1、在yolov的同等目录下创建一个自己的数据集文件夹，存放自己的数据集（dataset）；
2、在dataset数据文件夹里（coco128）创建(train2017)存放：imasges(存放需要训练的原图片.jpg格式)，
labels(存放标注结果的.txt文件)文件夹；
（标注工具makesense.ai或使用labelImg-master(在D盘K210中的标记工具)）
3、将对yolov5项目文件中的\data下的.yaml文件;\model下yolov5s.yaml,yolov5-master\tarin.py相关文件进行改动
4、coco128.yaml---coco128 copy.yaml(复制-重命名)
nc: 80（使用标注的时候用到的类别数）
names: [ ]#以标注工具取的名字为准（标注的类别名称）labelImg-master--data--predefined_classes.txt类别名称
5、yolov5有许多权重文件想要用哪个权重文件就修改哪个文件中的nc值，nc就是我们标注类别的数量:yolov5s.yaml（最小速度最快）;
6、tarin.py的修改：
parser.add_argument('--weights', type=str, default='yolov5s.pt', help='initial weights path')#default='*'选择我们训练用的权重文件；
parser.add_argument('--cfg', type=str, default='models/yolov5s.yaml', help='model.yaml path')# default='*'输入我们需要用到的权重文件的配置文件；
parser.add_argument('--data', type=str, default='data/coco128 copy.yaml', help='data.yaml path')# default='*'填写我们自己修改后的标注配置文件路径；
parser.add_argument('--batch-size', type=int, default=16, help='total batch size for all GPUs')#default= 显卡不好的可以调低每次训练图片的数量，显卡好的可以尝试更高数
parser.add_argument('--img-size', nargs='+', type=int, default=[640, 640], help='[train, test] image sizes')
#, default=[640, 640]也可以填320，320，不过要求得到更好的训练数据可以选择默认的640，640
参数：
epochs：指的就是训练过程中整个数据集将被迭代多少次,显卡不行你就调小点。
batch-size：一次看完多少张图片才进行权重更新，梯度下降的mini-batch,显卡不行你就调小点。
cfg：存储模型结构的配置文件
data：存储训练、测试数据的文件
img-size：输入图片宽高,显卡不行你就调小点。
rect：进行矩形训练
resume：恢复最近保存的模型开始训练
nosave：仅保存最终checkpoint
notest：仅测试最后的epoch
evolve：进化超参数
bucket：gsutil bucket
cache-images：缓存图像以加快训练速度
weights：权重文件路径
name： 重命名results.txt to results_name.txt
device：cuda device, i.e. 0 or 0,1,2,3 or cpu
adam：使用adam优化
multi-scale：多尺度训练，img-size +/- 50%
single-cls：单类别的训练集
本文内容由网友自发贡献，版权归原作者所有，本站不承担相应法律责任。如您发现有涉嫌抄袭侵权的内容，请联系:hwhale#tublm.com(使用前将#替换为@)
