（YOLOv5）物体検出でエラー「 Label class 1 exceeds nc=1 in data.yaml. Possible class labels are 0-0」

yolov5物体検出をしています。
スナックエンドウの画像を使って学習実行の項目くでつまづいてしまいました。

私はスナックエンドウではなく、キャベツで物体検出しています。
エラー結果の意味がいまいち分からず、何かアドバイスいただけると嬉しいです。

使用するtrain.pyのプログラムが長いのでリンク先で確認していただけたらと思います。
プログラムの確認先

実行結果とエラー
↓

(yolov5) C:\Users\isl\Desktop\yolov5>python train.py --data data.yaml --cfg yolov5m.yaml --weights '' --batch-size 8 --epochs 100
train: weights='', cfg=yolov5m.yaml, data=data.yaml, hyp=data\hyps\hyp.scratch-low.yaml, epochs=100, batch_size=8, imgsz=640, rect=False, resume=False, nosave=False, noval=False, noautoanchor=False, noplots=False, evolve=None, bucket=, cache=None, image_weights=False, device=, multi_scale=False, single_cls=False, optimizer=SGD, sync_bn=False, workers=8, project=runs\train, name=exp, exist_ok=False, quad=False, cos_lr=False, label_smoothing=0.0, patience=100, freeze=[0], save_period=-1, seed=0, local_rank=-1, entity=None, upload_dataset=False, bbox_interval=-1, artifact_alias=latest
github: skipping check (not a git repository), for updates see https://github.com/ultralytics/yolov5
YOLOv5  2022-10-19 Python-3.8.13 torch-1.7.1+cu110 CUDA:0 (NVIDIA GeForce GTX 1050 Ti, 4096MiB)

hyperparameters: lr0=0.01, lrf=0.01, momentum=0.937, weight_decay=0.0005, warmup_epochs=3.0, warmup_momentum=0.8, warmup_bias_lr=0.1, box=0.05, cls=0.5, cls_pw=1.0, obj=1.0, obj_pw=1.0, iou_t=0.2, anchor_t=4.0, fl_gamma=0.0, hsv_h=0.015, hsv_s=0.7, hsv_v=0.4, degrees=0.0, translate=0.1, scale=0.5, shear=0.0, perspective=0.0, flipud=0.0, fliplr=0.5, mosaic=1.0, mixup=0.0, copy_paste=0.0
ClearML: run 'pip install clearml' to automatically track, visualize and remotely train YOLOv5  in ClearML
Comet: run 'pip install comet_ml' to automatically track and visualize YOLOv5  runs in Comet
TensorBoard: Start with 'tensorboard --logdir runs\train', view at http://localhost:6006/
Overriding model.yaml nc=80 with nc=1

                 from  n    params  module                                  arguments
  0                -1  1      5280  models.common.Conv                      [3, 48, 6, 2, 2]
  1                -1  1     41664  models.common.Conv                      [48, 96, 3, 2]
  2                -1  2     65280  models.common.C3                        [96, 96, 2]
  3                -1  1    166272  models.common.Conv                      [96, 192, 3, 2]
  4                -1  4    444672  models.common.C3                        [192, 192, 4]
  5                -1  1    664320  models.common.Conv                      [192, 384, 3, 2]
  6                -1  6   2512896  models.common.C3                        [384, 384, 6]
  7                -1  1   2655744  models.common.Conv                      [384, 768, 3, 2]
  8                -1  2   4134912  models.common.C3                        [768, 768, 2]
  9                -1  1   1476864  models.common.SPPF                      [768, 768, 5]
 10                -1  1    295680  models.common.Conv                      [768, 384, 1, 1]
 11                -1  1         0  torch.nn.modules.upsampling.Upsample    [None, 2, 'nearest']
 12           [-1, 6]  1         0  models.common.Concat                    [1]
 13                -1  2   1182720  models.common.C3                        [768, 384, 2, False]
 14                -1  1     74112  models.common.Conv                      [384, 192, 1, 1]
 15                -1  1         0  torch.nn.modules.upsampling.Upsample    [None, 2, 'nearest']
 16           [-1, 4]  1         0  models.common.Concat                    [1]
 17                -1  2    296448  models.common.C3                        [384, 192, 2, False]
 18                -1  1    332160  models.common.Conv                      [192, 192, 3, 2]
 19          [-1, 14]  1         0  models.common.Concat                    [1]
 20                -1  2   1035264  models.common.C3                        [384, 384, 2, False]
 21                -1  1   1327872  models.common.Conv                      [384, 384, 3, 2]
 22          [-1, 10]  1         0  models.common.Concat                    [1]
 23                -1  2   4134912  models.common.C3                        [768, 768, 2, False]
 24      [17, 20, 23]  1     24246  models.yolo.Detect                      [1, [[10, 13, 16, 30, 33, 23], [30, 61, 62, 45, 59, 119], [116, 90, 156, 198, 373, 326]], [192, 384, 768]]
YOLOv5m summary: 291 layers, 20871318 parameters, 20871318 gradients, 48.2 GFLOPs

AMP: checks passed
optimizer: SGD(lr=0.01) with parameter groups 79 weight(decay=0.0), 82 weight(decay=0.0005), 82 bias
train: Scanning 'C:\Users\isl\Desktop\yolov5\data\Train\labels.cache' images and labels... 40 found, 0 missing, 0 empty
Traceback (most recent call last):
  File "train.py", line 630, in <module>
    main(opt)
  File "train.py", line 524, in main
    train(opt.hyp, opt, device, callbacks)
  File "train.py", line 202, in train
    assert mlc < nc, f'Label class {mlc} exceeds nc={nc} in {data}. Possible class labels are 0-{nc - 1}'
AssertionError: Label class 1 exceeds nc=1 in data.yaml. Possible class labels are 0-0

jbpb0

2022/12/06 10:10

> AssertionError: Label class 1 exceeds nc=1 in data.yaml. Possible class labels are 0-0 「nc=1」(検出対象が一種類)なのでクラスラベルは「0」だけのはずなのに、クラスラベルに「1」がある、というエラーです > キャベツで物体検出しています。アノテーションは、一種類のキャベツだけですか？

hona_tan

2022/12/07 04:05

コメントありがとうございます。他にもいんげん、人参、豚肉、じゃがいも、タマネギをアノテーションしています。ですがディレクトリ、yolov5/data/Trainの中にはキャベツだけしか入れていません。これがいけないのでしょうか？

jbpb0

2022/12/07 04:23 編集

> 他にもいんげん、人参、豚肉、じゃがいも、タマネギをアノテーションしています。アノテーション時に、対象物毎に違うラベルが付与されますよねキャベツを含めて6種類なら、0〜5のどれかになります > ディレクトリ、yolov5/data/Trainの中にはキャベツだけしか入れていません。アノテーション時にキャベツに付与されたラベルが「0」ならいいのですが、もしキャベツのラベルが「0」以外ならダメだと思いますエラーメッセージから想像すると、キャベツのラベルが「1」なのではないですかね

hona_tan

2022/12/07 04:30

0～5の数字をすべて試しましたが、同じエラーが表示されます。ラベルの確認方法はありますか？前に6種類すべてをディレクトリ、yolov5/data/Trainの中入れて実行したときはエラーなく実行されました。

jbpb0

2022/12/07 06:21

> ラベルの確認方法はありますか？「labels」ディレクトリにある「*.txt」ファイルを調べてください https://www.alpha.co.jp/blog/202108_02 の「自作データセットを用いたYOLOv5での学習」の「データセットの準備」の例のように、行の先頭(一番左)の数値がラベルです上記Webページの例では、二つの行のどちらも「0」ですまた、上記Webページの「学習」に書かれてるように、「data.yaml」の「nc:」と「names:」も確認してくださいエラーに「nc=1」とあるので「nc:」は大丈夫だと思いますが、「names:」も一つだけでしょうか？

hona_tan

2022/12/07 06:33

確認方法をご提示してくださりありがとうございます。確認しました。 nameも一つだけなのでプログラムは正しく書けていると思います。

jbpb0

2022/12/07 06:59 編集

ラベルが一つということは、ラベルは「0」だけですよ質問に追加された画像を見たら、「*.txt」ファイルの行の先頭(一番左)の数値が全て「1」ですよねそこが「0」じゃないとダメです > 0～5の数字をすべて試しましたが、同じエラーが表示されます。では、何を試したのでしょうか？「labels」ディレクトリにある「*.txt」ファイルの行の先頭(一番左)の数値を書き換えたのではないのでしょうか？

hona_tan

2022/12/07 07:08

ということは、食材一つ一つを物体検出させるにはアノテーションやり直しでしょうか？またこのようなプログラムの書き方どうですか？質問に写真を追加したので確認お願いいたします。

hona_tan

2022/12/07 07:13

申し訳ございません。「0～5の数字をすべて試しましたが、同じエラーが表示されます。」についてですが、nc:の数字を変えて再度実行したことを意味しています。また「*.txt」ファイルの行の先頭(一番左)の数値ですが、書き換えていません。

jbpb0

2022/12/07 07:47 編集

キャベツのラベルが「1」なら、「nc: 2」にして、「names:」は先頭の二つだけにして、画像と「*.txt」はキャベツのだけにしたら、どうなりますか？ > 「0～5の数字をすべて試しましたが、同じエラーが表示されます。」についてですが、nc:の数字を変えて再度実行したことを意味しています。「nc:」の数値が「2以上」ならラベル「1」は大丈夫なはずなので、エラーが出るとしても > AssertionError: Label class 1 exceeds nc=1 in data.yaml. Possible class labels are 0-0 とは違うエラーになるはずですが、どんなエラーが出るのでしょうか？

jbpb0

2022/12/07 07:50

> 食材一つ一つを物体検出させるにはアノテーションやり直しでしょうか？「labels」の「*.txt」は、どのようにして作ったのでしょうか？何らかのアノテーション用のツールで作成したファイルから、何らかのプログラムでyolov5用の「*.txt」ファイルに変換したのでしょうか？

hona_tan

2022/12/07 07:51

実行してみました。質問内容とは別のエラーが出てきました。 ↓ cv2.error: OpenCV(4.6.0) D:\a\opencv-python\opencv-python\opencv\modules\core\src\alloc.cpp:73: error: (-4:Insufficient memory) Failed to allocate 18662400 bytes in function 'cv::OutOfMemoryError'

jbpb0

2022/12/07 08:21 編集

> Failed to allocate 18662400 bytes in function 'cv::OutOfMemoryError' メモリーが足りない、と言われてるようです windowsを使ってるなら、「ページングファイル」のサイズを増やしてみてください https://www.windows10info.net/setup/pagefile.html

hona_tan

2022/12/07 09:04

何から何まで本当にありがとうございます。不要な大きいファイルを消して容量を空けました。今のところ無事実行されているので、最後まで待っていようと思います。エポック数１００でしているのでそんなに時間はかからないと思います。

hona_tan

2022/12/07 09:15

実行終わりました。無事にきちんとした実行結果がでました！ありがとうございます。 jbpb0さんの回答をベストアンサーにしたいのですが、、

jbpb0

2022/12/07 10:01 編集

どうやったらうまくいったのでしょうか？ > キャベツのラベルが「1」なら、「nc: 2」にして、「names:」は先頭の二つだけにして、画像と「*.txt」はキャベツのだけとしたのでしょうか？

hona_tan

2022/12/15 08:04

そうです！