前言

前一段时间打了一个数据科学竞赛，发现自己的不足之处，并未对深度学习进行下一步学习，而是去实操，练习一下应用能力。

这一次，参加另外一个比赛，做一个智能垃圾桶。

所谓智能，就是能够识别垃圾类别，放到对应的垃圾桶里面。核心是目标检测算法，这里采用的是yolov5。接下来讲一下配置环境后，运行yolov5测试所遇到的报错，帮助大家避雷。

配置环境

配置环境，我没有什么可说的，网上教程一抓一大把，这里我推荐的是史上最详细yolov5环境配置搭建+配置所需文件 .

需要注意的是，看好自己电脑是否有英伟达显卡，没有的话，pytorch需要按照CPU版本的。

运行yolo报错

本人环境

conda 23.7.4
PyCharm 2023.2.1 (Professional Edition)
Python 3.8.18
Pytorch 2.0.1+cpu

AttributeError: Can't get attribute 'SPPF' on <module 'models.common' from 'E:\yolov5\models\common.py'>

配置好环境后，使用 python detect.py 测试是否部署成功，结果出现了第一个报错。

报错内容如下

Traceback (most recent call last):
  File "detect.py", line 175, in <module>
    detect()
  File "detect.py", line 33, in detect
    model = attempt_load(weights, map_location=device)  # load FP32 model
  File "E:\yolov5\models\experimental.py", line 118, in attempt_load
    ckpt = torch.load(w, map_location=map_location)  # load
  File "D:\Anaconda\envs\Smart_Garbage_Can\lib\site-packages\torch\serialization.py", line 809, in load
    return _load(opened_zipfile, map_location, pickle_module, **pickle_load_args)
  File "D:\Anaconda\envs\Smart_Garbage_Can\lib\site-packages\torch\serialization.py", line 1172, in _load
    result = unpickler.load()
  File "D:\Anaconda\envs\Smart_Garbage_Can\lib\site-packages\torch\serialization.py", line 1165, in find_class
    return super().find_class(mod_name, name)
AttributeError: Can't get attribute 'SPPF' on <module 'models.common' from 'E:\\yolov5\\models\\common.py'>

报错原因：无法在名为models.common的模块中找到SPPF属性引起的。

首先在网上搜索了一下，发现都是在 models/common.py 里面添加 SPPF 类，可是这样治标不治本啊，为什么要添加这个类？

然后，我在Github yolov5的issues里面查了一下，发现有一个优质解答

大致原因就是 Ultralytics 发布了yolo新版本，与v5不兼容，想要用v5的代码需要修改一个地方。

修改文件路径： yolov5/utils/google_utils.py 第25行

原来代码为

response = requests.get(f'https://api.github.com/repos/{repo}/releases/lastest').json()  # github api

可以看到，默认获取是最新版本的，咱们需要改为v5的即可

response = requests.get(f'https://api.github.com/repos/{repo}/releases/tag/v5.0').json()  # github api

AttributeError: 'Upsample' object has no attribute 'recompute_scale_factor'

紧接着，第二个报错就出现了。

image 1/2 E:\yolov5\data\images\bus.jpg: Traceback (most recent call last):
  File "detect.py", line 175, in <module>
    detect()
  File "detect.py", line 72, in detect
    pred = model(img, augment=opt.augment)[0]
  File "D:\Anaconda\envs\Smart_Garbage_Can\lib\site-packages\torch\nn\modules\module.py", line 1501, in _call_impl
    return forward_call(*args, **kwargs)
  File "E:\yolov5\models\yolo.py", line 121, in forward
    return self.forward_once(x, profile)  # single-scale inference, train
  File "E:\yolov5\models\yolo.py", line 137, in forward_once
    x = m(x)  # run
  File "D:\Anaconda\envs\Smart_Garbage_Can\lib\site-packages\torch\nn\modules\module.py", line 1501, in _call_impl
    return forward_call(*args, **kwargs)
  File "D:\Anaconda\envs\Smart_Garbage_Can\lib\site-packages\torch\nn\modules\upsampling.py", line 157, in forward
    recompute_scale_factor=self.recompute_scale_factor)
  File "D:\Anaconda\envs\Smart_Garbage_Can\lib\site-packages\torch\nn\modules\module.py", line 1614, in __getattr__
    raise AttributeError("'{}' object has no attribute '{}'".format(
AttributeError: 'Upsample' object has no attribute 'recompute_scale_factor'

该错误的原因是使用了一个过时的API。

在早期版本的PyTorch中，使用’recompute_scale_factor’属性来重新计算缩放因子。然而，在较新的版本中，API已经更新，’recompute_scale_factor’属性被删除了，因此代码会引发上述错误。

而网络上普遍的解决办法都是修改torch源码，这样是不正确的，因为这个是底层，在其他地方也有调用，可能会导致一些未知的错误出现。

所以我们应该采取另外一种方案，加一个判断语句。

修改文件路径：yolov5.py 第124行

修改代码如下

def forward_once(self, x, profile=False):
    y, dt = [], []  # outputs
    for m in self.model:
        #添加下面两行判断语句
        if isinstance(m, nn.Upsample):
            m.recompute_scale_factor = None
        #分割线
        if m.f != -1:  # if not from previous layer
            x = y[m.f] if isinstance(m.f, int) else [x if j == -1 else y[j] for j in m.f]  # from earlier layers

        if profile:
            o = thop.profile(m, inputs=(x,), verbose=False)[0] / 1E9 * 2 if thop else 0  # FLOPS
            t = time_synchronized()
            for _ in range(10):
                _ = m(x)
            dt.append((time_synchronized() - t) * 100)
            print('%10.1f%10.0f%10.1fms %-40s' % (o, m.np, dt[-1], m.type))

        x = m(x)  # run
        y.append(x if m.i in self.save else None)  # save output

    if profile:
        print('%.1fms total' % sum(dt))
    return x

其实就是一个判断语句，为了适应新版本的要求。

isinstance(m, nn.Upsample) 用于判断变量 m 是否是 nn.Upsample 类的实例。如果是，则执行下一行代码 m.recompute_scale_factor = None，将 recompute_scale_factor 属性设置为 None，以适应新版本PyTorch的要求。

测试结果

经过上面的修改后，在PyCharm的控制台输入 python detect.py 即可成功运行。运行成功后，会在 yolov5文件夹下出现一个 runs文件夹，在里面查看即可。

查看路径 yolov5/runs/detect/exp

写在最后

当出现报错后，在网上搜索后，不要盲目跟着 CSDN 的解决方法去做。而是应该先去知道为什么报错，然后再去解决它。现在网上很多博客都是为了解决这个问题而解决，从未想过为什么会出现这个报错。盲目修改底层源码后，会导致后面可能会出现从未见过的报错，尽量不要轻易修改。

后面会讲一下如何做一个智能垃圾桶（程序方面），敬请期待哈。

StarHui Blog

Configuring yolov5 Environment Of Windows Error Collection

前言