YOLO Vision 2026：

排查常见 YOLO 问题#

YOLO common training and deployment issues

本指南涵盖了你在使用 Ultralytics YOLO26 时最常遇到的问题，按发生场景分类：installation、model training、prediction 和 deployment。请跳转至与你的错误相对应的分类，或浏览 FAQ 以快速获取答案。每个条目都列出了问题以及你可以直接应用的具体解决方法。



Watch: Ultralytics YOLO26 Common Issues | Installation Errors, Model Training Issues

常见问题#

安装错误#

安装错误可能由多种原因引起，例如版本不兼容、缺少依赖项或环境设置不正确。首先，请确保你已完成以下操作：

  • 你正在使用建议的 Python 3.8 或更高版本。
  • 请确保已安装正确版本的 PyTorch（1.8 或更高版本）。
  • 考虑使用虚拟环境以避免冲突。
  • 请逐步遵循官方安装指南。

此外，以下是针对常见安装问题的解决方案。

保持 Ultralytics 及其依赖项为最新版本

许多导入、GPU 和导出错误只需通过升级即可解决。请运行 pip install -U ultralytics，并在进行更深入的调试之前，确认你的 PyTorch 和 CUDA 版本是兼容的。

导入错误或依赖项问题#

如果你在导入 YOLO26 时遇到错误或遇到依赖冲突，请尝试以下步骤：

  • 全新安装：重新进行纯净安装可以解决意料之外的问题，特别是在修改了包结构或功能的更新之后。
  • 定期更新：使用该库的最新版本，因为较旧的发行版可能与近期的更新不兼容。
  • 检查依赖项：验证所有必需的依赖项是否已正确安装且版本兼容。
  • 查看变更：如果你安装了较旧的版本，请参考官方文档或变更日志以了解重大的结构性变更。

在 GPU 上运行 YOLO26#

如果你在 GPU 上运行 YOLO26 时遇到困难，请考虑以下故障排除步骤：

  • 验证 CUDA 兼容性与安装：确保你的 GPU 与 CUDA 兼容且 CUDA 已正确安装。使用 nvidia-smi 命令来检查你的 NVIDIA GPU 状态和 CUDA 版本。
  • 检查 PyTorch 与 CUDA 集成：在 Python 终端中运行 import torch; print(torch.cuda.is_available())，以确保 PyTorch 能够使用 CUDA。如果返回 'True'，则说明 PyTorch 已配置为使用 CUDA。
  • 激活环境：确保你处于正确安装了所有必要包的环境中。
  • 更新你的包：过时的包可能与你的 GPU 不兼容。请保持它们更新。
  • 程序配置：检查你的代码是否请求了 GPU 使用权限。你可以在运行训练或预测时设置 device 参数（例如 device=0）。
较旧的 GPU 和 cuDNN 9.11.0+

cuDNN 9.11.0 已停止支持计算能力 (SM) 低于 7.5（即 Turing 架构之前）的 GPU，例如 1080 Ti。在较旧的 GPU 上，你可能需要使用针对较早 CUDA/cuDNN 版本编译的 PyTorch 构建版本。使用以下命令检查你的配置：

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}")

模型训练问题#

以下涵盖了常见的训练问题及其修复方法。

验证配置设置#

问题：你不确定 .yaml 文件中的配置设置是否在模型训练期间被正确应用。

解决方法：.yaml 文件中的配置设置应在使用 model.train() 函数时应用。为确保这些设置被正确应用，请遵循以下步骤：

  • 确认你的 .yaml 配置文件路径正确。

  • 请确保在调用 model.train() 时，将你的 .yaml 文件路径作为 data 参数传入，如下所示：

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

使用多 GPU 加速训练#

问题：单 GPU 训练速度缓慢，你想使用多个 GPU 来加快进程。

解决方法：增加批次大小可以加速训练，但务必考虑 GPU 的显存容量。若要通过多个 GPU 加速训练，请遵循以下步骤：

  • 确保你有多个 GPU 可用。

  • 将 device 参数设置为 GPU 索引列表，例如 device=[0,1,2,3]。

  • 相应地增加 batch size，以充分利用多个 GPU，同时不超过显存限制。

  • 修改你的训练命令以利用多个 GPU：

    # Adjust the batch size and other settings as needed to optimize training speed
model.train(data="/path/to/your/data.yaml", batch=32, device=[0, 1, 2, 3])

持续监控参数#

问题：你想知道除了损失（loss）之外，在训练期间应该持续监控哪些参数。

解决方案：虽然损失是需要监控的关键指标，但为了优化模型性能，跟踪其他指标同样重要。训练期间需要监控的一些关键指标包括：

你可以从训练日志中获取这些指标，或使用 TensorBoard 或 wandb 等工具进行可视化。根据这些指标实施提前停止（early stopping）有助于你获得更好的结果。

跟踪训练进度的工具#

问题：你正在寻找跟踪训练进度的工具建议。

解决方案：要跟踪和可视化训练进度，你可以考虑使用以下工具：

  • TensorBoard：TensorBoard 是可视化训练指标（包括损失、accuracy等）的常用工具。你可以将其集成到你的 YOLO26 训练流程中。
  • Comet：Comet 提供了用于实验跟踪和对比的丰富工具包。它允许你跟踪指标、超参数甚至模型权重。与 YOLO 模型的集成也非常直接，能为你提供实验周期的完整概览。
  • Ultralytics Platform：Ultralytics Platform 为跟踪 YOLO 模型提供了一个专门的环境，为你提供管理指标、数据集甚至与团队协作的一站式平台。鉴于其针对 YOLO 的专注设计，它提供了更多定制化的跟踪选项。

如何检查训练是否在 GPU 上进行#

问题：训练日志中的 'device' 值为 'null'，你不确定训练是否正在 GPU 上运行。

解决方法：'device' 值为 'null' 通常意味着训练过程设置为自动选择可用的 GPU，这是默认行为。若要在特定的 GPU 上进行训练，请在开始训练时设置 device 参数。device 是一个训练参数，因此在你的数据集 .yaml 中设置它没有任何效果：

from ultralytics import YOLO

# Load a model
model = YOLO("yolo26n.pt")

# Use GPU 0; device=[0, 1] for multiple GPUs, device="cpu" for CPU
model.train(data="path/to/data.yaml", device=0)

密切关注 'runs' 文件夹中的日志和指标，以有效地监控训练进度。

高效模型训练的关键考量#

如果你在模型训练相关方面遇到问题，这里有一些需要牢记的事项。

数据集格式与标签

  • 重要性：任何机器学习模型的基础都在于其所训练数据的质量和格式。
  • 建议：确保你的自定义数据集及其相关标签符合预期格式。验证标注是否准确且高质量至关重要。错误或次优的标注可能会阻碍模型的学习过程，导致不可预测的结果。

模型收敛

  • 重要性：实现模型收敛可确保模型已充分从训练数据中学习。
  • 建议：当从头开始训练模型时，至关重要的一点是确保模型达到令人满意的收敛水平。与微调现有模型相比，这可能需要更长的训练时长以及更多的轮数。

学习率与批次大小

  • 重要性：这些超参数在决定模型训练期间如何更新其权重方面起着关键作用。
  • 建议：定期评估所选的学习率和 batch size 是否针对你的特定数据集进行了优化。与数据集特征不匹配的参数可能会阻碍模型的性能。

类别分布

  • 重要性：数据集中类别的分布会影响模型的预测倾向。
  • 建议：定期评估数据集中各类别的分布情况。如果存在类别不平衡，模型就有偏向多数类的风险。这种偏差在混淆矩阵中可以体现出来，即模型可能会主要预测多数类。

使用预训练权重进行交叉检查

  • 重要性：利用预训练权重可以为模型训练提供良好的起点，特别是在数据有限的情况下。
  • 建议：作为诊断步骤，考虑使用相同数据训练模型，但使用预训练权重进行初始化。如果这种方法产生了形状良好的混淆矩阵，则可能暗示“从零开始”的模型可能需要进一步训练或调整。

与模型预测相关的问题#

以下涵盖了模型预测过程中遇到的常见问题及其修复方法。

使用 YOLO26 自定义模型获取边界框预测#

问题：在使用自定义 YOLO26 模型进行预测时，边界框坐标的格式和可视化存在挑战。

解决方案：

  • 坐标格式：YOLO26 提供绝对像素值的边界框坐标。要将它们转换为相对坐标（范围从 0 到 1），你需要除以图像尺寸。例如，假设你的图像大小为 640x640。那么你需要执行以下操作：

    # 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

  • 文件名：要获取你正在预测的图像的文件名，请直接从预测循环内的结果对象访问图像文件路径。

在 YOLO26 预测中过滤对象#

问题：在使用 Ultralytics 库运行 YOLO26 时，遇到关于如何仅在预测结果中过滤和显示特定对象的问题。

解决方案：要检测特定类别，请使用 classes 参数来指定你想要包含在输出中的类别。例如，只检测汽车（假设 'cars' 的类别索引为 2）：

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

了解 YOLO26 中的精度指标#

问题：对 YOLO26 中边界框精度、掩膜精度和混淆矩阵精度之间的区别感到困惑。

解决方法：边界框精度使用 IoU（交并比）作为指标，来衡量预测边界框与实际真实边界框的准确性。掩膜精度则在像素级对象分类中评估预测分割掩膜与真实掩膜之间的一致性。另一方面，混淆矩阵精度侧重于所有类别的总体分类准确率，而不考虑预测的几何准确性。需要注意的是，即使类别预测错误，边界框在几何上也可能是准确的（真正例），这导致了边界框精度与混淆矩阵精度之间的差异。这些指标评估的是模型性能的不同方面，反映了在各种任务中需要不同的评估指标。

在 YOLO26 中提取对象尺寸#

问题：在 YOLO26 中检索检测到的对象的长度和高度有困难，特别是当图像中检测到多个对象时。

解决方法：要检索边界框尺寸，首先使用 Ultralytics YOLO26 模型来预测图像中的对象。然后，从预测结果中提取边界框的宽度和高度信息。

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}")

部署挑战#

GPU 部署问题#

问题： 在多 GPU 环境中部署模型有时会导致意外行为，如意外的显存使用、跨 GPU 结果不一致等。

解决方案： 检查默认的 GPU 初始化。某些框架（如 PyTorch）可能会在过渡到指定 GPU 之前在默认 GPU 上初始化 CUDA 操作。为了绕过意外的默认初始化，请在部署和预测期间直接指定 GPU。然后，使用工具监控 GPU 利用率和显存使用情况，以实时识别任何异常。此外，确保你使用的是框架或库的最新版本。

模型转换/导出问题#

问题： 在将机器学习模型转换或导出为不同格式或平台的过程中，用户可能会遇到错误或意外行为。

**解决方法：**查阅导出模式文档中的支持格式和按格式选项，然后逐一进行以下检查：

  • 兼容性检查：确保你使用的库和框架版本彼此兼容。版本不匹配可能会导致转换期间出现意外错误。
  • 环境重置：如果你使用的是 Jupyter 或 Colab 等交互式环境，请考虑在进行重大变更或安装后重启你的环境。重新开始有时可以解决潜在问题。
  • 官方文档：务必查阅你所使用的工具或库的官方文档进行转换。它通常包含有关模型导出的具体指导和最佳实践。
  • 社区支持：查看该库或框架的官方仓库，了解其他用户报告的类似问题。维护者或社区可能已经在讨论区提供了解决方案或变通方法。
  • 定期更新：确保你使用的是工具或库的最新版本。开发者会经常发布更新，修复已知 Bug 或改进功能。
  • 增量测试：在执行完整转换之前，先用较小的模型或数据集测试该过程，以便尽早发现潜在问题。

社区与支持#

通过这些渠道和资源获取帮助并分享解决方案。

寻求帮助的论坛与频道#

GitHub Issues： GitHub上的YOLO26仓库有一个Issues tab，你可以在这里提问、报告错误并建议新功能。社区和维护者在这里非常活跃，这是获得特定问题帮助的好地方。

Ultralytics Discord Server： Ultralytics有一个Discord server，你可以在其中与其它用户和开发者进行互动。

官方文档和资源#

Ultralytics YOLO26 Docs：官方文档提供了 YOLO26 的全面概述，以及关于安装、使用和故障排除的指南。

结论#

大多数 YOLO26 问题都可以追溯到少数几个原因：版本不匹配、数据集格式和 GPU 配置。当某个错误未在此处涵盖时，请在 GitHub Issues 标签页中搜索，或在 Discord server 上提问——很可能已经有人解决了该问题。有关更深入的训练问题，请参阅模型训练提示指南，以获取在你的计算机视觉项目中获得更好结果的实用建议。

常见问题解答#

如何解决 YOLO26 的安装错误？#

安装错误通常可能是由于兼容性问题或缺少依赖项导致的。请确保你使用的是 Python 3.8 或更高版本，并且已安装 PyTorch 1.8 或更高版本。使用虚拟环境来避免冲突是非常有益的。有关逐步安装指南，请遵循我们的官方安装指南。如果遇到导入错误，请尝试重新全新安装或将库更新到最新版本。

为什么我的 YOLO26 模型在单 GPU 上训练缓慢？#

由于批次较大或内存不足，在单个 GPU 上进行训练可能会比较慢。为了加速训练，请使用多个 GPU。确保你的系统有多个可用的 GPU 并设置 device 参数，例如 device=[0,1,2,3]。相应地增加批次大小，以便在不超过显存限制的情况下充分利用 GPU。示例命令：

model.train(data="/path/to/your/data.yaml", batch=32, device=[0, 1, 2, 3])

如何确保我的 YOLO26 模型正在 GPU 上进行训练？#

如果在训练日志中 'device' 值显示为 'null'，这通常意味着训练过程设置为自动选择可用的 GPU。若要显式分配特定的 GPU，请在开始训练时传入 device 参数，例如将第一个 GPU 设为 yolo train data=path/to/data.yaml device=0。请参考 nvidia-smi 命令来确认你的 CUDA 设置。

我该如何监控和跟踪我的 YOLO26 模型训练进度？#

可以通过诸如 TensorBoard、Comet 和 Ultralytics Platform 等工具高效管理训练进度的跟踪和可视化。这些工具允许你记录和可视化诸如损失、precision、recall 和 mAP 等指标。根据这些指标实施提前停止也有助于取得更好的训练效果。

如果 YOLO26 无法识别我的数据集格式，我该怎么办？#

确保你的数据集和标签符合预期格式。验证标注是否准确且高质量。如果你遇到任何问题，请参考数据收集与标注指南以获取最佳实践。有关更多特定于数据集的指导，请查看文档中的数据集部分。

贡献者
GLglenn-jocher14RIRizwanMunawar4RAraimbekovm2ARartest081PDpderrenger1AKakdanz1Y-Y-T-G1WIWillieMaddox1LALaughing-q1

评论