常連

以下は、yolo v8を実行した結果のグラフです。以下のグラフの横軸、縦軸、単位の意味を教えてほしいです。使用したコードは以下のコードで、yolo v8のコードをカスタマイズせずにそのまま使用しています。 
https://github.com/ultralytics/ultralytics

また、「box_loss」「cls_loss」「dfl_loss」の意味も教えていただきたいと思っています。

グラフの横軸がエポック数であることは調べていて理解できました。しかし、縦軸については調べた限りでは分かりませんでした。

![イメージ説明](https://ddjkaamml8q8x.cloudfront.net/questions/2023-03-22/534b0fa5-f2a2-4985-a1b3-cf261a57be23.png)

yolo v8 結果のグラフ

#問題点
以下のサイトでローカル環境でyolov5を学習しているのですが、モデルに学習させる部分（train.py）で[OSError: [WinError 1455] ページング ファイルが小さすぎるため、この操作を完了できません。]と表示されます。対処法を教えていただけると幸いです。
[参考にしたサイト](https://farml1.com/yolov5/)

![イメージ説明](d197fe84c898d3f1c96d45d48a8a933b.png)

#背景
同じアノテーションファイルでGoogle colabで学習することは出来ていました。しかし、GPUを使いすぎて制限がかけられました。そのためローカル環境で学習させたいと考えました。現在、椎茸と松茸の物体検知を行っています。

#環境
・windows10
・NVIDIA CUDA Toolkit 11.1.1
・NVIDIA cuDNN v8.2.0
・vott
・roboflow

#調べたこと
###容量確認
知恵袋でcドライブの空き容量が小さいとできないと書かれていたが、325GBもありました。
これは少ないのでしょうか。
![イメージ説明](aea2adec7c75cf417c4d5829e6ebf98f.png)

###roboflowのデータセット
roboflowにあるマスク(mask, no-mask)のデータセットを使ったのですが同じようなエラーが返されました。

「ページング ファイルが小さすぎるため、この操作を完了できません」と表示される

### 質問の概要

YOLOv8で、オリジナルデータを使って学習をし、
画像認識をさせたいのですが、うまく学習できません。
やり方に問題がないか、間違って理解している点がないかを
教えていただきたいです。

### できていること

①YOLOv8をインストールし、フリーの画像（りんごが映っている画像）
　の認識を試みたところ、成功

```python
from ultralytics import YOLO

model = YOLO("yolov8n.pt") 
results = model("./test_image/apple13.jpg",save=True, task="detect")
#認識成功
```
![イメージ説明](https://ddjkaamml8q8x.cloudfront.net/questions/2023-01-22/55e96d7d-7cd5-480f-b8f8-88735f36f623.jpeg)

### できていない（実現したい）こと


②オリジナルデータで学習・認識を行いたく、以下のような学習の準備を行った。
まず、以下のコードでフォルダを作成した。
```python
#学習検討
import os

train_dir = "./original_dataset/images"
val_dir = "./original_dataset/labels"

if not os.path.exists("./original_dataset"):
    os.mkdir("./original_dataset")
    
if not os.path.exists(train_dir):
    os.mkdir(train_dir)
    os.mkdir(train_dir+"/train")
    os.mkdir(train_dir+"/val")
    
if not os.path.exists(val_dir):
    os.mkdir(val_dir)
    os.mkdir(val_dir+"/train")
    os.mkdir(val_dir+"/val")
```
次に、フリーのすいかが映っている画像を11枚ほど収集し、別途インストールしたlabelImgで
YOLOの形式でアノテーションを行い、バウンディングボックスの位置情報が記載されたテキストファイルを生成した。
画像ファイルをimagesフォルダ内のtrainフォルダに7枚、valフォルダに4枚格納し、
それに対応する上記テキストファイルをlabelsフォルダ内のtrain, valフォルダに格納した。

③以下のようなyamlファイルを作成し、上記のimages, labelsがあるフォルダに格納した。(ファイル名はwatermelon.yaml)

```
# train and val data 
train: C:\Users\〇〇\original_dataset\images\train
val: C:\Users\〇〇\original_dataset\images\val
#フォルダ名は一部省略させて頂いています。

# number of classes
nc: 1

# class names
names: ['watermelon']

```

④　②、③の準備を終えた後、以下のコードで学習を実行した。


```python
results = model.train(data="./original_dataset/watermelon.yaml", epochs=30)
```
（学習ログは下記に記載）


⑤学習を終えた後、学習後のモデルを用いて以下のコードを実行した。
以下のソースコード中のwatermelon4.jpgは学習に用いた画像だが、
出力結果では認識されていなかった。

```python
model = YOLO("./runs/detect/train/weights/best.pt") 
results = model("./test_image/watermelon4.jpg",save=True, task="detect")
```

また、このモデルを用いると、上記①でうまく検出できた以下のファイルも
認識されなかった。

```python
results = model("./test_image/apple13.jpg",save=True, task="detect")
```


### 学習ログ

```python
Ultralytics YOLOv8.0.6  Python-3.9.15 torch-1.13.1+cpu CPU
yolo\engine\trainer: task=detect, mode=train, model=yolov8n.yaml, data=./original_dataset/watermelon.yaml, epochs=30, patience=50, batch=16, imgsz=640, save=True, cache=False, device=, workers=8, project=None, name=None, exist_ok=False, pretrained=False, optimizer=SGD, verbose=False, seed=0, deterministic=True, single_cls=False, image_weights=False, rect=False, cos_lr=False, close_mosaic=10, resume=False, overlap_mask=True, mask_ratio=4, dropout=False, val=True, save_json=False, save_hybrid=False, conf=0.001, iou=0.7, max_det=300, half=True, dnn=False, plots=True, source=ultralytics/assets/, show=False, save_txt=False, save_conf=False, save_crop=False, hide_labels=False, hide_conf=False, vid_stride=1, line_thickness=3, visualize=False, augment=False, agnostic_nms=False, retina_masks=False, format=torchscript, keras=False, optimize=False, int8=False, dynamic=False, simplify=False, opset=17, workspace=4, nms=False, lr0=0.01, lrf=0.01, momentum=0.937, weight_decay=0.001, warmup_epochs=3.0, warmup_momentum=0.8, warmup_bias_lr=0.1, box=7.5, cls=0.5, dfl=1.5, fl_gamma=0.0, label_smoothing=0.0, nbs=64, 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, cfg=None, hydra={'output_subdir': None, 'run': {'dir': '.'}}, v5loader=True, save_dir=runs\detect\train
Overriding model.yaml nc=80 with nc=1

                   from  n    params  module                                       arguments                     
  0                  -1  1       464  ultralytics.nn.modules.Conv                  [3, 16, 3, 2]                 
  1                  -1  1      4672  ultralytics.nn.modules.Conv                  [16, 32, 3, 2]                
  2                  -1  1      7360  ultralytics.nn.modules.C2f                   [32, 32, 1, True]             
  3                  -1  1     18560  ultralytics.nn.modules.Conv                  [32, 64, 3, 2]                
  4                  -1  2     49664  ultralytics.nn.modules.C2f                   [64, 64, 2, True]             
  5                  -1  1     73984  ultralytics.nn.modules.Conv                  [64, 128, 3, 2]               
  6                  -1  2    197632  ultralytics.nn.modules.C2f                   [128, 128, 2, True]           
  7                  -1  1    295424  ultralytics.nn.modules.Conv                  [128, 256, 3, 2]              
  8                  -1  1    460288  ultralytics.nn.modules.C2f                   [256, 256, 1, True]           
  9                  -1  1    164608  ultralytics.nn.modules.SPPF                  [256, 256, 5]                 
 10                  -1  1         0  torch.nn.modules.upsampling.Upsample         [None, 2, 'nearest']          
 11             [-1, 6]  1         0  ultralytics.nn.modules.Concat                [1]                           
 12                  -1  1    148224  ultralytics.nn.modules.C2f                   [384, 128, 1]                 
 13                  -1  1         0  torch.nn.modules.upsampling.Upsample         [None, 2, 'nearest']          
 14             [-1, 4]  1         0  ultralytics.nn.modules.Concat                [1]                           
 15                  -1  1     37248  ultralytics.nn.modules.C2f                   [192, 64, 1]                  
 16                  -1  1     36992  ultralytics.nn.modules.Conv                  [64, 64, 3, 2]                
 17            [-1, 12]  1         0  ultralytics.nn.modules.Concat                [1]                           
 18                  -1  1    123648  ultralytics.nn.modules.C2f                   [192, 128, 1]                 
 19                  -1  1    147712  ultralytics.nn.modules.Conv                  [128, 128, 3, 2]              
 20             [-1, 9]  1         0  ultralytics.nn.modules.Concat                [1]                           
 21                  -1  1    493056  ultralytics.nn.modules.C2f                   [384, 256, 1]                 
 22        [15, 18, 21]  1    751507  ultralytics.nn.modules.Detect                [1, [64, 128, 256]]           
Model summary: 225 layers, 3011043 parameters, 3011027 gradients, 8.2 GFLOPs

Transferred 58/355 items from pretrained weights
optimizer: SGD(lr=0.01) with parameter groups 57 weight(decay=0.0), 64 weight(decay=0.001), 63 bias
train: Scanning C:\Users\〇〇\yolov8\original_dataset\labels\train... 7 images, 0 backgrounds, 0 corr
train: New cache created: C:\Users\〇〇\yolov8\original_dataset\labels\train.cache
val: Scanning C:\Users\〇〇\yolov8\original_dataset\labels\val... 4 images, 0 backgrounds, 0 corrupt:
val: New cache created: C:\Users\〇〇\yolov8\original_dataset\labels\val.cache
Image sizes 640 train, 640 val
Using 0 dataloader workers
Logging results to runs\detect\train
Starting training for 30 epochs...

      Epoch    GPU_mem   box_loss   cls_loss   dfl_loss  Instances       Size
       1/30         0G      2.587      3.211      2.422         26        640: 100%|██████████| 1/1 [00:02<00:00,  2.46
                 Class     Images  Instances      Box(P          R      mAP50  mAP50-95): 100%|██████████| 1/1 [00:00<0
                   all          4          4     0.0025       0.75      0.148     0.0311

（略）
      Epoch    GPU_mem   box_loss   cls_loss   dfl_loss  Instances       Size
      30/30         0G      1.535      2.549      1.739         11        640: 100%|██████████| 1/1 [00:02<00:00,  2.31
                 Class     Images  Instances      Box(P          R      mAP50  mAP50-95): 100%|██████████| 1/1 [00:00<0
                   all          4          4    0.00333          1     0.0488     0.0117

30 epochs completed in 0.026 hours.
Optimizer stripped from runs\detect\train\weights\last.pt, 6.3MB
Optimizer stripped from runs\detect\train\weights\best.pt, 6.3MB

Validating runs\detect\train\weights\best.pt...
Ultralytics YOLOv8.0.6  Python-3.9.15 torch-1.13.1+cpu CPU
Fusing layers... 
Model summary: 168 layers, 3005843 parameters, 0 gradients, 8.1 GFLOPs
                 Class     Images  Instances      Box(P          R      mAP50  mAP50-95): 100%|██████████| 1/1 [00:00<0
                   all          4          4     0.0025       0.75      0.149     0.0311
Speed: 2.5ms pre-process, 85.6ms inference, 0.0ms loss, 7.5ms post-process per image
Saving runs\detect\train\predictions.json...
Results saved to runs\detect\train

```


### 教えていただきたいこと


1.なぜ今回の学習プロセスを経たモデルは学習に使用したすいかはおろか、元々認識できていたりんごも
　認識できなくなってしまったのでしょうか。
　どこかに間違ったプロセスがあれば教えていただきたいです。

2.今回のプロセスは、「yolov8n.pt」というモデルの転移学習によって、「best.pt」という
　モデルが得られたという理解であっていますでしょうか。


3.ステップ②でlabelImgで作成したYOLO形式のデータセット（テキストファイル）は、
　中身が
　「0 0.491540 0.494531 0.962775 0.957812」
　のようになっています。
　後ろ4つの数字はバウンディングボックスの座標だと思うのですが、
　先頭の0はなんでしょうか。
　ここにラベルの種類がくるとおもったのですが、0であっていますでしょうか。



### 補足情報（FW/ツールのバージョンなど）
python                    3.9.15
ultralytics               8.0.6
labelimg                  1.8.6


YOLOv8でのオリジナルデータの学習について

### 前提・実現したいこと
yolov5を用いて物体検出をしたい。
### 教えていただきたいこと
学習時に以下のエラーメッセージが表示され、学習がストップしてしまう。
```
CUDA out of memory. Tried to allocate 12.50 MiB (GPU 0; 10.92 GiB total capacity; 8.57 MiB already allocated; 9.28 GiB free; 4.68 MiB cached)
```

### 該当のソースコード

```ここに言語名を入力
python train.py --img 640 --batch 32 --epochs 100 --data training/dataset.yaml --cfg training/yolov5x-custom.yaml --weights 'yolov5x.pt '
```

### 試したこと
・海外のサイトを読んだのですが、どう具体的にGPUの容量を減らしているのか分からなかったです。
・batch数を16に変更すると学習するのですが、損失関数の値が大きくなってしまいます。
・他のyolov5l.ptの場合、batch数32のエポック数100でも学習はできましたが、損失関数のグラフが横ばいになってしまいます。

### 補足情報（FW/ツールのバージョンなど）

参考サイト：
yolov5：https://github.com/ultralytics/yolov5.git
CUDA out of memoyの対策：https://github.com/pytorch/pytorch/issues/16417

yolov5の学習時に「CUDA out of memory」とエラー表示される

### 実現したいこと
jupyter notebookでpythonを用いて、自作のデータセットをYOLOv8を使用して画像学習させたい

### 発生している問題・分からないこと
from ultralytics import YOLO
model = YOLO("yolov8n.pt")
model.train(data="datasets.yaml", epochs=5, batch=8, workers=4, degrees=45.0)
というコードを実行したら下記のエラーが出てきた

### エラーメッセージ
```error
ValueError                                Traceback (most recent call last)
Cell In[1], line 23
     21 from ultralytics import YOLO
     22 model = YOLO("yolov8n.pt")
---> 23 model.train(data="datasets.yaml", epochs=5, batch=8, workers=4, degrees=45.0)

File ~\anaconda3\envs\Aidemy\Lib\site-packages\ultralytics\engine\model.py:802, in Model.train(self, trainer, **kwargs)
    799     self.model = self.trainer.model
    801 self.trainer.hub_session = self.session  # attach optional HUB session
--> 802 self.trainer.train()
    803 # Update model and cfg after training
    804 if RANK in {-1, 0}:

File ~\anaconda3\envs\Aidemy\Lib\site-packages\ultralytics\engine\trainer.py:207, in BaseTrainer.train(self)
    204         ddp_cleanup(self, str(file))
    206 else:
--> 207     self._do_train(world_size)

File ~\anaconda3\envs\Aidemy\Lib\site-packages\ultralytics\engine\trainer.py:327, in BaseTrainer._do_train(self, world_size)
    325 if world_size > 1:
    326     self._setup_ddp(world_size)
--> 327 self._setup_train(world_size)
    329 nb = len(self.train_loader)  # number of batches
    330 nw = max(round(self.args.warmup_epochs * nb), 100) if self.args.warmup_epochs > 0 else -1  # warmup iterations

File ~\anaconda3\envs\Aidemy\Lib\site-packages\ultralytics\engine\trainer.py:291, in BaseTrainer._setup_train(self, world_size)
    289 # Dataloaders
    290 batch_size = self.batch_size // max(world_size, 1)
--> 291 self.train_loader = self.get_dataloader(self.trainset, batch_size=batch_size, rank=LOCAL_RANK, mode="train")
    292 if RANK in {-1, 0}:
    293     # Note: When training DOTA dataset, double batch size could get OOM on images with >2000 objects.
    294     self.test_loader = self.get_dataloader(
    295         self.testset, batch_size=batch_size if self.args.task == "obb" else batch_size * 2, rank=-1, mode="val"
    296     )

File ~\anaconda3\envs\Aidemy\Lib\site-packages\ultralytics\models\yolo\detect\train.py:49, in DetectionTrainer.get_dataloader(self, dataset_path, batch_size, rank, mode)
     47 assert mode in {"train", "val"}, f"Mode must be 'train' or 'val', not {mode}."
     48 with torch_distributed_zero_first(rank):  # init dataset *.cache only once if DDP
---> 49     dataset = self.build_dataset(dataset_path, mode, batch_size)
     50 shuffle = mode == "train"
     51 if getattr(dataset, "rect", False) and shuffle:

File ~\anaconda3\envs\Aidemy\Lib\site-packages\ultralytics\models\yolo\detect\train.py:43, in DetectionTrainer.build_dataset(self, img_path, mode, batch)
     34 """
     35 Build YOLO Dataset.
     36 
   (...)
     40     batch (int, optional): Size of batches, this is for `rect`. Defaults to None.
     41 """
     42 gs = max(int(de_parallel(self.model).stride.max() if self.model else 0), 32)
---> 43 return build_yolo_dataset(self.args, img_path, batch, self.data, mode=mode, rect=mode == "val", stride=gs)

File ~\anaconda3\envs\Aidemy\Lib\site-packages\ultralytics\data\build.py:87, in build_yolo_dataset(cfg, img_path, batch, data, mode, rect, stride, multi_modal)
     85 """Build YOLO Dataset."""
     86 dataset = YOLOMultiModalDataset if multi_modal else YOLODataset
---> 87 return dataset(
     88     img_path=img_path,
     89     imgsz=cfg.imgsz,
     90     batch_size=batch,
     91     augment=mode == "train",  # augmentation
     92     hyp=cfg,  # TODO: probably add a get_hyps_from_cfg function
     93     rect=cfg.rect or rect,  # rectangular batches
     94     cache=cfg.cache or None,
     95     single_cls=cfg.single_cls or False,
     96     stride=int(stride),
     97     pad=0.0 if mode == "train" else 0.5,
     98     prefix=colorstr(f"{mode}: "),
     99     task=cfg.task,
    100     classes=cfg.classes,
    101     data=data,
    102     fraction=cfg.fraction if mode == "train" else 1.0,
    103 )

File ~\anaconda3\envs\Aidemy\Lib\site-packages\ultralytics\data\dataset.py:64, in YOLODataset.__init__(self, data, task, *args, **kwargs)
     62 self.data = data
     63 assert not (self.use_segments and self.use_keypoints), "Can not use both segments and keypoints."
---> 64 super().__init__(*args, **kwargs)

File ~\anaconda3\envs\Aidemy\Lib\site-packages\ultralytics\data\base.py:74, in BaseDataset.__init__(self, img_path, imgsz, cache, augment, hyp, prefix, rect, batch_size, stride, pad, single_cls, classes, fraction)
     72 self.fraction = fraction
     73 self.im_files = self.get_img_files(self.img_path)
---> 74 self.labels = self.get_labels()
     75 self.update_labels(include_class=classes)  # single_cls and include_class
     76 self.ni = len(self.labels)  # number of images

File ~\anaconda3\envs\Aidemy\Lib\site-packages\ultralytics\data\dataset.py:161, in YOLODataset.get_labels(self)
    159 # Check if the dataset is all boxes or all segments
    160 lengths = ((len(lb["cls"]), len(lb["bboxes"]), len(lb["segments"])) for lb in labels)
--> 161 len_cls, len_boxes, len_segments = (sum(x) for x in zip(*lengths))
    162 if len_segments and len_boxes != len_segments:
    163     LOGGER.warning(
    164         f"WARNING ⚠️ Box and segment counts should be equal, but got len(segments) = {len_segments}, "
    165         f"len(boxes) = {len_boxes}. To resolve this only boxes will be used and all segments will be removed. "
    166         "To avoid this please supply either a detect or segment dataset, not a detect-segment mixed dataset."
    167     )
ValueError: not enough values to unpack (expected 3, got 0)
```

### 該当のソースコード

```python
from ultralytics import YOLO
model = YOLO("yolov8n.pt")
model.train(data="datasets.yaml", epochs=5, batch=8, workers=4, degrees=45.0)
```

```yamlファイル
# Path
path: ../datasets  # dataset root directory
train: images/train  # train images (relative to 'path')
val: images/val      # val images (relative to 'path')
# test: images/test  # optional, if you have test data

# Class names
names:
  0: manchester city
  1: manchester united
  2: real madrid
```

### 試したこと・調べたこと
- [x] teratailやGoogle等で検索した
- [x] ソースコードを自分なりに変更した
- [x] 知人に聞いた
- [ ] その他

##### 上記の詳細・結果
yamlファイルでネームリストを
nc : 3
names: ['manchester city','manchester united','real madrid']
にして実行してみたが同じエラーが出た

### 補足
特になし

Jupiter notebookでのValueError: not enough values to unpack (expected 3, got 0)というエラー

### 前提・実現したいこと
業務で物体検出ライブラリを使ったカメラ解析システムを作ることになりました。
イメージとしては以下のようなシステムです。
1. 監視カメラの映像からYOLOv3を使って人間だけを検出する（BBoxの取得）。
2. 各BBOxを画像からクロッピングし、別のDNNの入力とすることで映っている人間の属性を判定する（年齢、性別、服装など）。
3. 判定結果をcsvに出力する。

まずは1のYOLOv3についてkeras実装であるkeras-yolo3を参考に作ることにしました。
> [qqwwee/keras-yolo3](https://github.com/qqwweee/keras-yolo3)

### 疑問点

YOLOv3では入力画像サイズは32の倍数の正方形型である必要があると聞き、学習時の入力画像は416x416にリサイズした上でアノテーションを行っています。また以下のトピックでも述べられている通り、YOLOv3の入力画像サイズは学習・推論時に同一であるべきだと認識しています。
> [YOLO Darknet 学習・推論での画像サイズについて](https://teratail.com/questions/283687) 

しかし、推論時において入力となる監視カメラの映像のアスペクト比として4:3ないし16:9しか選ぶことができません。

試しに元のサイズ（640x480）の画像を入力して推論を実行したところ、実行エラー等は生じず、推論結果も一見妥当なものとなりました。どうやら前述のkeras実装ではアスペクト比が1:1でない画像が入力となったときにletterbox_image処理によって元画像のアスペクト比を損なわない形でリサイズ（拡大・縮小とパディング）が行われているようです。出力画像（BBoxが追加された画像）では元のサイズ（640x480）に戻っていることから、サイズの復元も行われているように見受けられます。
>  [Darknet YOLOが少し変わっていた件](https://natsutan.hatenablog.com/entry/20180120/1516432340)
>  [letterbox_image処理(L20-)](https://github.com/qqwweee/keras-yolo3/blob/master/yolo3/utils.py)
>  [リサイズ処理（L102-）](https://github.com/qqwweee/keras-yolo3/blob/master/yolo.py)

上記のようにkeras実装内では入力画像のリサイズ処理が含まれていますが、この場合でも「学習・推論時に画像サイズが同一でない」という状態に該当するのでしょうか？
また、学習・推論時に画像サイズが同一でないとき、「学習時と条件が異なることで推定精度が下がる」以外に何か問題はあるのでしょうか？

私自身プログラミング・機械学習について十分な知識があるとは言えず、また周囲に詳しい人間もおりません。
ご助言いただけますと幸いです。よろしくお願いいたします。

YOLOv3における入力画像のリサイズ処理の影響

YOLOv5をローカル環境で行っているのですが、ReaderErrorで以下のコードが実行できません。
```python
python detect.py --source ./data/images/ --weights yolov5s.pt --conf 0.4
```
エラー内容は以下の通りです。
```ここに言語を入力
 raise ReaderError(self.name, position, ord(character),
yaml.reader.ReaderError: unacceptable character #x0080: special characters are not allowed
  in "data\coco128.yaml", position 227
```
参考として以下にインストール済みのライブラリを載せておきます。
absl-py                   0.15.0             pyhd3eb1b0_0
aiohttp                   3.8.1            py38h2bbff1b_0
aiosignal                 1.2.0              pyhd3eb1b0_0
argon2-cffi               20.1.0           py38h2bbff1b_1
async-timeout             4.0.1              pyhd3eb1b0_0
async_generator           1.10               pyhd3eb1b0_0
attrs                     21.2.0             pyhd3eb1b0_0
backcall                  0.2.0              pyhd3eb1b0_0
blas                      1.0                         mkl
bleach                    4.1.0              pyhd3eb1b0_0
blinker                   1.4              py38haa95532_0
bottleneck                1.3.2            py38h2a96729_1
brotli                    1.0.9                ha925a31_2
brotlipy                  0.7.0           py38h2bbff1b_1003
ca-certificates           2021.10.26           haa95532_2
cachetools                4.2.2              pyhd3eb1b0_0
certifi                   2021.10.8        py38haa95532_2
cffi                      1.15.0           py38h2bbff1b_0
charset-normalizer        2.0.4              pyhd3eb1b0_0
click                     8.0.3              pyhd3eb1b0_0
colorama                  0.4.4              pyhd3eb1b0_0
cryptography              3.4.8            py38h71e12ea_0
cudatoolkit               11.3.1               h59b6b97_2
cycler                    0.11.0             pyhd3eb1b0_0
dataclasses               0.8                pyh6d0b6a4_7
debugpy                   1.5.1            py38hd77b12b_0
decorator                 5.1.0              pyhd3eb1b0_0
defusedxml                0.7.1              pyhd3eb1b0_0
entrypoints               0.3                      py38_0
fonttools                 4.25.0             pyhd3eb1b0_0
freetype                  2.10.4               hd328e21_0
frozenlist                1.2.0            py38h2bbff1b_0
google-auth               1.33.0             pyhd3eb1b0_0
google-auth-oauthlib      0.4.1                      py_2
grpcio                    1.42.0           py38hc60d5dd_0
icc_rt                    2019.0.0             h0cc432a_1
icu                       58.2                 ha925a31_3
idna                      3.3                pyhd3eb1b0_0
importlib-metadata        4.8.2            py38haa95532_0
importlib_metadata        4.8.2                hd3eb1b0_0
intel-openmp              2021.4.0          haa95532_3556
ipykernel                 6.4.1            py38haa95532_1
ipython                   7.29.0           py38hd4e2768_0
ipython_genutils          0.2.0              pyhd3eb1b0_1
jedi                      0.18.0           py38haa95532_1
jinja2                    3.0.2              pyhd3eb1b0_0
jpeg                      9d                   h2bbff1b_0
jsonschema                3.2.0              pyhd3eb1b0_2
jupyter_client            7.1.0              pyhd3eb1b0_0
jupyter_core              4.9.1            py38haa95532_0
jupyterlab_pygments       0.1.2                      py_0
kiwisolver                1.3.1            py38hd77b12b_0
libpng                    1.6.37               h2a8f88b_0
libprotobuf               3.19.1               h23ce68f_0
libtiff                   4.2.0                hd0e1b90_0
libuv                     1.40.0               he774522_0
libwebp                   1.2.0                h2bbff1b_0
lz4-c                     1.9.3                h2bbff1b_1
m2w64-gcc-libgfortran     5.3.0                         6
m2w64-gcc-libs            5.3.0                         7
m2w64-gcc-libs-core       5.3.0                         7
m2w64-gmp                 6.1.0                         2
m2w64-libwinpthread-git   5.0.0.4634.697f757               2
markdown                  3.3.4            py38haa95532_0
markupsafe                2.0.1            py38h2bbff1b_0
matplotlib                3.5.0            py38haa95532_0
matplotlib-base           3.5.0            py38h6214cd6_0
matplotlib-inline         0.1.2              pyhd3eb1b0_2
mistune                   0.8.4           py38he774522_1000
mkl                       2021.4.0           haa95532_640
mkl-service               2.4.0            py38h2bbff1b_0
mkl_fft                   1.3.1            py38h277e83a_0
mkl_random                1.2.2            py38hf11a4ad_0
msys2-conda-epoch         20160418                      1
multidict                 5.1.0            py38h2bbff1b_2
munkres                   1.1.4                      py_0
nbclient                  0.5.3              pyhd3eb1b0_0
nbconvert                 6.1.0            py38haa95532_0
nbformat                  5.1.3              pyhd3eb1b0_0
nest-asyncio              1.5.1              pyhd3eb1b0_0
notebook                  6.4.6            py38haa95532_0
numexpr                   2.8.1            py38hb80d3ca_0
numpy                     1.21.2           py38hfca59bb_0
numpy-base                1.21.2           py38h0829f74_0
oauthlib                  3.1.1              pyhd3eb1b0_0
olefile                   0.46               pyhd3eb1b0_0
opencv-python             4.5.5.62                 pypi_0    pypi
openssl                   1.1.1m               h2bbff1b_0
packaging                 21.3               pyhd3eb1b0_0
pandas                    1.3.5            py38h6214cd6_0
pandocfilters             1.4.3            py38haa95532_1
parso                     0.8.3              pyhd3eb1b0_0
pickleshare               0.7.5           pyhd3eb1b0_1003
pillow                    8.4.0            py38hd45dc43_0
pip                       21.3.1                   pypi_0    pypi
prometheus_client         0.12.0             pyhd3eb1b0_0
prompt-toolkit            3.0.20             pyhd3eb1b0_0
protobuf                  3.19.1           py38hd77b12b_0
pyasn1                    0.4.8              pyhd3eb1b0_0
pyasn1-modules            0.2.8                      py_0
pycparser                 2.21               pyhd3eb1b0_0
pygments                  2.10.0             pyhd3eb1b0_0
pyjwt                     2.1.0            py38haa95532_0
pyopenssl                 21.0.0             pyhd3eb1b0_1
pyparsing                 3.0.4              pyhd3eb1b0_0
pyqt                      5.9.2            py38ha925a31_4
pyrsistent                0.18.0           py38h196d8e1_0
pysocks                   1.7.1            py38haa95532_0
python                    3.8.12               h6244533_0
python-dateutil           2.8.2              pyhd3eb1b0_0
pytorch                   1.10.1          py3.8_cuda11.3_cudnn8_0    pytorch
pytorch-mutex             1.0                        cuda    pytorch
pytz                      2021.3             pyhd3eb1b0_0
pywin32                   302              py38h827c3e9_1
pywinpty                  0.5.7                    py38_0
pyzmq                     22.3.0           py38hd77b12b_2
qt                        5.9.7            vc14h73c81de_0
requests                  2.27.1             pyhd3eb1b0_0
requests-oauthlib         1.3.0                      py_0
rsa                       4.7.2              pyhd3eb1b0_1
scipy                     1.7.3            py38h0a974cb_0
seaborn                   0.11.2             pyhd3eb1b0_0
send2trash                1.8.0              pyhd3eb1b0_1
setuptools                60.5.0                   pypi_0    pypi
sip                       4.19.13          py38ha925a31_0
six                       1.16.0             pyhd3eb1b0_0
sqlite                    3.37.0               h2bbff1b_0
tensorboard               2.6.0                      py_1
tensorboard-data-server   0.6.0            py38haa95532_0
tensorboard-plugin-wit    1.6.0                      py_0
terminado                 0.9.4            py38haa95532_0
testpath                  0.5.0              pyhd3eb1b0_0
thop                      0.0.31-2005241907          pypi_0    pypi
tk                        8.6.11               h2bbff1b_0
torchaudio                0.10.1               py38_cu113    pytorch
torchvision               0.11.2               py38_cu113    pytorch
tornado                   6.1              py38h2bbff1b_0
tqdm                      4.62.3             pyhd3eb1b0_1
traitlets                 5.1.1              pyhd3eb1b0_0
typing-extensions         3.10.0.2             hd3eb1b0_0
typing_extensions         3.10.0.2           pyh06a4308_0
urllib3                   1.26.7             pyhd3eb1b0_0
vc                        14.2                 h21ff451_1
vs2015_runtime            14.27.29016          h5e58377_2
wcwidth                   0.2.5              pyhd3eb1b0_0
webencodings              0.5.1                    py38_1
werkzeug                  2.0.2              pyhd3eb1b0_0
wheel                     0.37.1             pyhd3eb1b0_0
win_inet_pton             1.1.0            py38haa95532_0
wincertstore              0.2              py38haa95532_2
winpty                    0.4.3                         4
xz                        5.2.5                h62dcd97_0
yaml                      0.2.5                he774522_0
yarl                      1.6.3            py38h2bbff1b_0
zipp                      3.7.0              pyhd3eb1b0_0
zlib                      1.2.11               h8cc25b3_4
zstd                      1.4.9                h19a0ad4_0

よろしくお願いいたします。

YOLOv5でReaderError

### 前提
機械学習の物体検出で使うYOLOの質問です。

データセットを用いた学習後にobjectnessやBoxやclassificationのグラフがでると思います。
この中のBoxとobjectnessの違いが分かりません。
内容を調べたところどちらも物体を検出して損失を調べている？という曖昧な理解までしかできませんでした。
またloss.pyの内容も確認は行いましたがコードに違いがあるが、結局何をしているのかが分かりませんでした。

どのような計算が行われていて、どのような事をしているのかが分かるサイトなどがありましたら教えていただきたいです。

### 実現したいこと

Boxとobjectnessがそれぞれどのような計算をおこなっているのか・どのような事をしているのか
### 試したこと
ここのサイトにある他の質問にあったサイトを翻訳を活用して参考にしていました。
yolov7/utils/loss.py
https://github.com/WongKinYiu/yolov7/blob/main/utils/loss.py 
このサイトにあるコード(400行目辺り)をもとに調べてました。

### 補足情報（FW/ツールのバージョンなど）

yolov7を使用しています。
