在向UltralyticsYOLO仓库提交错误报告时，创建一个有效的最小可复现示例(MRE)至关重要。MRE是一个独立的代码片段，能够清楚地展示遇到的问题。这有助于维护者和贡献者理解问题并更高效地进行修复。以下是创建MRE的指南：
隔离问题
创建MRE的第一步是隔离问题。移除任何与问题无直接关系的代码或依赖。专注于引起问题的特定代码部分，并移除任何不相关的部分。
使用公共模型和数据集
在创建MRE时，使用公众可用的模型和数据集来重现问题。例如，使用yolov8n.pt模型和coco8.yaml数据集。这确保了维护者和贡献者可以轻松地运行例子并调查问题，而无需访问专有数据或自定义模型。
包含所有必要的依赖项
确保MRE中包含所有必要的依赖项。如果代码依赖于外部库，请指定所需的包及其版本。理想情况下，使用yolo checks列出依赖项，如果有ultralytics安装，或者使用pip list列出其他工具的依赖项。
编写清晰的问题描述
提供清晰、独立的問題描述。解释预期的行为和遇到的实际行为。如果可能，包括任何错误消息或相关日志。
正确格式化代码
python
# Python代码放在这里
使用代码块在问题描述中正确格式化代码。这使得其他人更容易阅读和理解代码。在GitHub上，可以通过将代码包裹在三个反引号(''')中并指定语言来创建代码块：
测试MRE
在提交错误报告之前，测试MRE以确保它准确地重现问题。确保其他人可以无问题或修改地运行例子。
示例MRE
以下是一个使用磁共振成像(MRI)的示例MRE，用于报告一个假想的错误：
错误描述：
当在0通道图像上运行推理时，遇到了一个与输入张量维度相关的错误。
import torch from ultralytics import YOLO
# 加载模型
model = YOLO("yolov8n.pt")
# 加载一个0通道图像
image = torch.rand(1, 0, 640, 640)
# 运行模型
results = model(image)
错误消息：
RuntimeError: Expected input[1, 0, 640, 640] to have 3 channels, but got 0 channels instead
依赖项：
torch==2.3.0
ultralytics==8.2.0
在这个例子中，MRE用最少的代码清楚地说明了问题，使用了公共模型("yolov8n.pt")，包含了所有必要的依赖项，并提供了清晰的问题描述和错误消息。