Dieser Artikel fasst die Fehler zusammen, deren Behebung beim Erlernen von YOLO in Google Colab lange gedauert hat. Viele von ihnen sind rudimentär, aber ich hoffe, Sie können sie übersehen.
./src/utils.c:256: error: Assertion `0' failed
Es scheint verschiedene Ursachen zu geben, aber in meinem Fall lag es daran, dass der Zeilenvorschubcode der .data-Datei CRLF war.
Es wurde geheilt, indem mit einem Texteditor zu LF gewechselt wurde.
Die Identifizierung dauerte lange, da beim Ausführen in der jeweiligen Windows-Umgebung kein Fehler auftrat.
STB Reason: can't fopen
Cannot load image "data/images/xxx.jpg
Die Ursache war, dass der Zeilenvorschubcode von train.txt und test.txt CRLF war.
Ich habe diese procss.py verwendet, um die Trainings- / Testdaten zu sortieren. Es scheint, dass es ohne Erlaubnis zu CRLF wird, wenn es unter Windows ausgeführt wird, also musste ich es ein wenig ändern.
Wie Sie sehen, scheint es gut, beim Öffnen der Datei den Zeilenvorschubcode mit Zeilenumbruch anzugeben.
file_train = open(path_data + 'train.txt', 'w',newline="\n")
file_test = open(path_data + 'test.txt', 'w',newline="\n")
Referenz: Der unter Windows ausgeführte Zeilenvorschubcode der Python-Ausgabedatei ändert sich
/bin/bash: line 1: 761 Killed
Die Zahlen ändern sich von Zeit zu Zeit. In Analogie zur Lösung scheint es sich um einen Speichermangel zu handeln.
YOLO verarbeitet die in .cfg angegebene Anzahl von Chargen / Unterteilungen gleichzeitig (was hier nicht genau ist). Im Fall von Unterteilung 16 von Charge 64 werden beispielsweise 4 gleichzeitig verarbeitet. Aufgrund der Leistung der GPU usw. ist der Speicher jedoch nicht ausreichend und es tritt ein Fehler auf. In diesem Fall sollte der Wert der Unterteilung nacheinander erhöht werden.
Ich habe den Fehler endlich beseitigt, als ich auf der Batch 64-Unterteilung 64 lief.
Da es sich um einen Kompromiss mit der Verarbeitungsgeschwindigkeit handelt, muss der Wert entsprechend dem Datensatz entsprechend angepasst werden.
Recommended Posts