在自己想用yolo训练自己的数据集时，有时候会自己标注10来张图片进行测试，但训练100个epoch各项数据仍然为0，这时就会怀疑是否是自己的数据量不够，还是模型错误，还是哪个步骤没弄对，这里有一个简单的排除方法，可以测试自己的数据质量是否达标。

1、首先检查自己的数据集是否为一下格式，注意：图片的大小应该是一样的，val里面的图片大于2

├─images
│  ├─train
│  └─val
└─labels
    ├─train
    └─val

2、data.yaml数据格式为以下格式

path: ../datasets/coco8-seg # dataset root dir
train: images/train # train images (relative to 'path') 4 images
val: images/val # val images (relative to 'path') 4 images
test: # test images (optional)

# nc: 6 # 目标检测可能有

# Classes
names:
  0: person
  1: bicycle
  2: car
  3: motorcycle
  4: airplane
  5: bus

3、最重要的一步，将图片和标签复制，粘贴，重复2次及以上，至少就有30几张图片和标签了，然后再次训练，这时候P、R、mAP都有值，但很小。所以你就需要考虑数据质量的问题了，搜集不同的图片进行标注，然后再次进行训练（检测+分割）。
在这里插入图片描述

Logo
DAMO开发者矩阵

DAMO开发者矩阵，由阿里巴巴达摩院和中国互联网协会联合发起，致力于探讨最前沿的技术趋势与应用成果，搭建高质量的交流与分享平台，推动技术创新与产业应用链接，围绕“人工智能与新型计算”构建开放共享的开发者生态。

更多推荐

2026-01-26：可以被机器人摧毁的最大墙壁数目。用go语言，在一条无限延伸的直线上，分布着若干机器人和若干堵墙。给定三个整数数组：表示机器人位置的 robots、表示每个机器人射程的 dista

f0f1: 动态规划状态变量，表示到当前机器人为止，采用不同射击策略能摧毁的最大墙数。leftcurright0right1: 双指针，用于快速定位墙数组中满足特定条件的区间。初始化这些指针都为0，表示从墙数组的起始位置开始扫描。

avatar DAMO开发者矩阵

宇树 Go2 + NaVILA 全栈导航系统详解 (新手入门版)

本文详细介绍了宇树Go2机器人搭配NaVILA全栈导航系统的技术架构与实现方案。系统采用分层设计，包含仿真环境(Go2描述与Gazebo模拟)、底层控制(quadropted_controller)、导航定位(Nav2+Cartographer)和核心VLA(视觉语言动作)模块。重点对比了官方NaVILA方案(依赖高性能GPU)与优化后的轻量化方案(基于llama.cpp的Client-Serve

avatar DAMO开发者矩阵

【路径规划】基于Fast-RRT二维空间移动机器人改进的运动规划器附Matlab复现含文献

移动机器人路径规划旨在解决从起始状态到目标状态在给定空间内创建无碰撞路径的问题，这是无人作业的关键支撑技术。为解决渐近最优快速扩展随机树星形算法（RRT *算法）存在的收敛速度慢、规划效率低及路径成本高等问题，本文提出了一种基于混合采样策略和回溯选择父节点的改进运动规划器（Fast- RRT *算法）。首先，在采样阶段结合目标偏置策略与约束采样以降低采样盲目性；其次，在选择新节点父节点时，通过追溯

avatar DAMO开发者矩阵