求解答：pytorch跑yolov8神经网络受挫

Question

用pytorch跑yolov8神经网络，在朋友的电脑能跑，我的就出现这些报错，查了类似问题的文章，但苦于本人水平不高，尝试跟着他人的方法也解决不了，重新装了anaconda环境和pytorch也解决不了，求big佬指点！

图一

图二

图三

图四

Answer 1

以下回复引自免费微信小程序：皆我百晓生。 如问题解决，还请采纳。如仍有疑问，请回复留言或私信博主，以便获得更精准的帮助。

为了确保PYTHON运行在PYTORCH上并能够正确使用YOLOV8神经网络进行训练，你可能需要遵循以下步骤：

1. 安装必要的库

首先，你需要安装PANDAS, NUMPY, 和 TORCHVISION 等库。你可以从官方网站下载并安装它们：

PIP INSTALL PANDAS NUMPY TORCH TORCHVISION

2. 创建一个数据集

创建一个包含图像文件和标签的数据集。这里是一个简单的示例，只包含两个类别的图像：

IMPORT OS
IMPORT CV2
FROM PIL IMPORT IMAGE

# 加载图像
IMAGE_PATHS = ['PATH/TO/YOUR/IMAGE_1.JPG', 'PATH/TO/YOUR/IMAGE_2.JPG']
LABELS = ['LABEL1', 'LABEL2']

IMAGES = []
FOR PATH IN IMAGE_PATHS:
    IMG = CV2.IMREAD(PATH)
    IMAGES.APPEND(IMG)

# 将图像转换为PIL对象以供TENSORFLOW处理
IMAGES = [IMAGE.FROMARRAY(IMAGE) FOR IMAGE IN IMAGES]

3. 编写训练函数

定义一个训练函数，用于处理图像、标注数据以及网络参数等：

DEF TRAIN_MODEL(MODEL, DATA_LOADER, CRITERION, OPTIMIZER, DEVICE):
    MODEL.TRAIN()
    EPOCH_LOSS = 0
    CORRECT = 0
    TOTAL = 0
    
    FOR BATCH_IDX, (INPUTS, TARGETS) IN ENUMERATE(DATA_LOADER):
        INPUTS, TARGETS = INPUTS.TO(DEVICE), TARGETS.TO(DEVICE)
        
        # FORWARD PASS
        OUTPUTS = MODEL(INPUTS)
        LOSS = CRITERION(OUTPUTS, TARGETS)
        
        # BACKWARD AND OPTIMIZE
        OPTIMIZER.ZERO_GRAD()
        LOSS.BACKWARD()
        OPTIMIZER.STEP()

        # UPDATE THE EPOCH LOSS
        EPOCH_LOSS += LOSS.ITEM() * INPUTS.SIZE(0)
        
        # CALCULATE ACCURACY
        _, PREDICTED = TORCH.MAX(OUTPUTS.DATA, 1)
        TOTAL += TARGETS.SIZE(0)
        CORRECT += (PREDICTED == TARGETS).SUM().ITEM()
    
    RETURN EPOCH_LOSS / LEN(DATA_LOADER.DATASET), CORRECT / TOTAL

4. 调试模型

在训练过程中，你可以通过打印损失（LOSS）和准确率来监控网络性能：

MODEL.EVAL()
WITH TORCH.NO_GRAD():
    CORRECT = 0
    TOTAL = 0
    
    FOR INPUTS, TARGETS IN DATA_LOADER:
        INPUTS, TARGETS = INPUTS.TO(DEVICE), TARGETS.TO(DEVICE)
        
        OUTPUTS = MODEL(INPUTS)
        _, PREDICTED = TORCH.MAX(OUTPUTS.DATA, 1)
        TOTAL += TARGETS.SIZE(0)
        CORRECT += (PREDICTED == TARGETS).SUM().ITEM()
        
PRINT(F"LOSS: {EPOCH_LOSS:.4F}, ACCURACY: {CORRECT}/{TOTAL}")

5. 使用测试数据

将训练好的模型部署到实际环境中，并对测试数据进行预测：

MODEL.EVAL()
WITH TORCH.NO_GRAD():
    CORRECT = 0
    TOTAL = 0
    
    FOR INPUTS, TARGETS IN DATA_LOADER:
        INPUTS, TARGETS = INPUTS.TO(DEVICE), TARGETS.TO(DEVICE)
        
        OUTPUTS = MODEL(INPUTS)
        _, PREDICTED = TORCH.MAX(OUTPUTS.DATA, 1)
        TOTAL += TARGETS.SIZE(0)
        CORRECT += (PREDICTED == TARGETS).SUM().ITEM()
        
PRINT(F"ACCURACY ON TEST SET: {CORRECT}/{TOTAL}")

注意事项

• 确保你的电脑上的ANACONDA环境已经正确配置。
• 对于不同类型的网络（例如VGG, RESNET等），选择合适的模型结构。
• 根据实际情况调整网络参数，确保最佳性能。
• 利用GPU进行训练，特别是在处理大量数据时。
• 避免过度训练，防止过拟合。

希望这些建议对你有所帮助！如果你遇到具体问题或者需要进一步的帮助，请随时提问。