工具/软件：
我使用 AM68 SDK10.0、
使用 edgeai-modelmaker 进行编译有时会失败并显示以下错误消息：
2025/05/16 14：29：04 - mmengine - error -/home/edgeai-tensorlab/edgeai-mmdetection/mmdet/evaluation/metrics/coco_metric.py - computer_metrics - 465 -整个数据集的测试结果为空。
我的数据集通过 edgeai-composer 导出、同一个数据集通过 modelcomposer 成功编译
我的一些数据集可以编译、有些数据集无法编译。 它是否与数据集中的图像分辨率和数量有关？ 为什么会出现上述错误？
应用了这个补丁、 现在 错误日志消失了
图层名称 /multi_level_conv_obj.0/Conv_output_0无效
虽然
回到原始问题、
mengine - error - edgeai-tensorlab/edgeai-mmdetection/mmdet_evaluation/metrics/coco_metric.py - computer_metrics - 465 -整个数据集的测试结果为空。
我做了以下实验、
1) 使用模型编写器进行训练和编译
训练参数： 
培训结果：76.2% 
培训日志：
e2e.ti.com/.../Training_5F00_Log_5F00_yolox_5F00_s_5F00_lite_5F00_May-26_2C00_-2025_2C00_-11_5F00_09_5F00_03-AM.txt
编译参数和结果： accurity_ap50%：71.74 % 
编译日志：
e2e.ti.com/.../Compile_5F00_Log_5F00_yolox_5F00_s_5F00_lite_5F00_May-26_2C00_-2025_2C00_-11_5F00_09_5F00_03-AM-_2800_1_2900_.txt
2) 导出数据集并通过 Model Maker 进行训练和编译
DataSets：
e2e.ti.com/.../ce7dfea0_5F00_dataset.zip
使用与模型编写器相同的训练和编译参数 
common:
target_module: 'vision'
task_type: 'detection'
target_device: 'AM68A'
# run_name can be any string, but there are some special cases:
# {date-time} will be replaced with datetime.datetime.now().strftime("%Y%m%d-%H%M%S")
# {model_name} will be replaced with the name of the model
run_name: '{date-time}/{model_name}'
dataset:
# enable/disable dataset loading
enable: True #False
# max_num_files: [750, 250] #None
# Object Detection Dataset Examples:
# -------------------------------------
# Example 1, (known datasets): 'widerface_detection', 'pascal_voc0712', 'coco_detection', 'udacity_selfdriving', 'tomato_detection', 'tiscapes2017_driving'
# dataset_name: widerface_detection
# -------------------------------------
# Example 2, give a dataset name and input_data_path.
# input_data_path could be a path to zip file, tar file, folder OR http, https link to zip or tar files
# for input_data_path these are provided with this repository as examples:
# 'software-dl.ti.com/.../tiscapes2017_driving.zip'
# 'software-dl.ti.com/.../animal_detection.zip'
# -------------------------------------
# Example 3, give image folders with annotation files (require list with values for both train and val splits)
# dataset_name: coco_detection
# input_data_path: ["./data/projects/coco_detection/dataset/train2017",
# "./data/projects/coco_detection/dataset/val2017"]
# input_annotation_path: ["./data/projects/coco_detection/dataset/annotations/instances_train2017.json",
# "./data/projects/coco_detection/dataset/annotations/instances_val2017.json"]
# -------------------------------------
dataset_name: imx296
#input_data_path: ["./data/datasets/obj_detection/images/"]
#input_annotation_path: ["./data/datasets/obj_detection/annotations/instances.json"]
input_data_path: './data/datasets/imx296'
input_annotation_path: './data/datasets/imx296/annotations/instances.json'
training:
# enable/disable training
enable: True #False
# Object Detection model chosen can be changed here if needed
# options are: 'yolox_s_lite', 'yolox_tiny_lite', 'yolox_nano_lite', 'yolox_pico_lite', 'yolox_femto_lite'
model_name: 'yolox_s_lite'
training_epochs: 60 #30
batch_size: 8 #32
learning_rate: 0.001
#num_gpus: 0 #1 #4
compilation:
# enable/disable compilation
enable: True #False
tensor_bits: 16 #16 #32
detection_top_k: 500
detection_threshold: 0.05
calibration_iterations: 10
Calibration Frames: 10 DONE (t=0.03s). Average Precision (AP) @[ IoU=0.50:0.95 | area= all | maxDets=100 ] = 0.009 Average Precision (AP) @[ IoU=0.50 | area= all | maxDets=1000 ] = 0.051 Average Precision (AP) @[ IoU=0.75 | area= all | maxDets=1000 ] = 0.000 Average Precision (AP) @[ IoU=0.50:0.95 | area= small | maxDets=1000 ] = 0.000 Average Precision (AP) @[ IoU=0.50:0.95 | area=medium | maxDets=1000 ] = 0.028 Average Precision (AP) @[ IoU=0.50:0.95 | area= large | maxDets=1000 ] = 0.010 Average Recall (AR) @[ IoU=0.50:0.95 | area= all | maxDets=100 ] = 0.078 Average Recall (AR) @[ IoU=0.50:0.95 | area= all | maxDets=300 ] = 0.078 Average Recall (AR) @[ IoU=0.50:0.95 | area= all | maxDets=1000 ] = 0.078 Average Recall (AR) @[ IoU=0.50:0.95 | area= small | maxDets=1000 ] = 0.000 Average Recall (AR) @[ IoU=0.50:0.95 | area=medium | maxDets=1000 ] = 0.063 Average Recall (AR) @[ IoU=0.50:0.95 | area= large | maxDets=1000 ] = 0.233 05/26 12:42:18 - mmengine - INFO - bbox_mAP_copypaste: 0.009 0.051 0.000 0.000 0.028 0.010 05/26 12:42:18 - mmengine - INFO - Epoch(val) [55][6/6] coco/bbox_mAP: 0.0090 coco/bbox_mAP_50: 0.0510 coco/bbox_mAP_75: 0.0000 coco/bbox_mAP_s: 0.0000 coco/bbox_mAP_m: 0.0280 coco/bbox_mAP_l: 0.0100 data_time: 0.0161 time: 0.8761
目录结构是否有任何区别？ 我注意到您在上方传递的内容
我遵循这一点： 
edgeai-tensorlab/edgeai-modelmaker/data/datetases/imx296$ tree -d
。
├──注释
└──图像
在 tiscapes 数据集中、还有一个附加的"dataset"文件夹、用于保存注释和图像。 这可能是数据位置问题
生成的工程目录下有一个数据集目录
edgeai-tensorlab/edgeai-modelmaker/data/projects/imx296/dataset$ tree -d
。
├──注释
├──图像
├──train -> images
└──val -> images
在网上搜索,很多人都有这个问题,
https://github.com/open-mmlab/mmdetection/issues/2942#issuecomment-643910329
我尝试了上面提到的解决方案、但它不起作用。
我的数据集使用 Model Composer 成功编译、但数据集和 Model Maker 之间似乎存在问题。
您能否帮助我在您的环境中检查数据集、或帮助我查看错误日志的原因？
mmengine - error - edgeai-tensorlab/edgeai-mmdetection/mmdet/evaluation/metrics/coco_metric.py - comput_metrics- 465 -测试 整个数据集的结果为空。 
您重新安装了10.0版 tensorlab、并应用了共享修补程序以解决层命名不匹配问题
应用修补程序层命名问题 已消失、准确性似乎没有显著提高。
You retrained、现在看到明显更好的准确性、这类似于我得到的：~65% map 50
重新安装 tensorlab 并保留
也许我们安装的工具的特定依赖关系(非常相似)与模型编写器工具集有更多的不同
您是否对这两种编译器工具的依赖项进行了比较？
我之前提到了这个关于所编译两种工具的准确性的问题、但未找到根本原因。
