由于并没有系统性的学习过深度学习和计算机视觉相关的知识，本篇帖子所记内容皆为实践和不断试错的结果；为使得已解决的bug和调通的方案具有可复现性，同时积累自己的经验而立此贴。

Anaconda相关指令

查看conda的环境配置

1
conda config --show

更新conda

1
conda update conda

查询某个命令的帮助

1
conda create --help

创建虚拟环境

1
conda create -n env_name python=3.8

查看有哪些虚拟环境

1
conda env list

激活虚拟环境

1
conda activate env_name

退出虚拟环境

1
conda activate

删除虚拟环境

1
conda remove --name env_name --all

导出环境

1
2
3
4
#获得环境中的所有配置
conda env export --name myenv > myenv.yml
#重新还原环境
conda env create -f  myenv.yml

包（Package）的管理

查询包的安装情况

1
conda list

conda卸载包

1
conda uninstall package_name --force

包的安装和更新

1
conda install package_name

清理anaconda缓存

1
2
3
conda clean -p      # 删除没有用的包 --packages
conda clean -t      # 删除tar打包 --tarballs
conda clean -y -all # 删除所有的安装包及cache(索引缓存、锁定文件、未使用过的包和tar包)

报错 & 解决方法

UnicodeDecodeError: ‘gbk’ codec can’t decode byte 0x80 in position 2467: illegal multibyte sequence

对 yolov7 添加 SimAM 注意力机制时(改进YOLOv7系列：24.添加SimAM注意力机制) ，在添加完对应的模块后，运行 train.py 报错如下：

UnicodeDecodeError

在 models/yolo.py 按 ctrl + f 搜索 with open ，将 517 行 with open(cfg) as f: 改为 with open(cfg, encoding='utf-8') as f:

说明: 在看到 ‘gbk’ codec can’t decode 时就知道又是要在什么地方加 , encoding='utf-8' 的时候了，于是轻车熟路的对 train.py 文件中的 65 行 with open(opt.data) as f: 添加了 , encoding='utf-8' ，重新运行后依然是这个报错，然后尝试了将 train.py 中所有 with open(...)... 都加了 encoding='utf-8' ，依然无效；在看到报错路径也有 model/yolo.py 于是尝试找到其中的 with open(..).. 添加 encoding='utf-8' 后解决报错

NameError: name ‘CNeB’ is not defined

同样是添加完 SimAM 注意力机制时的报错

NameError

将 SimAM.yaml 中的 CNeB 模块换成 ConV 等已有的模块

说明: 未定义/缺少对应的模块

训练模型无法识别物体

加完 SimAM 后浅浅 train 了 30 轮，欲观察是否可用，但跑完后模型识别率为零，无法识别任何物体(不打任何标记框)。

加大训练轮数(最少100轮)，使模型收敛

说明: 在 SimAM 模块失效和模型没有收敛两种可能性徘徊的时候，远程连接了同事的主机克隆了自己的配置炼丹100轮，用训练集图片中的测试集图片来给模型推理，识别成功，幸亏不是前者的原因。

在SimAM.yaml中添加C3层报错 TypeError: __init__() missing 3 required positional arguments: ‘kernel_w’, ‘stride_h’, and ‘stride_w’

对SimAM.yaml中原本属于C3的层（当时没添加C3模块，被我改为默认卷积层Conv），运行train.py出现如下报错：

TypeError

将C3.py文件中的 from caffe2.python.layers.conv import Conv 改为 from models.common import Conv

说明：原报错意思为 __init__（）缺少3个必需的位置参数：“kernel_w”、“stride_h”和“strie_w”,通过报错中最后一行文件指向self.cv1 = Conv(c1, c_, 1, 1)，几乎是创造性的想到大概是Conv参数要从common.py中传来，因此尝试了在改模块导Conv包改为从common.py来源，终于解决报错了；至于其中的所以然，是一点都不清楚。

跑test.py报错OSError: [WinError 1455] 页面文件太小，无法完成操作。

跑yolov7的test.py代码时出现如下报错(还原麻烦 懒得还原 没有截图)
OSError: [WinError 1455] 页面文件太小，无法完成操作。 Error loading “D:\Anaconda3\envs\yolov7\lib\site-packages\torch\lib\cudnn_adv_infer64_8.dll” or one of its dependencies.

在 PyCharm > 帮助(H) > 编辑自定义VM选项… 中
把 -Xmx1008m 改大 -Xmx2048m

说明：此前还修改了C盘的虚拟内存大小，没效果后修改PyCharm的内存大小，-Xmx2048m表示PyCharm的最大内存为2018mb

参考：1【深度学习】“OSError [WinError 1455]页面文件太小，无法完成操作”解决方案
2 修改pycharm的使用内存

跑test.py报错BrokenPipeError: [Errno 32] Broken pipe

跑yolov7的test.py代码时出现如下报错

BrokenPipeError

将datasets.py中第87行num_workers=nw修改为num_workers=0

1
2
3
4
5
6
dataloader = loader(dataset,
                    batch_size=batch_size,
                    num_workers=0,  # nw => 0
                    sampler=sampler,
                    pin_memory=True,
                    collate_fn=LoadImagesAndLabels.collate_fn4 if quad else LoadImagesAndLabels.collate_fn)

说明：
1、每每轮到dataloader加载数据时：dataloader一次性创建num_worker个worker，（也可以说dataloader一次性创建num_worker个工作进程，worker也是普通的工作进程），并用batch_sampler将指定batch分配给指定worker，worker将它负责的batch加载进RAM。然后，dataloader从RAM中找本轮迭代要用的batch，如果找到了，就使用。如果没找到，就要num_worker个worker继续加载batch到内存，直到dataloader在RAM中找到目标batch。一般情况下都是能找到的，因为batch_sampler指定batch时当然优先指定本轮要用的batch。
2、num_worker设置得大，好处是寻找batch速度快，因为下一轮迭代的batch很可能在上一轮/上上一轮…迭代时已经加载好了。坏处是内存开销大，也加重了CPU负担（worker加载数据到RAM的进程是CPU复制的嘛）。num_workers的经验设置值是自己电脑/服务器的CPU核心数，如果CPU很强、RAM也很充足，就可以设置得更大些。
3、如果num_worker设为0，意味着每一轮迭代时，dataloader不再有自主加载数据到RAM这一步骤（因为没有worker了），而是在RAM中找batch，找不到时再加载相应的batch。缺点当然是速度更慢。

参考：yolov5 test.py BrokenPipeError: [Errno 32] Broken pipe问题解决