Xử lý sự cố chung YOLO Vấn đề

Q: How can I monitor and track my YOLO11 model training progress?

Việc theo dõi và trực quan hóa tiến trình đào tạo có thể được quản lý hiệu quả thông qua các công cụ như TensorBoard, Comet , Và Ultralytics HUB. Các công cụ này cho phép bạn ghi lại và trực quan hóa các số liệu như mất mát, độ chính xác, thu hồi và mAP. Việc triển khai dừng sớm dựa trên các số liệu này cũng có thể giúp đạt được kết quả đào tạo tốt hơn.

YOLO Các vấn đề phổ biến Hình ảnh

Giới thiệu

Hướng dẫn này đóng vai trò là trợ giúp toàn diện để khắc phục các sự cố thường gặp khi làm việc với YOLO11 trên của bạn Ultralytics dự án. Việc giải quyết những vấn đề này có thể trở nên dễ dàng với sự hướng dẫn đúng đắn, đảm bảo dự án của bạn vẫn đi đúng hướng mà không bị chậm trễ không cần thiết.

Đồng hồ: Ultralytics YOLO11 Các vấn đề thường gặp | Lỗi cài đặt, Các vấn đề đào tạo mô hình

Các vấn đề thường gặp

Lỗi cài đặt

Lỗi cài đặt có thể phát sinh do nhiều lý do, chẳng hạn như phiên bản không tương thích, thiếu phụ thuộc hoặc thiết lập môi trường không chính xác. Trước tiên, hãy kiểm tra để đảm bảo bạn đang thực hiện các thao tác sau:

Bạn đang sử dụng Python 3.8 hoặc phiên bản mới hơn theo khuyến nghị.
Đảm bảo rằng bạn đã cài đặt đúng phiên bản PyTorch (1.8 trở lên).
Hãy cân nhắc sử dụng môi trường ảo để tránh xung đột.
Thực hiện theo hướng dẫn cài đặt chính thức từng bước.

Ngoài ra, sau đây là một số sự cố cài đặt phổ biến mà người dùng gặp phải cùng với giải pháp tương ứng:

Lỗi nhập hoặc sự cố phụ thuộc - Nếu bạn gặp lỗi trong quá trình nhập YOLO11 hoặc bạn đang gặp sự cố liên quan đến sự phụ thuộc, hãy cân nhắc các bước khắc phục sự cố sau:
- Cài đặt mới : Đôi khi, bắt đầu với một cài đặt mới có thể giải quyết các vấn đề bất ngờ. Đặc biệt là với các thư viện như Ultralytics , trong đó các bản cập nhật có thể gây ra những thay đổi về cấu trúc cây tệp hoặc chức năng.
- Cập nhật thường xuyên : Đảm bảo bạn đang sử dụng phiên bản mới nhất của thư viện. Các phiên bản cũ hơn có thể không tương thích với các bản cập nhật gần đây, dẫn đến xung đột hoặc sự cố tiềm ẩn.
- Kiểm tra các phụ thuộc : Xác minh rằng tất cả các phụ thuộc bắt buộc đều được cài đặt đúng và có phiên bản tương thích.
- Xem lại các thay đổi : Nếu ban đầu bạn đã sao chép hoặc cài đặt phiên bản cũ hơn, hãy lưu ý rằng các bản cập nhật quan trọng có thể ảnh hưởng đến cấu trúc hoặc chức năng của thư viện. Luôn tham khảo tài liệu chính thức hoặc nhật ký thay đổi để hiểu bất kỳ thay đổi lớn nào.
- Hãy nhớ rằng việc cập nhật thư viện và các thành phần phụ thuộc là rất quan trọng để có trải nghiệm mượt mà và không có lỗi.
Đang chạy YOLO11 TRÊN GPU - Nếu bạn đang gặp khó khăn khi chạy YOLO11 TRÊN GPU , hãy xem xét các bước khắc phục sự cố sau:
- Xác minh CUDA Khả năng tương thích và cài đặt: Đảm bảo của bạn GPU là CUDA tương thích và rằng CUDA được cài đặt đúng cách. Sử dụng nvidia-smi lệnh để kiểm tra trạng thái của bạn NVIDIA GPU Và CUDA phiên bản.
- Kiểm tra PyTorch Và CUDA Tích hợp: Đảm bảo PyTorch có thể sử dụng CUDA bằng cách chạy import torch; print(torch.cuda.is_available()) trong một Python terminal. Nếu nó trả về 'True', PyTorch được thiết lập để sử dụng CUDA .
- Kích hoạt môi trường : Đảm bảo bạn đang ở đúng môi trường có cài đặt tất cả các gói cần thiết.
- Cập nhật các gói của bạn : Các gói lỗi thời có thể không tương thích với GPU . Hãy cập nhật thông tin cho họ.
- Cấu hình chương trình : Kiểm tra xem chương trình hoặc mã có chỉ định GPU sử dụng. Trong YOLO11 , điều này có thể nằm trong cài đặt hoặc cấu hình.

Các vấn đề đào tạo mô hình

Phần này sẽ đề cập đến những vấn đề thường gặp trong quá trình đào tạo cùng các giải thích và giải pháp tương ứng.

Xác minh cài đặt cấu hình

Vấn đề: Bạn không chắc chắn liệu các thiết lập cấu hình trong .yaml tập tin đang được áp dụng đúng trong quá trình đào tạo mô hình.

Giải pháp: Các thiết lập cấu hình trong .yaml tập tin nên được áp dụng khi sử dụng model.train() chức năng. Để đảm bảo các thiết lập này được áp dụng đúng, hãy làm theo các bước sau:

Xác nhận đường dẫn đến .yaml tập tin cấu hình là chính xác.
Hãy chắc chắn rằng bạn vượt qua con đường đến .yaml tập tin như data tranh luận khi gọi model.train(), như được hiển thị bên dưới:

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

Tăng tốc đào tạo với nhiều GPU

Vấn đề : Đào tạo chậm trên một GPU và bạn muốn tăng tốc quá trình bằng cách sử dụng nhiều GPU.

Giải pháp : Tăng kích thước lô có thể đẩy nhanh quá trình đào tạo, nhưng điều cần thiết là phải cân nhắc GPU dung lượng bộ nhớ. Để tăng tốc độ đào tạo với nhiều GPU, hãy làm theo các bước sau:

Đảm bảo bạn có nhiều GPU khả dụng.
Sửa đổi tệp cấu hình .yaml của bạn để chỉ định số lượng GPU cần sử dụng, ví dụ: gpus: 4.
Tăng kích thước lô cho phù hợp để tận dụng tối đa nhiều GPU mà không vượt quá giới hạn bộ nhớ.
Sửa đổi lệnh đào tạo của bạn để sử dụng nhiều GPU:

# Adjust the batch size and other settings as needed to optimize training speed
model.train(data="/path/to/your/data.yaml", batch=32, multi_scale=True)

Các thông số giám sát liên tục

Vấn đề : Bạn muốn biết những thông số nào cần được theo dõi liên tục trong quá trình đào tạo, ngoài thông số bị mất.

Giải pháp : Mặc dù mất mát là một số liệu quan trọng cần theo dõi, nhưng cũng cần theo dõi các số liệu khác để tối ưu hóa hiệu suất mô hình. Một số số liệu chính cần theo dõi trong quá trình đào tạo bao gồm:

Độ chính xác
Nhớ lại
Độ chính xác trung bình trung bình (mAP)

Bạn có thể truy cập các số liệu này từ nhật ký đào tạo hoặc bằng cách sử dụng các công cụ như TensorBoard hoặc wandb để trực quan hóa. Việc triển khai dừng sớm dựa trên các số liệu này có thể giúp bạn đạt được kết quả tốt hơn.

Công cụ theo dõi tiến độ đào tạo

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

Giải pháp : Để theo dõi và trực quan hóa tiến trình đào tạo, bạn có thể cân nhắc sử dụng các công cụ sau:

TensorBoard : TensorBoard là lựa chọn phổ biến để trực quan hóa các số liệu đào tạo, bao gồm mất mát, độ chính xác và nhiều hơn nữa. Bạn có thể tích hợp nó với YOLO11 quá trình đào tạo.
Comet chổi: Comet cung cấp một bộ công cụ mở rộng để theo dõi và so sánh thử nghiệm. Nó cho phép bạn theo dõi số liệu, siêu tham số và thậm chí cả trọng số mô hình. Tích hợp với YOLO mô hình cũng đơn giản, cung cấp cho bạn cái nhìn tổng quan hoàn chỉnh về chu kỳ thử nghiệm của bạn.
Trung tâm Ultralytics : Ultralytics HUB cung cấp một môi trường chuyên biệt để theo dõi YOLO mô hình, cung cấp cho bạn một nền tảng duy nhất để quản lý số liệu, tập dữ liệu và thậm chí cộng tác với nhóm của bạn. Với trọng tâm được thiết kế riêng của nó YOLO , nó cung cấp nhiều tùy chọn theo dõi tùy chỉnh hơn.

Mỗi công cụ này đều có những ưu điểm riêng, vì vậy bạn có thể cân nhắc nhu cầu cụ thể của dự án khi đưa ra lựa chọn.

Làm thế nào để kiểm tra xem đào tạo có đang diễn ra trên GPU

Sự cố : Giá trị 'thiết bị' trong nhật ký đào tạo là 'null' và bạn không chắc chắn liệu quá trình đào tạo có diễn ra trên GPU .

Giải pháp : Giá trị 'thiết bị' là 'null' thường có nghĩa là quá trình đào tạo được thiết lập để tự động sử dụng một GPU , đó là hành vi mặc định. Để đảm bảo đào tạo diễn ra trên một GPU , bạn có thể thiết lập thủ công giá trị 'thiết bị' thành GPU chỉ số (ví dụ, '0' cho mục đầu tiên GPU ) trong tệp cấu hình .yaml của bạn:

device: 0

Điều này sẽ chỉ định rõ ràng quy trình đào tạo cho các mục đã chỉ định GPU . Nếu bạn muốn đào tạo về CPU , đặt 'thiết bị' thành ' cpu '.

Theo dõi thư mục 'chạy' để biết nhật ký và số liệu để theo dõi tiến trình luyện tập hiệu quả.

Những cân nhắc chính cho việc đào tạo người mẫu hiệu quả

Sau đây là một số điều cần lưu ý nếu bạn đang gặp phải vấn đề liên quan đến đào tạo người mẫu.

Định dạng và nhãn của tập dữ liệu

Tầm quan trọng: Nền tảng của bất kỳ mô hình học máy nào đều nằm ở chất lượng và định dạng của dữ liệu mà mô hình đó được đào tạo.
Khuyến nghị: Đảm bảo rằng tập dữ liệu tùy chỉnh của bạn và các nhãn liên quan tuân thủ theo định dạng mong đợi. Điều quan trọng là phải xác minh rằng các chú thích là chính xác và có chất lượng cao. Các chú thích không chính xác hoặc kém có thể làm chệch hướng quá trình học của mô hình, dẫn đến kết quả không thể đoán trước.

Sự hội tụ của mô hình

Tầm quan trọng: Việc đạt được sự hội tụ của mô hình đảm bảo rằng mô hình đã học được đầy đủ từ dữ liệu đào tạo .
Khuyến nghị: Khi đào tạo một mô hình 'từ đầu', điều quan trọng là phải đảm bảo rằng mô hình đạt đến mức độ hội tụ thỏa đáng. Điều này có thể đòi hỏi thời gian đào tạo dài hơn, với nhiều kỷ nguyên hơn, so với khi bạn tinh chỉnh một mô hình hiện có.

Tốc độ học tập và quy mô lô

Tầm quan trọng: Các siêu tham số này đóng vai trò quan trọng trong việc xác định cách mô hình cập nhật trọng số trong quá trình đào tạo.
Khuyến nghị: Đánh giá thường xuyên xem tốc độ học và kích thước lô đã chọn có tối ưu cho tập dữ liệu cụ thể của bạn không. Các tham số không phù hợp với đặc điểm của tập dữ liệu có thể cản trở hiệu suất của mô hình.

Phân phối lớp

Tầm quan trọng: Sự phân bố các lớp trong tập dữ liệu của bạn có thể ảnh hưởng đến xu hướng dự đoán của mô hình.
Khuyến nghị: Đánh giá thường xuyên sự phân bố của các lớp trong tập dữ liệu của bạn. Nếu có sự mất cân bằng lớp, có nguy cơ mô hình sẽ phát triển thành thiên vị về lớp phổ biến hơn. Thiên vị này có thể thấy rõ trong ma trận nhầm lẫn, nơi mô hình có thể dự đoán chủ yếu lớp đa số.

Kiểm tra chéo với tạ đã được tập luyện trước

Tầm quan trọng: Tận dụng trọng số được đào tạo trước có thể cung cấp điểm khởi đầu vững chắc cho việc đào tạo mô hình, đặc biệt là khi dữ liệu bị hạn chế.
Khuyến nghị: Là một bước chẩn đoán, hãy cân nhắc đào tạo mô hình của bạn bằng cùng dữ liệu nhưng khởi tạo nó bằng các trọng số được đào tạo trước. Nếu cách tiếp cận này tạo ra một ma trận nhầm lẫn được định dạng tốt, điều đó có thể cho thấy rằng mô hình 'từ đầu' có thể cần đào tạo hoặc điều chỉnh thêm.

Phần này sẽ giải quyết các vấn đề thường gặp trong quá trình dự đoán mô hình.

Nhận Dự đoán Hộp giới hạn với YOLO11 Mô hình tùy chỉnh

Vấn đề : Khi chạy dự đoán với tùy chỉnh YOLO11 mô hình, có những thách thức về định dạng và hình ảnh hóa tọa độ hộp giới hạn.

Giải pháp :

Định dạng tọa độ: YOLO11 cung cấp tọa độ hộp giới hạn theo giá trị pixel tuyệt đối. Để chuyển đổi chúng thành tọa độ tương đối (từ 0 đến 1), bạn cần chia cho kích thước hình ảnh. Ví dụ, giả sử kích thước hình ảnh của bạn là 640x640. Sau đó, bạn sẽ thực hiện như sau:

# Convert absolute coordinates to relative coordinates
x1 = x1 / 640  # Divide x-coordinates by image width
x2 = x2 / 640
y1 = y1 / 640  # Divide y-coordinates by image height
y2 = y2 / 640

Tên tệp: Để lấy tên tệp của hình ảnh bạn đang dự đoán, hãy truy cập trực tiếp vào đường dẫn tệp hình ảnh từ đối tượng kết quả trong vòng lặp dự đoán của bạn.

Lọc các đối tượng trong YOLO11 Dự đoán

Sự cố : Gặp sự cố về cách lọc và chỉ hiển thị các đối tượng cụ thể trong kết quả dự đoán khi chạy YOLO11 sử dụng Ultralytics thư viện.

Giải pháp : Để phát hiện các lớp cụ thể, hãy sử dụng đối số classes để chỉ định các lớp bạn muốn đưa vào đầu ra. Ví dụ, để chỉ phát hiện cars (giả sử 'cars' có chỉ số lớp là 2):

yolo task=detect mode=segment model=yolo11n-seg.pt source='path/to/car.mp4' show=True classes=2

Hiểu về số liệu chính xác trong YOLO11

Vấn đề : Nhầm lẫn về sự khác biệt giữa độ chính xác hộp, độ chính xác mặt nạ và độ chính xác ma trận nhầm lẫn trong YOLO11 .

Giải pháp : Độ chính xác của hộp đo độ chính xác của các hộp giới hạn dự đoán so với các hộp sự thật cơ bản thực tế bằng cách sử dụng IoU (Giao cắt trên hợp) làm số liệu. Độ chính xác của mặt nạ đánh giá sự thống nhất giữa các mặt nạ phân đoạn dự đoán và mặt nạ sự thật cơ bản trong phân loại đối tượng theo từng pixel. Mặt khác, độ chính xác của ma trận nhầm lẫn tập trung vào độ chính xác phân loại tổng thể trên tất cả các lớp và không xem xét độ chính xác hình học của các dự đoán. Điều quan trọng cần lưu ý là hộp giới hạn có thể chính xác về mặt hình học (giá trị dương thực) ngay cả khi dự đoán lớp sai, dẫn đến sự khác biệt giữa độ chính xác của hộp và độ chính xác của ma trận nhầm lẫn. Các số liệu này đánh giá các khía cạnh riêng biệt về hiệu suất của mô hình, phản ánh nhu cầu về các số liệu đánh giá khác nhau trong các tác vụ khác nhau.

Trích xuất kích thước đối tượng trong YOLO11

Vấn đề : Khó khăn trong việc lấy lại chiều dài và chiều cao của các đối tượng được phát hiện trong YOLO11 , đặc biệt là khi phát hiện nhiều đối tượng trong một hình ảnh.

Giải pháp : Để lấy kích thước hộp giới hạn, trước tiên hãy sử dụng Ultralytics YOLO11 mô hình để dự đoán các đối tượng trong hình ảnh. Sau đó, trích xuất thông tin chiều rộng và chiều cao của các hộp giới hạn từ kết quả dự đoán.

from ultralytics import YOLO

# Load a pre-trained YOLO11 model
model = YOLO("yolo11n.pt")

# Specify the source image
source = "https://ultralytics.com/images/bus.jpg"

# Make predictions
results = model.predict(source, save=True, imgsz=320, conf=0.5)

# Extract bounding box dimensions
boxes = results[0].boxes.xywh.cpu()
for box in boxes:
    x, y, w, h = box
    print(f"Width of Box: {w}, Height of Box: {h}")

Thách thức triển khai

GPU Các vấn đề triển khai

Vấn đề: Triển khai các mô hình trong nhiều GPU môi trường đôi khi có thể dẫn đến những hành vi không mong muốn như sử dụng bộ nhớ không mong muốn, kết quả không nhất quán trên các GPU, v.v.

Giải pháp: Kiểm tra mặc định GPU khởi tạo. Một số khuôn khổ, như PyTorch , có thể khởi tạo CUDA hoạt động trên mặc định GPU trước khi chuyển sang GPU được chỉ định. Để bỏ qua các khởi tạo mặc định không mong muốn, hãy chỉ định GPU trực tiếp trong quá trình triển khai và dự đoán. Sau đó, sử dụng các công cụ để giám sát GPU sử dụng và sử dụng bộ nhớ để xác định bất kỳ bất thường nào theo thời gian thực. Ngoài ra, hãy đảm bảo bạn đang sử dụng phiên bản mới nhất của khung hoặc thư viện.

Các vấn đề về chuyển đổi/xuất mô hình

Sự cố: Trong quá trình chuyển đổi hoặc xuất mô hình máy học sang các định dạng hoặc nền tảng khác nhau, người dùng có thể gặp phải lỗi hoặc hành vi không mong muốn.

Giải pháp:

Kiểm tra khả năng tương thích: Đảm bảo rằng bạn đang sử dụng các phiên bản thư viện và khung tương thích với nhau. Các phiên bản không khớp nhau có thể dẫn đến lỗi không mong muốn trong quá trình chuyển đổi.
Đặt lại môi trường: Nếu bạn đang sử dụng môi trường tương tác như Jupyter hoặc Colab, hãy cân nhắc khởi động lại môi trường sau khi thực hiện các thay đổi hoặc cài đặt quan trọng. Đôi khi, việc khởi động lại có thể giải quyết được các vấn đề cơ bản.
Tài liệu chính thức: Luôn tham khảo tài liệu chính thức của công cụ hoặc thư viện bạn đang sử dụng để chuyển đổi. Tài liệu này thường chứa các hướng dẫn cụ thể và các biện pháp thực hành tốt nhất để xuất mô hình.
Hỗ trợ cộng đồng: Kiểm tra kho lưu trữ chính thức của thư viện hoặc khung để biết các vấn đề tương tự do người dùng khác báo cáo. Người bảo trì hoặc cộng đồng có thể đã cung cấp giải pháp hoặc cách giải quyết trong các chủ đề thảo luận.
Cập nhật thường xuyên: Đảm bảo rằng bạn đang sử dụng phiên bản mới nhất của công cụ hoặc thư viện. Các nhà phát triển thường xuyên phát hành các bản cập nhật để sửa các lỗi đã biết hoặc cải thiện chức năng.
Kiểm tra gia tăng: Trước khi thực hiện chuyển đổi hoàn chỉnh, hãy kiểm tra quy trình bằng mô hình hoặc tập dữ liệu nhỏ hơn để xác định sớm các vấn đề tiềm ẩn.

Cộng đồng và Hỗ trợ

Tham gia vào một cộng đồng những cá nhân có cùng chí hướng có thể nâng cao đáng kể kinh nghiệm và thành công của bạn khi làm việc với YOLO11 . Dưới đây là một số kênh và tài nguyên bạn có thể thấy hữu ích.

Diễn đàn và kênh để nhận trợ giúp

Các vấn đề của GitHub: YOLO11 kho lưu trữ trên GitHub có tab Sự cố nơi bạn có thể đặt câu hỏi, báo cáo lỗi và đề xuất các tính năng mới. Cộng đồng và người bảo trì đang hoạt động ở đây và đây là nơi tuyệt vời để nhận trợ giúp về các vấn đề cụ thể.

Máy chủ Discord Ultralytics : Ultralytics có máy chủ Discord nơi bạn có thể tương tác với người dùng khác và nhà phát triển.

Tài liệu và tài nguyên chính thức

Tài liệu YOLO11 Ultralytics : Tài liệu chính thức cung cấp tổng quan toàn diện về YOLO11 , cùng với hướng dẫn cài đặt, sử dụng và khắc phục sự cố.

Những nguồn lực này sẽ cung cấp nền tảng vững chắc để khắc phục sự cố và cải thiện YOLO11 các dự án, cũng như kết nối với những người khác trong YOLO11 cộng đồng.

Phần kết luận

Xử lý sự cố là một phần không thể thiếu của bất kỳ quy trình phát triển nào và việc được trang bị kiến thức phù hợp có thể giảm đáng kể thời gian và công sức dành cho việc giải quyết các vấn đề. Hướng dẫn này nhằm giải quyết những thách thức phổ biến nhất mà người dùng phải đối mặt YOLO11 mô hình trong Ultralytics hệ sinh thái. Bằng cách hiểu và giải quyết những vấn đề phổ biến này, bạn có thể đảm bảo tiến độ dự án suôn sẻ hơn và đạt được kết quả tốt hơn với các tác vụ thị giác máy tính của mình.

Hãy nhớ rằng, Ultralytics cộng đồng là một nguồn tài nguyên có giá trị. Việc tương tác với các nhà phát triển và chuyên gia đồng nghiệp có thể cung cấp thêm hiểu biết và giải pháp mà có thể không được đề cập trong tài liệu chuẩn. Luôn học hỏi, thử nghiệm và chia sẻ kinh nghiệm của bạn để đóng góp vào kiến thức chung của cộng đồng.

Chúc bạn khắc phục sự cố vui vẻ!

CÂU HỎI THƯỜNG GẶP

Làm thế nào để tôi giải quyết lỗi cài đặt với YOLO11 ?

Lỗi cài đặt thường có thể là do vấn đề tương thích hoặc thiếu sự phụ thuộc. Đảm bảo bạn sử dụng Python 3.8 hoặc mới hơn và có PyTorch Đã cài đặt phiên bản 1.8 trở lên. Sử dụng môi trường ảo sẽ có lợi để tránh xung đột. Để biết hướng dẫn cài đặt từng bước, hãy làm theo hướng dẫn cài đặt chính thức của chúng tôi. Nếu bạn gặp lỗi nhập, hãy thử cài đặt mới hoặc cập nhật thư viện lên phiên bản mới nhất.

Tại sao của tôi YOLO11 mô hình đào tạo chậm trên một GPU ?

Đào tạo trên một GPU có thể chậm do kích thước lô lớn hoặc bộ nhớ không đủ. Để tăng tốc độ đào tạo, hãy sử dụng nhiều GPU. Đảm bảo hệ thống của bạn có nhiều GPU khả dụng và điều chỉnh .yaml tệp cấu hình để chỉ định số lượng GPU, ví dụ: gpus: 4. Tăng kích thước lô cho phù hợp để sử dụng đầy đủ GPU mà không vượt quá giới hạn bộ nhớ. Ví dụ lệnh:

model.train(data="/path/to/your/data.yaml", batch=32, multi_scale=True)

Làm thế nào tôi có thể đảm bảo YOLO11 mô hình đang đào tạo trên GPU ?

Nếu giá trị 'thiết bị' hiển thị 'null' trong nhật ký đào tạo, điều đó thường có nghĩa là quy trình đào tạo được thiết lập để tự động sử dụng một GPU . Để chỉ định rõ ràng một GPU , đặt giá trị 'thiết bị' trong .yaml tập tin cấu hình. Ví dụ:

device: 0

Điều này đặt quá trình đào tạo vào đầu tiên GPU . Tham khảo nvidia-smi lệnh để xác nhận của bạn CUDA cài đặt.

Làm thế nào tôi có thể theo dõi và giám sát YOLO11 tiến độ đào tạo mô hình?

Theo dõi và trực quan hóa tiến trình đào tạo có thể được quản lý hiệu quả thông qua các công cụ như TensorBoard , Comet và Ultralytics HUB . Các công cụ này cho phép bạn ghi lại và trực quan hóa các số liệu như mất mát, độ chính xác , thu hồi và mAP. Việc triển khai dừng sớm dựa trên các số liệu này cũng có thể giúp đạt được kết quả đào tạo tốt hơn.

Tôi nên làm gì nếu YOLO11 không nhận dạng được định dạng tập dữ liệu của tôi?

Đảm bảo tập dữ liệu và nhãn của bạn tuân thủ định dạng mong đợi. Xác minh rằng chú thích là chính xác và có chất lượng cao. Nếu bạn gặp bất kỳ sự cố nào, hãy tham khảo hướng dẫn Thu thập dữ liệu và chú thích để biết các biện pháp thực hành tốt nhất. Để biết thêm hướng dẫn cụ thể cho tập dữ liệu, hãy kiểm tra phần Tập dữ liệu trong tài liệu.

📅 Được tạo ra cách đây 1 năm ✏️ Đã cập nhật cách đây 2 tháng