Traceback (most recent call last):WARNING: Dataset not found, nonexistent paths:

简介: 这篇文章描述了在使用YOLOv5进行训练时遇到的"Dataset not found"错误,分析了可能的原因,包括网络连接问题和数据集路径配置错误,并提供了相应的解决方法,如检查网络设置和确认数据集文件的存放位置。

WARNING: Dataset not found, nonexistent paths:
[‘C:\Users\29810\Desktop\coco128\images\train2017’] Downloading
https://github.com/ultralytics/yolov5/releases/download/v1.0/coco128.zip
… Traceback (most recent call last): File
“C:\Users\29810\anaconda3\envs\pytorch\lib\urllib\request.py”, line
1350, in do_open
encode_chunked=req.has_header(‘Transfer-encoding’)) File “C:\Users\29810\anaconda3\envs\pytorch\lib\http\client.py”, line 1281,
in request
self._send_request(method, url, body, headers, encode_chunked) File “C:\Users\29810\anaconda3\envs\pytorch\lib\http\client.py”, line
1327, in _send_request
self.endheaders(body, encode_chunked=encode_chunked) File “C:\Users\29810\anaconda3\envs\pytorch\lib\http\client.py”, line 1276,
in endheaders
self._send_output(message_body, encode_chunked=encode_chunked) File “C:\Users\29810\anaconda3\envs\pytorch\lib\http\client.py”, line
1036, in _send_output
self.send(msg) File “C:\Users\29810\anaconda3\envs\pytorch\lib\http\client.py”, line 976,
in send
self.connect() File “C:\Users\29810\anaconda3\envs\pytorch\lib\http\client.py”, line 1443,
in connect
super().connect() File “C:\Users\29810\anaconda3\envs\pytorch\lib\http\client.py”, line 948,
in connect
(self.host,self.port), self.timeout, self.source_address) File “C:\Users\29810\anaconda3\envs\pytorch\lib\socket.py”, line 728, in
create_connection
raise err File “C:\Users\29810\anaconda3\envs\pytorch\lib\socket.py”, line 716, in
create_connection
sock.connect(sa) TimeoutError: [WinError 10060] 由于连接方在一段时间后没有正确答复或连接的主机没有反应,连接尝试失败。

During handling of the above exception, another exception occurred:

Traceback (most recent call last): File
“C:/Users/29810/Desktop/yolov5-5.0/train.py”, line 575, in
train(hyp, opt, device, tb_writer) File “C:/Users/29810/Desktop/yolov5-5.0/train.py”, line 97, in train
check_dataset(data_dict) # check File “C:\Users\29810\Desktop\yolov5-5.0\utils\general.py”, line 167, in
check_dataset
torch.hub.download_url_to_file(s, f) File “C:\Users\29810\anaconda3\envs\pytorch\lib\site-packages\torch\hub.py”,
line 419, in download_url_to_file
u = urlopen(req) File “C:\Users\29810\anaconda3\envs\pytorch\lib\urllib\request.py”, line
222, in urlopen
return opener.open(url, data, timeout) File “C:\Users\29810\anaconda3\envs\pytorch\lib\urllib\request.py”, line
525, in open
response = self._open(req, data) File “C:\Users\29810\anaconda3\envs\pytorch\lib\urllib\request.py”, line
543, in _open
‘_open’, req) File “C:\Users\29810\anaconda3\envs\pytorch\lib\urllib\request.py”, line
503, in _call_chain
result = func(*args) File “C:\Users\29810\anaconda3\envs\pytorch\lib\urllib\request.py”, line
1393, in https_open
context=self._context, check_hostname=self._check_hostname) File “C:\Users\29810\anaconda3\envs\pytorch\lib\urllib\request.py”, line
1352, in do_open
raise URLError(err) urllib.error.URLError:

Process finished with exit code 1

我在查找了许多之后发现很多事情都是玄学解法我觉得不应该,所以,我想发的我出来。
这个是,1我没有科学的去上网
2、没有对应yaml,的训练集

解决方法:查看一下你设置的训练集的位置对不对,直接打开在github上下载的yolov项目,看看相对位置内是否存在,那个训练集
在这里插入图片描述
比如这个就去平级位置,看看coco128是否放在同级位置

相关文章
|
机器学习/深度学习 编解码 文件存储
YOLOv8改进 | 融合改进篇 | BiFPN+ RepViT(教你如何融合改进机制)
YOLOv8改进 | 融合改进篇 | BiFPN+ RepViT(教你如何融合改进机制)
1722 1
|
11月前
|
机器学习/深度学习 人工智能 算法
Python+YOLO v8 实战:手把手教你打造专属 AI 视觉目标检测模型
本文介绍了如何使用 Python 和 YOLO v8 开发专属的 AI 视觉目标检测模型。首先讲解了 YOLO 的基本概念及其高效精准的特点,接着详细说明了环境搭建步骤,包括安装 Python、PyCharm 和 Ultralytics 库。随后引导读者加载预训练模型进行图片验证,并准备数据集以训练自定义模型。最后,展示了如何验证训练好的模型并提供示例代码。通过本文,你将学会从零开始打造自己的目标检测系统,满足实际场景需求。
11131 1
Python+YOLO v8 实战:手把手教你打造专属 AI 视觉目标检测模型
|
XML 机器学习/深度学习 数据格式
YOLOv8训练自己的数据集+常用传参说明
YOLOv8训练自己的数据集+常用传参说明
25206 3
|
机器学习/深度学习 编解码 监控
目标检测实战(六): 使用YOLOv8完成对图像的目标检测任务(从数据准备到训练测试部署的完整流程)
这篇文章详细介绍了如何使用YOLOv8进行目标检测任务,包括环境搭建、数据准备、模型训练、验证测试以及模型转换等完整流程。
25392 59
目标检测实战(六): 使用YOLOv8完成对图像的目标检测任务(从数据准备到训练测试部署的完整流程)
|
人工智能 计算机视觉
YOLOv11改进策略【损失函数篇】| NWD损失函数,提高小目标检测精度
YOLOv11改进策略【损失函数篇】| NWD损失函数,提高小目标检测精度
1670 9
|
机器学习/深度学习 存储 TensorFlow
YOLOv11改进策略【Head】| (独家改进)轻量化检测头:利用 EfficientNet 中的移动倒置瓶颈模块 MBConv 改进检测头
YOLOv11改进策略【Head】| (独家改进)轻量化检测头:利用 EfficientNet 中的移动倒置瓶颈模块 MBConv 改进检测头
3062 11
YOLOv11改进策略【Head】| (独家改进)轻量化检测头:利用 EfficientNet 中的移动倒置瓶颈模块 MBConv 改进检测头
|
数据处理 算法框架/工具 计算机视觉
手把手教你使用YOLOV5训练自己的目标检测模型
本教程由肆十二(dejahu)撰写,详细介绍了如何使用YOLOV5训练口罩检测模型,涵盖环境配置、数据标注、模型训练、评估与使用等环节,适合大作业及毕业设计参考。提供B站视频、CSDN博客及代码资源链接,便于学习实践。
5831 1
手把手教你使用YOLOV5训练自己的目标检测模型
yolov5的coco128.yaml的配置信息详解
这篇文章详细解释了YOLOv5的`coco128.yaml`配置文件中的参数,包括训练和验证数据集的路径、类别数量以及类别名称。
875 0
|
机器学习/深度学习 监控 计算机视觉
目标检测实战(八): 使用YOLOv7完成对图像的目标检测任务(从数据准备到训练测试部署的完整流程)
本文介绍了如何使用YOLOv7进行目标检测,包括环境搭建、数据集准备、模型训练、验证、测试以及常见错误的解决方法。YOLOv7以其高效性能和准确率在目标检测领域受到关注,适用于自动驾驶、安防监控等场景。文中提供了源码和论文链接,以及详细的步骤说明,适合深度学习实践者参考。
3960 1
目标检测实战(八): 使用YOLOv7完成对图像的目标检测任务(从数据准备到训练测试部署的完整流程)
|
机器学习/深度学习 数据可视化 自动驾驶
YOLO11-seg分割如何训练自己的数据集(道路缺陷)
本文介绍了如何使用自己的道路缺陷数据集训练YOLOv11-seg模型,涵盖数据集准备、模型配置、训练过程及结果可视化。数据集包含4029张图像,分为训练、验证和测试集。训练后,模型在Mask mAP50指标上达到0.673,展示了良好的分割性能。
6588 4