Traceback (most recent call last): File "E:\yolov5-master\train.py", line 642, in <module> main(opt) File "E:\yolov5-master\train.py", line 531, in main train(opt.hyp, opt, device, callbacks) File "E:\yolov5-master\train.py", line 286, in train for i, (imgs, targets, paths, _) in pbar: # batch ------------------------------------------------------------- File "F:\conda\envs\yolov5\lib\site-packages\tqdm\std.py", line 1178, in __iter__ for obj in iterable: File "E:\yolov5-master\utils\dataloaders.py", line 172, in __iter__ yield next(self.iterator) File "F:\conda\envs\yolov5\lib\site-packages\torch\utils\data\dataloader.py", line 633, in __next__ data = self._next_data() File "F:\conda\envs\yolov5\lib\site-packages\torch\utils\data\dataloader.py", line 1328, in _next_data idx, data = self._get_data() File "F:\conda\envs\yolov5\lib\site-packages\torch\utils\data\dataloader.py", line 1284, in _get_data success, data = self._try_get_data() File "F:\conda\envs\yolov5\lib\site-packages\torch\utils\data\dataloader.py", line 1145, in _try_get_data raise RuntimeError('DataLoader worker (pid(s) {}) exited unexpectedly'.format(pids_str)) from e RuntimeError: DataLoader worker (pid(s) 19928, 15752) exited unexpectedly

这是一个错误信息，出现在使用 YOLOv5 进行训练时。错误的原因是选择了一个无效的 CUDA 设备，可能是因为设备号错误或者没有可用的 GPU。建议检查一下 CUDA 设备的设置，确保设备号正确并且该设备可用。如果您没有可用的 GPU，可以选择使用 CPU 进行训练，通过设置 '--device cpu' 来实现。

### YOLOv5 训练时出现 `AssertionError: No labels found in labels.cache` 的解决方案 在使用 YOLOv5 进行训练时，如果遇到 `AssertionError: train: No labels in xxx\train.cache. Can not train without labels.` 错误[^1]，这通常表明数据集的标签文件路径或格式存在问题。以下是可能导致该错误的原因及解决方法： #### 1. 数据集目录结构不符合 YOLOv5 要求 YOLOv5 对训练数据集的目录结构有严格要求。如果目录结构不正确，程序可能无法找到标签文件。标准的 YOLOv5 数据集目录结构如下： ``` dataset/ ├── images/ │ ├── train/ │ └── val/ └── labels/ ├── train/ └── val/ ``` - 确保所有图像文件存放在 `images/train/` 和 `images/val/` 文件夹中。 - 确保所有标签文件存放在 `labels/train/` 和 `labels/val/` 文件夹中，并且每个标签文件对应一个图像文件。 - 如果文件夹名称与上述标准不符（例如使用了大写字母 `Images`），需要将其修改为小写 `images` 或者调整代码中的默认路径[^1]。 #### 2. 标签文件格式不正确 YOLOv5 的标签文件必须遵循特定的格式。每个标签文件是一个 `.txt` 文件，内容为每行一个目标框的标注信息，格式如下： ``` <class_id> <x_center> <y_center> <width> <height> ``` - `<class_id>` 是目标类别的索引，从 0 开始。 - `<x_center>`、`<y_center>`、`<width>`、`<height>` 是归一化后的坐标和尺寸，取值范围为 [0, 1]。 如果标签文件为空或格式不正确，程序会认为没有标签文件，从而引发错误。检查并修正所有标签文件的内容。 #### 3. 缓存文件未正确生成 YOLOv5 在首次运行时会生成缓存文件（如 `train.cache` 或 `val.cache`）。如果缓存文件未正确生成，可能会导致找不到标签的问题。可以通过以下方式解决： - 删除现有的缓存文件（如 `train.cache` 和 `val.cache`），让程序重新生成缓存。 - 在训练脚本中添加参数 `--cache`，强制重新生成缓存文件。例如： ```bash python train.py --img 640 --batch 16 --epochs 50 --data dataset.yaml --weights yolov5s.pt --cache ``` #### 4. 数据集配置文件（`dataset.yaml`）问题 确保 `dataset.yaml` 文件的内容正确无误。示例配置文件如下： ```yaml train: ../dataset/images/train/ # 训练集图像路径 val: ../dataset/images/val/ # 验证集图像路径 nc: 80 # 类别数量 names: ['person', 'bicycle', ...] # 类别名称列表 ``` - 确保 `train` 和 `val` 字段指向正确的图像文件夹路径。 - 如果路径中包含错误的文件夹名称（如 `Images` 而非 `images`），需要修正路径或文件夹名称。 #### 5. 修改源码以适配自定义目录结构 如果不希望更改文件夹名称，可以修改 YOLOv5 源码中的默认路径设置。具体操作如下： - 打开 `utils/datasets.py` 文件。 - 使用搜索功能定位到与 `images` 和 `labels` 相关的代码片段。 - 将默认的 `'images'` 和 `'labels'` 修改为你的自定义文件夹名称。例如： ```python img_dir = os.path.join(path, 'Images') # 修改为你的自定义文件夹名称 label_dir = os.path.join(path, 'Labels') ``` - 注意：此方法不推荐，因为修改源码可能会影响后续更新和维护。 --- ### 示例代码：验证标签文件格式 以下是一个简单的 Python 脚本，用于检查标签文件是否符合 YOLOv5 的格式要求： ```python import os def check_labels(labels_folder): for label_file in os.listdir(labels_folder): if label_file.endswith('.txt'): with open(os.path.join(labels_folder, label_file), 'r') as f: lines = f.readlines() for line in lines: parts = line.strip().split() if len(parts) != 5: print(f"Invalid format in {label_file}: {line}") else: class_id, x_center, y_center, width, height = map(float, parts) if not (0 <= class_id and 0 <= x_center <= 1 and 0 <= y_center <= 1 and 0 <= width <= 1 and 0 <= height <= 1): print(f"Invalid values in {label_file}: {line}") # 替换为你的标签文件夹路径 check_labels('path_to_your_labels_folder') ``` ---