##################################
同学们，这个系列的文件不要直接就跟着我操作了，因为这个是踩坑的记录，不是教程，我只是将整个流程记录下来，让后面的同学操作的时候能够避开这些坑，希望你能将整个系列的操作流程看了一遍斟酌后进行操作
##################################
当前面几轮的流程完成后，便可开始训练
以每0.5秒实时监控GPU的情况，可以看到现在的GPU使用率
watch -n 0.5 nvidia-smi
进行训练
./darknet detector train cfg/voc.data cfg/yolov3-voc.cfg yolov4.conv.137 >> /home/heying/darknet/scripts/VOCdevkit/VOC2021/traffic_light.log
其中
这一行指令可以简化成
./darknet detector train [.data] [.cfg] [.weight]
【cfg/voc.data】->[.data] ：指刚刚配置的.data文件路径
【 cfg/yolov3-voc.cfg】->[.cfg]：指刚刚配置的.cfg文件路径
【 darknet53.conv.74】->[.weight]：是预训练权重文件的路径，可以是.weight文件，也可以是.backup文件，在这里如果是同一个项目的话，第二次的训练可以使用第一次训练生成的模型文件
【>> /home/heying/darknet/scripts/VOCdevkit/VOC2021/traffic_light.log】将终端的标准输出写入指定的traffic_light.log文件，这个只是记录下了终端运行时的所有标准输出，也就是训练过程的记录，方便后续查看。非必要
成功开始训练
在等待了约6个小时后，训练完成。可以看到在目录darknet中生成的模型训练收拢图
然后在输出的log日志文件，可以看到已经完成了5000次的训练
当训练完成后
可以先查看生成的模型的识别效果
首先将摄像头连接到运行主机中
列出当前系统连接的所有的摄像头的端口号
ls /dev/video*
当有端口号输出后，表明摄像头连接成功，我这里使用【/dev/video4】端口
什么？你问我为啥有那么多的端口号，连接了多少个摄像头，其实这里我使用的是intel的D435I深度摄像头
移动到 darknet目录
cd darknet/
使用训练生成的模型来进行摄像头识别
./darknet detector demo cfg/voc.data cfg/yolov3-voc.cfg backup/yolov3-voc_5000.weights /dev/video4
其中
【./darknet detector demo】使用摄像头进行实时检测
【 cfg/voc.data】在进行训练时所使用的data文件路径
【cfg/yolov3-voc.cfg】在进行训练时所使用的cfg配置文件路径
【 backup/yolov3-voc_5000.weights】指定使用的识别模型，这里我们使用的是训练生成的红绿灯识别模型文件
【/dev/video4】指定的摄像头端口号，代表摄像头的数据来源
可以看到识别出来了数据
此时也可以移动，更换为绿灯查看识别的效果
识别过程中终端的输出
