一步真实解决：AssertionError：‘ERROR ：–resume checkpoint does not exist‘

问题描述：

在使用yolov5训练自己模型，或者复现原文的数据时，一不小心程序断了，或者是使用服务器的时候断开连接了。这该怎么办？我也遇到了这，最开始是直接把【train.py】里面的这个参数

【--resume】的default设置成【True】,但是出现了下面的问题。这可把我愁坏了，还卡我好几天~~~

; 问题解决

经过一番请教大佬，得到了这个解决办法。给点赞！！！也是浅浅记录下。

首先，先找到你的训练模型文件，一般为【 runs/train/exp/weights】目录下，该目录下会有这两个文件。

然后，按照下面的两个操作之一进行操作，就可以解决了！！！

①将【 train.py】里面的这个参数【 --resume】的default设置成【 runs/train/exp/weights/last.pt】

②在yolov5的根目录下，也就是【 train.py】文件目录下，使用终端命令输入如下内容

python train.py --resume runs/train/exp/weights/last.pt

这样，问题就解决了，运行起来的效果如下。会接着你断开的程序继续运行~~~

到这，就已经解决了问题。欢迎关注蓝胖胖，咱们一起解决BUG~~~

Original: https://blog.csdn.net/Thebest_jack/article/details/125750008
Author: 蓝胖胖▸
Title: 一步真实解决：AssertionError：‘ERROR ：--resume checkpoint does not exist‘

相关阅读1

Title: 如何迭代pandas dataframe的行

How to iterate over rows in a DataFrame in Pandas-DataFrame按行迭代

在对DataFrame进行操作时，我们不可避免的需要逐行查看或操作数据，那么有什么高效、快捷的方法呢？

<span class="hljs-keyword">import pandas <span class="hljs-keyword">as pd
inp = [{<span class="hljs-string">'c1':<span class="hljs-number">10, <span class="hljs-string">'c2':<span class="hljs-number">100}, {<span class="hljs-string">'c1':<span class="hljs-number">11,<span class="hljs-string">'c2':<span class="hljs-number">110}, {<span class="hljs-string">'c1':<span class="hljs-number">12,<span class="hljs-string">'c2':<span class="hljs-number">120}]
df = pd.DataFrame(inp)
<span class="hljs-keyword">for x <span class="hljs-keyword">in xrange(len(df.index)):
    <span class="hljs-keyword">print df[<span class="hljs-string">'c1'].iloc[x]</span></span></span></span></span></span></span></span></span></span></span></span></span></span></span></span></span></span>

这似乎是最常规的办法，而且可以在迭代的过程中对DataFrame进行操作。

<span class="hljs-keyword">for i, row in enumerate(df.<span class="hljs-keyword">values):
    <span class="hljs-keyword">index= df.<span class="hljs-keyword">index[i]
    <span class="hljs-keyword">print row</span></span></span></span></span>

df.values 是 numpy.ndarray 类型
这里 i 是index的序号， row是numpy.ndarray类型。

import pandas as pd
inp = [{'c1':10, 'c2':100}, {'c1':11,'c2':110}, {'c1':12,'c2':120}]
df = pd.DataFrame(inp)

for index, row in df.iterrows():
    print row['c1'], row['c2']

df.iterrows() 的每次迭代都是一个 tuple类型,包含了index和每行的数据。

<span class="hljs-keyword">import pandas <span class="hljs-keyword">as pd
inp = [{<span class="hljs-string">'c1':<span class="hljs-number">10, <span class="hljs-string">'c2':<span class="hljs-number">100}, {<span class="hljs-string">'c1':<span class="hljs-number">11,<span class="hljs-string">'c2':<span class="hljs-number">110}, {<span class="hljs-string">'c1':<span class="hljs-number">12,<span class="hljs-string">'c2':<span class="hljs-number">120}]
df = pd.DataFrame(inp)

<span class="hljs-keyword">for row <span class="hljs-keyword">in df.itertuples():
    </span></span></span></span></span></span></span></span></span></span></span></span></span></span></span></span>

itertuples 返回的是一个 pandas.core.frame.Pandas 类型。

普遍认为itertuples 比 iterrows的速度要快。

zip 和 itertools.izip的用法是相似的， 但是zip返回一个list，而izip返回一个迭代器。 如果数据量很大，zip的性能不及izip

<span class="hljs-keyword">from itertools <span class="hljs-keyword">import izip
<span class="hljs-keyword">import pandas <span class="hljs-keyword">as pd
inp = [{<span class="hljs-string">'c1':<span class="hljs-number">10, <span class="hljs-string">'c2':<span class="hljs-number">100}, {<span class="hljs-string">'c1':<span class="hljs-number">11,<span class="hljs-string">'c2':<span class="hljs-number">110}, {<span class="hljs-string">'c1':<span class="hljs-number">12,<span class="hljs-string">'c2':<span class="hljs-number">120}]
df = pd.DataFrame(inp)

<span class="hljs-keyword">for row <span class="hljs-keyword">in izip(df.index, df[<span class="hljs-string">'c1'], df[<span class="hljs-string">'c2']):
    <span class="hljs-keyword">print row</span></span></span></span></span></span></span></span></span></span></span></span></span></span></span></span></span></span></span></span></span>

import <span class="hljs-built_in">time
<span class="hljs-built_in">from numpy.<span class="hljs-built_in">random import randn

df = pd.DataFrame({<span class="hljs-string">'a': randn(<span class="hljs-number">100000), <span class="hljs-string">'b': randn(<span class="hljs-number">100000)})

time_stat = []

</span></span></span></span></span></span></span>

可以发现在时间花销上， izip > zip > itertuples > enumerate > iterrows > range(index)

Original: https://www.cnblogs.com/bonelee/p/9732761.html
Author: bonelee
Title: 如何迭代pandas dataframe的行

相关阅读2

Title: tensorflow 1.X迁移至tensorflow2 代码写法

把tensorflow 1.X中的代码，迁移到tensorflow2中。一些常见的改写经验。包括sess，tf.placeholder， tf.InteractiveSession()，tf.Session()
tensorflow2相比于tensorflow 1.x版本有较大的变化，且网上现在好多文章的代码都是基于tf1.x版本的，学会简单的转换，帮助我们看代码。
整体来说，tensorflow2更加简洁了。
本文将持续更新中。

当然用tf.compat.v1也能解决部分问题。但是不推荐，毕竟tf2才是未来。

• 1、tf1基于图模式，tf2基于eager模式，tf2对程序员更友好，更像是函数，更方便调试。
• 2、tf2更向keras靠拢，对分布式训练的支持更好。

tf.placeholder

tensorflow 1.x版本中的placeholder，在tf2中已经被取消，在tf2中，可以用tf.keras.Inputs代替。
示例：
tf1中

input_ids = tf.placeholder(dtype=tf.int32, shape=[None])

tf2中，改写为：

input_ids = tf.keras.Input(dtype=tf.int32, shape=[None])

tf.Sess,sess.run

• tensorflow 1.x由于是基于静态图机制（Graph Execution），需要先构造图，然后才真正运行，因此需要用显示调用Session后，才会真正触发计算。对调试代码非常不利。
• tensorflow 2.x默认是基于动态图机制（Eager Execution），就像常规函数一样，调用时就触发计算。对调试代码非常方便。

所以，tf1中session部分代码，可以全部去掉。
示例：
tf1中

sess = tf.InteractiveSession()
sess.run(tf.global_variables_initializer())

tf2中，改写为：

直接不要

具体例子1：

import tensorflow as tf
import numpy as np

input_ids = tf.placeholder(dtype=tf.int32, shape=[None])

embedding = a = np.asarray([[0.1, 0.2, 0.3], [1.1, 1.2, 1.3], [2.1, 2.2, 2.3], [3.1, 3.2, 3.3], [4.1, 4.2, 4.3]])

input_embedding = tf.nn.embedding_lookup(embedding, input_ids)

sess = tf.InteractiveSession()
sess.run(tf.global_variables_initializer())

print(sess.run(input_embedding, feed_dict={input_ids: [1, 2, 3, 0, 3, 2, 1]}))

改写tf2代码：

import tensorflow as tf
import numpy as np

input_ids = tf.keras.Input(dtype=tf.int32, shape=[None])

embedding = a = np.asarray([[0.1, 0.2, 0.3], [1.1, 1.2, 1.3], [2.1, 2.2, 2.3], [3.1, 3.2, 3.3], [4.1, 4.2, 4.3]])

input_ids = np.array([1, 2, 3, 0, 3, 2, 1])

input_embedding = tf.nn.embedding_lookup(embedding, input_ids)
print(input_embedding)

可见，tf2代码简洁明了不少，多动手试试，就能体会。

深刻体会tf2带来的变革。
1、体会静态图和动态图的差别
2、体会对分布式训练的优化（未来写）
3、体会模型训练的便利性（直接用compile等，keras的便利性。）

Original: https://blog.csdn.net/weixin_43290383/article/details/121896799
Author: 浪漫的数据分析
Title: tensorflow 1.X迁移至tensorflow2 代码写法

相关阅读3

Title: virtualenv创建虚拟环境

1.1 virtualenv定义

建立一个隔离的python环境，激活它，就使用这个环境里的包、python等。

1.2 virtualenv安装

pip install virtualenv -i https://pypi.tuna.tsinghua.edu.cn/simple

安装过程中出现例如dislib等包导致的失败，可运行如下命令安装：

pip install virtualenv -i https://pypi.tuna.tsinghua.edu.cn/simple --ignore-installed distlib

2.1 清清爽爽新环境

virtualenv 路径

以这种方式创建环境将不包含系统的python包，新的环境里面只有pip、setuptools和wheel这些包，则许多包要用pip重新安装。

2.2 ubuntu中指定python版本

例如，若需指定使用系统中python3.6版本，首先找到python3.6安装在哪里（默认安装在 /usr/bin/python3.6，也可使用命令 whereis python3.6查看pyton3.6 安装路径 ）

virtualenv -p /usr/bin/python3.6 myenv

2.3 windows中指定python版本

中间的python3.6需要自己先安装

virtualenv -p D:\\software1\\python36\\python.exe myenv

source myenv/bin/activate

cd myenv/Scripts
activate

deactivate

整深度学习，通常情况下，需要的基础包如下(借鉴yolov3)：

matplotlib>=3.2.2
numpy>=1.18.5
opencv-python>=4.1.2
Pillow>=7.1.2
PyYAML>=5.3.1
requests>=2.23.0
scipy>=1.4.1
torch>=1.7.0
torchvision>=0.8.1
tqdm>=4.41.0

tensorboard>=2.4.1
wandb

pandas>=1.1.4
seaborn>=0.11.0

thop

可在本地新建一个 requirements.txt，复制粘贴上面内容并保存，在激活上述虚拟环境的情况下，使用命令 pip install -r requirements.txt安装即可，建议使用pip镜像源。

pip install -r requirements.txt -i https://pypi.tuna.tsinghua.edu.cn/simple

Original: https://blog.csdn.net/weixin_45377629/article/details/123979396
Author: 寻找永不遗憾
Title: virtualenv创建虚拟环境