0、配置环境
配置yolov5s所需的环境：
框架：pytorch
环境管理：anaconda(推荐)
IDE：pycharm(推荐)
前边系列有讲过，这里先跳过了
数据集准备
数据集，就是针对于自己任务的图片和标签，以自己的应用场景为例需要检测锥桶，数据打标签的方法在上一篇这里https://blog.csdn.net/qq_53086461/article/details/129210323，可以自己手动打标签，或者通过半自动标注，或者别人训练好的模型你拿过来把输出当成是标签。采用的是yolo标签格式，类别，归一化的中心和长宽。
文件关系如下，yolov5-master文件夹内新建dataset，下边包含images和labels：images放是train和val的图片，我这里用了202张训练，110张评估。labels是放着标签文件txt，需要和train和val的图片对应起来。
2、配置yaml文件
在yolov5-master/data下新建自己的yaml文件
path:dataset位置
train:训练集位置
val:评估集位置
names：就是你自定义的数据中类别名字，因为标签是yolo格式的类别只有数字，所以要做个映射写在这里，以我的数据集为例，就是4个类别，分别是大锥桶、黄色、蓝色、红色。
path: dataset
train: images/train
val: images/val
# Classes
names:
0: biggyellow
1: yellow
2: blue
3: red3、开始训练
提前配置pycharm
文件位置，你要执行的文件
参数，--weights 写一个预训练模型yolov5s,--data 换成刚才自己的写的yaml文件，根据自己显卡设置--batch-size，因为我是windows做的实验，加上了--worksers 0
切换环境
--weights yolov5s.pt --data data/cone.yaml --workers 0 --batch-size 16如果是linux服务器
conda activate 你的环境
cd 你的yolo文件夹
python train.py --weights yolov5s.pt --data data/cone.yaml --workers 0 --batch-size 83.1查看打屏信息
训练202张，评估111张，一共是100个epoch，而每个epoch是13次（202/bachsize），每个epoch大概是30s。设备是笔记本3060 6G，所以自己算一下一个小时左右就可以训练结束。
3.2tensorboard查看信息
打开一个anaconda powershell终端，cd到你的文件夹
tensorboard --logdir runs\train会出现一个网址，locolhost:6006，浏览器输入即可，这里会有一些训练的信息，并且通过曲线就可以看到。一些指标，和loss曲线，如果你发现loss不下降那基本训练也没啥用了，或者训练集下降评估集不咋变，就过拟合了，就可以及时停掉省电费。
3.3 查看runs/train/exp
这里也有一些训练过程中结果展示，weights中存放了权重文件，自动保存效果最好的权重文件。
4、测试
训练结束后，会自动测试，并给出一定结果，我们想可视化的看到训练出的结果，可以将刚才训练中pt文件导出来，自己测试。
--weights runs/train/exp3/weights/best.pt --source dataset/images/val运行detect.py，在runs/detect文件夹生成exp
5、其他
detect 时候 添加--save-txt可以保存标签，这些标签可以用作训练，当数据集不多的时候
--weights runs/train/exp3/weights/best.pt --source dataset/images/val --save-txt2、找到colors，这里我修改了前四个颜色，所以刚好和我的标签颜色对应起来
完结~~~