使用yolov8训练时如何解决“内核......似乎已经死亡”？

我想用 yolov8 训练我的模型，但开始训练后出现此错误：

ultralytics/datasets/lollipop/Untitled.ipynb 的内核似乎已死亡。它将自动重新启动。

我有 GTX 1650，内存为 4GB，这是我的代码：

import torch
from ultralytics import YOLO

# Load the model
model = YOLO('yolov8s.pt')

# Train the model
results=model.train(data='data.yaml', epochs=100, imgsz=640, device=0, perspective=0.001, degrees=15, fliplr=0, batch=4)

我想训练，但我不知道这是什么原因。

“内核似乎已死亡”错误通常表明的代码耗尽了可用的 GPU 内存。这在深度学习中很常见，尤其是在使用像 YOLOv8 这样需要大量内存的模型和 GTX 1650 等内存有限的 GPU 时。

以下是一些解决此问题的步骤：

1. 减少批量大小：

• 代码中的批量大小设置为 4。尝试将其减小到 2 或 1。这将减少每次迭代加载到 GPU 内存中的数据量。 python results = model.train(data='data.yaml', epochs=100, imgsz=640, device=0, perspective=0.001, degrees=15, fliplr=0, batch=2)

2. 减少图像大小：

• 正在使用 640x640 的图像大小 ( imgsz=640 )。尝试将其减小到 512x512 或更低。 python results = model.train(data='data.yaml', epochs=100, imgsz=512, device=0, perspective=0.001, degrees=15, fliplr=0, batch=4)

3. 使用混合精度训练 ( --amp )：

• 混合精度使用 16 位和 32 位浮点数进行训练，从而减少内存使用并加快训练速度。 python results = model.train(data='data.yaml', epochs=100, imgsz=640, device=0, perspective=0.001, degrees=15, fliplr=0, batch=4, amp=True)

4. 关闭其他正在运行的程序：

• 关闭任何不必要的程序以释放系统 RAM 和 GPU 内存。

5. 考虑使用更小的 YOLOv8 模型：

• YOLOv8s 是一个小型号，但仍然可以尝试使用 yolov8n （nano）等更小的型号，该型号需要的内存更少。 python model = YOLO('yolov8n.pt')

6. 如果可能，使用具有更多 VRAM 的 GPU：

• 如果可能，请考虑使用具有更多 VRAM 的 GPU，例如 RTX 3060 或更高版本。

通过尝试这些建议，应该能够减少训练期间的内存使用量并解决“内核似乎已死亡”错误。