cập nhật gần đây.
  • Kiểm tra dependency: Xác minh tất cả dependency bắt buộc đã được cài đặt chính xác và có phiên bản tương thích.
  • Xem lại các thay đổi: Nếu bạn đã cài đặt phiên bản cũ, hãy tham khảo tài liệu chính thức hoặc changelog để hiểu những thay đổi lớn về cấu trúc.

Chạy YOLO26 trên GPU#

Nếu gặp sự cố khi chạy YOLO26 trên GPU, hãy cân nhắc các bước khắc phục sau:

  • Xác minh khả năng tương thích và cài đặt CUDA: Đảm bảo GPU của bạn tương thích với CUDA và CUDA đã được cài đặt chính xác. Sử dụng lệnh nvidia-smi để kiểm tra trạng thái GPU NVIDIA và phiên bản CUDA.
  • Kiểm tra tích hợp PyTorch và CUDA: Đảm bảo PyTorch có thể sử dụng CUDA bằng cách chạy import torch; print(torch.cuda.is_available()) trong terminal Python. Nếu lệnh trả về True, PyTorch đã được cấu hình để sử dụng CUDA.
  • Kích hoạt môi trường: Đảm bảo bạn đang ở đúng môi trường, nơi đã cài đặt tất cả package cần thiết.
  • Cập nhật package: Package lỗi thời có thể không tương thích với GPU của bạn. Hãy luôn cập nhật chúng.
  • Cấu hình chương trình: Kiểm tra xem code của bạn có yêu cầu sử dụng GPU hay không. Bạn có thể đặt đối số device khi chạy huấn luyện hoặc dự đoán (ví dụ: device=0).
GPU đời cũ và cuDNN 9.11.0+

Hỗ trợ cho các kiến trúc GPU cũ hơn Turing — compute capability (SM) dưới 7.5, chẳng hạn GTX 1080 Ti — đã bị loại bỏ trong cuDNN 9.11.0. Với GPU đời cũ, bạn có thể cần bản PyTorch được biên dịch bằng phiên bản CUDA/cuDNN cũ hơn. Kiểm tra cấu hình bằng lệnh sau:

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}")

Sự cố khi huấn luyện model#

Dưới đây là các vấn đề huấn luyện thường gặp và cách khắc phục.

Xác minh các thiết lập cấu hình#

Vấn đề: Bạn không chắc các thiết lập cấu hình trong file .yaml có được áp dụng chính xác trong quá trình huấn luyện model hay không.

Giải pháp: Thiết lập dataset và thiết lập huấn luyện nằm trong các file .yaml khác nhau và được truyền qua các đối số khác nhau của model.train(). Để đảm bảo các thiết lập này được áp dụng chính xác, hãy thực hiện các bước sau:

  • Xác nhận đường dẫn đến các file .yaml của bạn là chính xác.

  • Truyền .yaml của dataset (đường dẫn, tên class, các tập dữ liệu) làm đối số data, và file .yaml chứa thiết lập huấn luyện tùy chỉnh (ví dụ: epochs hoặc lr0) làm đối số cfg. Các đối số được truyền trực tiếp vào model.train() sẽ được ưu tiên hơn cả hai:

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

Tăng tốc huấn luyện bằng nhiều GPU#

Vấn đề: Huấn luyện trên một GPU chậm và bạn muốn tăng tốc quá trình bằng nhiều GPU.

Giải pháp: Tăng batch size có thể tăng tốc huấn luyện, nhưng cần cân nhắc dung lượng bộ nhớ GPU. Để tăng tốc huấn luyện bằng nhiều GPU, hãy thực hiện các bước sau:

  • Đảm bảo bạn có nhiều GPU khả dụng.

  • Đặt đối số device thành danh sách chỉ số GPU, ví dụ: device=[0,1,2,3].

  • Tăng batch size tương ứng để tận dụng tối đa nhiều GPU mà không vượt quá giới hạn bộ nhớ.

  • Chỉnh sửa lệnh huấn luyện để sử dụng nhiều GPU:

    # # Điều chỉnh batch size và các thiết lập khác nếu cần để tối ưu tốc độ huấn luyện
    model.train(data="/path/to/your/data.yaml", batch=32, device=[0, 1, 2, 3])

Các tham số cần theo dõi liên tục#

Vấn đề: Bạn muốn biết cần theo dõi liên tục những tham số nào trong quá trình huấn luyện ngoài loss.

Giải pháp: Loss là metric quan trọng cần theo dõi, nhưng việc theo dõi các metric khác để tối ưu hiệu năng model cũng rất cần thiết. Một số metric quan trọng cần theo dõi trong quá trình huấn luyện gồm:

Bạn có thể truy cập các chỉ số này từ log huấn luyện hoặc dùng các công cụ như TensorBoard hay Weights & Biases để trực quan hóa. Dừng sớm bằng đối số huấn luyện patience (mặc định là 100 epoch không có cải thiện validation) giúp tránh lãng phí epoch và overfitting.

Công cụ theo dõi tiến độ huấn luyện#

Vấn đề: Bạn đang tìm kiếm đề xuất về các công cụ theo dõi tiến độ huấn luyện.

Giải pháp: Để theo dõi và trực quan hóa tiến độ huấn luyện, bạn có thể cân nhắc sử dụng các công cụ sau:

  • TensorBoard: TensorBoard là lựa chọn phổ biến để trực quan hóa các metric huấn luyện, bao gồm loss, độ chính xác và nhiều metric khác. Bạn có thể tích hợp TensorBoard vào quy trình huấn luyện YOLO26.
  • Comet: Comet cung cấp bộ công cụ toàn diện để theo dõi và so sánh thí nghiệm. Comet cho phép bạn theo dõi metric, hyperparameter và cả trọng số model. Comet cũng dễ dàng tích hợp với các model YOLO, giúp bạn có cái nhìn tổng quan đầy đủ về chu kỳ thí nghiệm.
  • Ultralytics Platform: Ultralytics Platform theo dõi các lần chạy huấn luyện YOLO cùng với tập dữ liệu và model của bạn, nhờ đó bạn có thể so sánh chỉ số và cộng tác với nhóm tại một nơi.

Cách kiểm tra quá trình huấn luyện có đang chạy trên GPU hay không#

Vấn đề: Giá trị device trong log huấn luyện là null, và bạn không chắc liệu quá trình huấn luyện có đang chạy trên GPU hay không.

Giải pháp: Giá trị device của null thường có nghĩa là quy trình huấn luyện được thiết lập để tự động chọn GPU khả dụng; đây là hành vi mặc định. Để huấn luyện trên một GPU cụ thể, hãy đặt đối số device khi bắt đầu huấn luyện. device là đối số huấn luyện, vì vậy đặt đối số này trong .yaml của tập dữ liệu sẽ không có tác dụng:

from ultralytics import YOLO

# Tải model
model = YOLO("yolo26n.pt")

# # Sử dụng GPU 0; device=[0, 1] cho nhiều GPU, device="cpu" cho CPU
model.train(data="path/to/data.yaml", device=0)

Theo dõi thư mục runs để xem log và chỉ số, qua đó giám sát hiệu quả tiến độ huấn luyện.

Những điểm cần lưu ý để huấn luyện model hiệu quả#

Nếu gặp vấn đề liên quan đến quá trình huấn luyện model, hãy lưu ý những điều sau.

Định dạng dataset và nhãn

  • Tầm quan trọng: Nền tảng của mọi model machine learning nằm ở chất lượng và định dạng của dữ liệu dùng để huấn luyện model.
  • Khuyến nghị: Đảm bảo dataset tùy chỉnh và các nhãn đi kèm tuân theo định dạng yêu cầu. Điều quan trọng là phải xác minh các annotation chính xác và có chất lượng cao. Annotation không chính xác hoặc kém chất lượng có thể làm chệch hướng quá trình học của model, dẫn đến kết quả khó dự đoán.

Hội tụ của model

  • Tầm quan trọng: Đạt được sự hội tụ của model đảm bảo model đã học đầy đủ từ dữ liệu huấn luyện.
  • Khuyến nghị: Khi huấn luyện model 'từ đầu', điều quan trọng là phải đảm bảo model hội tụ đến mức thỏa đáng. Việc này có thể cần thời gian huấn luyện dài hơn, với nhiều epoch hơn so với khi bạn fine-tuning một model hiện có.

Learning Rate và Batch Size

  • Tầm quan trọng: Các hyperparameter này quyết định cách model cập nhật trọng số trong quá trình huấn luyện.
  • Khuyến nghị: Thường xuyên đánh giá xem learning rate và batch size đã chọn có phù hợp với tập dữ liệu cụ thể của bạn hay không, đồng thời cân nhắc tinh chỉnh hyperparameter để tìm giá trị tốt hơn. Các tham số không phù hợp với đặc tính của tập dữ liệu có thể cản trở hiệu suất của model.

Phân bố class

  • Tầm quan trọng: Phân bố class trong dataset có thể ảnh hưởng đến xu hướng dự đoán của model.
  • Khuyến nghị: Thường xuyên đánh giá phân bố các lớp trong tập dữ liệu, chẳng hạn bằng script kiểm tra tập dữ liệu. Nếu có mất cân bằng lớp, model có nguy cơ thiên lệch về lớp phổ biến hơn. Có thể thấy rõ sự thiên lệch này trong ma trận nhầm lẫn, nơi model có thể chủ yếu dự đoán lớp chiếm đa số.

Đối chiếu với trọng số pretrained

  • Tầm quan trọng: Tận dụng pretrained weights có thể tạo điểm khởi đầu vững chắc cho quá trình huấn luyện model, đặc biệt khi dữ liệu còn hạn chế.
  • Khuyến nghị: Để chẩn đoán, hãy cân nhắc huấn luyện model trên cùng dữ liệu nhưng khởi tạo bằng trọng số đã huấn luyện trước. Nếu cách này tạo ra ma trận nhầm lẫn có cấu trúc tốt, điều đó có thể cho thấy model được huấn luyện 'từ đầu' cần được huấn luyện thêm hoặc điều chỉnh.

Dưới đây là các vấn đề thường gặp khi dự đoán bằng model và cách khắc phục.

Lấy dự đoán bounding box bằng model YOLO26 tùy chỉnh#

Vấn đề: Khi chạy dự đoán bằng model YOLO26 tùy chỉnh, bạn có thể gặp khó khăn với định dạng và cách hiển thị tọa độ bounding box.

Giải pháp:

  • Định dạng tọa độ: YOLO26 cung cấp tọa độ bounding box theo giá trị pixel tuyệt đối. Để chuyển đổi sang tọa độ tương đối (nằm trong khoảng từ 0 đến 1), bạn cần chia cho kích thước ảnh. Ví dụ, nếu kích thước ảnh là 640x640:

    # Chuyển tọa độ tuyệt đối thành tọa độ tương đối
    x1 = x1 / 640  # Chia tọa độ x cho chiều rộng ảnh
    x2 = x2 / 640
    y1 = y1 / 640  # Chia tọa độ y cho chiều cao ảnh
    y2 = y2 / 640

    Ngoài ra, hãy sử dụng thuộc tính boxes.xyxyn hoặc boxes.xywhn của từng kết quả; các thuộc tính này đã trả về tọa độ được chuẩn hóa.

  • Tên tệp: Để lấy tên tệp của ảnh đang được dự đoán, hãy đọc đường dẫn tệp ảnh từ thuộc tính path của từng đối tượng kết quả (ví dụ: result.path) trong vòng lặp dự đoán.

Lọc đối tượng trong dự đoán YOLO26#

Vấn đề: Gặp khó khăn khi lọc và chỉ hiển thị một số đối tượng cụ thể trong kết quả dự đoán khi chạy YOLO26 bằng thư viện Ultralytics.

Giải pháp: Để phát hiện các class cụ thể, hãy dùng đối số classes để chỉ định những class cần đưa vào đầu ra. Ví dụ, để chỉ phát hiện ô tô (class index 2 trong COCO):

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

Tìm hiểu các chỉ số precision trong YOLO26#

Vấn đề: Nhầm lẫn về sự khác biệt giữa precision của box, precision của mask và precision của ma trận nhầm lẫn trong YOLO26.

Giải pháp: Precision của box đo độ chính xác của bounding box được dự đoán so với box ground truth thực tế, sử dụng IoU (giao nhau trên hợp) làm chỉ số. Precision của mask đánh giá mức độ khớp giữa mask phân đoạn được dự đoán và mask ground truth trong phân loại đối tượng theo từng pixel. Trong khi đó, precision của ma trận nhầm lẫn tập trung vào độ chính xác phân loại tổng thể trên tất cả các class và không xét độ chính xác hình học của dự đoán. Cần lưu ý rằng một bounding box có thể chính xác về mặt hình học (dương tính đúng) ngay cả khi dự đoán class sai, dẫn đến khác biệt giữa precision của box và precision của ma trận nhầm lẫn. Các chỉ số này đánh giá những khía cạnh riêng biệt trong hiệu suất của model, cho thấy cần có các chỉ số đánh giá khác nhau cho từng tác vụ.

Trích xuất kích thước đối tượng trong YOLO26#

Vấn đề: Khó lấy chiều rộng và chiều cao của các đối tượng được phát hiện trong YOLO26, đặc biệt khi phát hiện nhiều đối tượng trong một ảnh.

Giải pháp: Để lấy kích thước bounding box, trước tiên hãy dùng model Ultralytics YOLO26 để dự đoán đối tượng trong ảnh. Sau đó, trích xuất thông tin chiều rộng và chiều cao của bounding box từ kết quả dự đoán.

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}")

Thách thức khi triển khai#

Vấn đề khi triển khai trên GPU#

Vấn đề: Triển khai model trong môi trường nhiều GPU đôi khi có thể dẫn đến hành vi ngoài dự kiến, chẳng hạn như mức sử dụng bộ nhớ bất thường hoặc kết quả không nhất quán giữa các GPU.

Giải pháp: Kiểm tra việc khởi tạo GPU mặc định. Một số framework như PyTorch có thể khởi tạo các thao tác CUDA trên GPU mặc định trước khi chuyển sang các GPU được chỉ định. Để tránh khởi tạo mặc định ngoài dự kiến, hãy chỉ định trực tiếp GPU trong quá trình triển khai và dự đoán. Sau đó, dùng các công cụ để giám sát mức sử dụng GPU và bộ nhớ nhằm xác định bất thường theo thời gian thực. Đồng thời, đảm bảo bạn đang sử dụng phiên bản mới nhất của framework hoặc thư viện.

Vấn đề khi chuyển đổi/xuất model#

Vấn đề: Trong quá trình chuyển đổi hoặc xuất model machine learning sang các định dạng hay nền tảng khác nhau, người dùng có thể gặp lỗi hoặc hành vi ngoài dự kiến.

Giải pháp: Xem lại các định dạng được hỗ trợ và tùy chọn theo từng định dạng trong tài liệu chế độ Export, sau đó lần lượt kiểm tra các mục sau:

  • Kiểm tra tính tương thích: Đảm bảo bạn đang dùng các phiên bản thư viện và framework tương thích với nhau. Các phiên bản không khớp có thể gây ra lỗi ngoài dự kiến trong quá trình chuyển đổi.
  • Đặt lại môi trường: Nếu đang dùng môi trường tương tác như Jupyter hoặc Colab, hãy cân nhắc khởi động lại môi trường sau khi thực hiện các thay đổi lớn hoặc cài đặt. Khởi động lại từ đầu đôi khi có thể giải quyết các sự cố tiềm ẩn.
  • Tài liệu chính thức: Luôn tham khảo tài liệu chính thức của công cụ hoặc thư viện bạn dùng để chuyển đổi. Tài liệu thường có hướng dẫn cụ thể và các phương pháp tốt nhất để xuất model.
  • Hỗ trợ từ cộng đồng: Kiểm tra kho lưu trữ chính thức của thư viện hoặc framework để tìm các sự cố tương tự do người dùng khác báo cáo. Người duy trì hoặc cộng đồng có thể đã đưa ra giải pháp hay cách khắc phục trong các luồng thảo luận.
  • Cập nhật thường xuyên: Đảm bảo bạn đang dùng phiên bản mới nhất của công cụ hoặc thư viện. Nhà phát triển thường xuyên phát hành bản cập nhật để sửa lỗi đã biết hoặc cải thiện chức năng.
  • Kiểm thử từng bước: Trước khi thực hiện chuyển đổi toàn bộ, hãy thử quy trình với model hoặc tập dữ liệu nhỏ hơn để sớm phát hiện các vấn đề tiềm ẩn.

Cộng đồng và hỗ trợ#

Nhận trợ giúp và chia sẻ giải pháp qua các kênh và tài nguyên sau.

Diễn đàn và kênh hỗ trợ#

GitHub Issues: Repository Ultralytics trên GitHub có tab Issues, nơi bạn có thể đặt câu hỏi, báo lỗi và đề xuất tính năng mới. Cộng đồng và các maintainer thường xuyên hoạt động tại đây, đây cũng là nơi tuyệt vời để nhận trợ giúp cho các vấn đề cụ thể.

Máy chủ Discord của Ultralytics: Ultralytics có máy chủ Discord, nơi bạn có thể trao đổi với những người dùng khác và các nhà phát triển.

Tài liệu và tài nguyên chính thức#

Tài liệu Ultralytics YOLO26: Tài liệu chính thức cung cấp tổng quan toàn diện về YOLO26 cùng hướng dẫn cài đặt, sử dụng và khắc phục sự cố.

Kết luận#

Phần lớn sự cố YOLO26 bắt nguồn từ một số nguyên nhân phổ biến: phiên bản không tương thích, định dạng tập dữ liệu và cấu hình GPU. Nếu gặp lỗi chưa được đề cập ở đây, hãy tìm trong mục GitHub Issues hoặc đặt câu hỏi trên máy chủ Discord — rất có thể đã có người giải quyết vấn đề đó. Nếu gặp vấn đề chuyên sâu hơn về huấn luyện, hãy xem hướng dẫn Mẹo huấn luyện model để tham khảo các lời khuyên thiết thực nhằm đạt kết quả tốt hơn với dự án thị giác máy tính của bạn.

Câu hỏi thường gặp#

  • Lỗi cài đặt thường do vấn đề tương thích hoặc thiếu dependency. Hãy đảm bảo bạn dùng Python 3.8 trở lên và đã cài PyTorch 1.8 trở lên. Nên dùng môi trường ảo để tránh xung đột. Để xem hướng dẫn cài đặt từng bước, hãy làm theo hướng dẫn cài đặt chính thức của chúng tôi. Nếu gặp lỗi import, hãy thử cài đặt lại từ đầu hoặc cập nhật thư viện lên phiên bản mới nhất.

  • Huấn luyện trên một GPU có thể chậm do batch size lớn hoặc không đủ bộ nhớ. Để tăng tốc huấn luyện, hãy dùng nhiều GPU. Đảm bảo hệ thống có nhiều GPU và đặt đối số device, chẳng hạn device=[0,1,2,3]. Tăng batch size tương ứng để tận dụng tối đa GPU mà không vượt quá giới hạn bộ nhớ. Ví dụ lệnh:

    model.train(data="/path/to/your/data.yaml", batch=32, device=[0, 1, 2, 3])
  • Nếu giá trị device hiển thị null trong log huấn luyện, điều đó thường có nghĩa là quy trình huấn luyện được thiết lập để tự động chọn GPU khả dụng. Để chỉ định rõ một GPU cụ thể, hãy truyền đối số device khi bắt đầu huấn luyện, ví dụ yolo train data=path/to/data.yaml device=0 để dùng GPU đầu tiên. Chạy nvidia-smi để xác nhận cấu hình CUDA.

  • Bạn có thể quản lý hiệu quả việc theo dõi và trực quan hóa tiến độ huấn luyện bằng các công cụ như TensorBoard, Comet và Ultralytics Platform. Các công cụ này cho phép ghi lại và trực quan hóa các chỉ số như loss, precision, recall và mAP. Áp dụng dừng sớm dựa trên các chỉ số này cũng có thể giúp cải thiện kết quả huấn luyện.

  • Đảm bảo tập dữ liệu và nhãn tuân theo định dạng dự kiến. Kiểm tra để xác nhận annotation chính xác và có chất lượng cao. Nếu gặp vấn đề, hãy tham khảo hướng dẫn Thu thập và gán nhãn dữ liệu để biết các phương pháp tốt nhất. Để được hướng dẫn cụ thể hơn về tập dữ liệu, hãy xem mục Tập dữ liệu trong tài liệu.

Bình luận70

Đặt câu hỏi, chia sẻ kết quả hoặc giúp đỡ người khác.

  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.