所需代码和达标软件可以查看博主资源，如
https://download.csdn.net/download/weixin_42715977/86538920一、运用vott软件对自己的数据进行打标，获得voc格式的文件，只要Annotations文件夹和JPEGImage文件夹。
二、yolov5数据集制作
2.1 在yolov5-master/data 文件夹下创建Annotations、ImageSets、JPEGImages三个文件夹
2.2 将所有图片放到JPEGImages文件夹下，将所有一中Annotation里voc格式的xml文件放入到yolov5-master/data下的Annotations下。
2.3 在根目录下(yolov5-master)运行python make_txt.py 。
2.4运行代码后ImageSets下生成数据集分类txt文件，test.txt、train.txt、trainval.txt、val.txt。
2.5修改根目录下(yolov5-master)中的voc_label.py文件，将第七行的classes改成你数据集的类别，之后在根目录下(yolov5-master)运行python voc_label.py 。
2.6运行voc_label.py后生成voc格式的标签文件labels(显示数据集的具体标注数据)，并且在data文件夹下生成了train、val、test的txt文件，其保存了图片的路径。
2.7 至此，自己的数据集格式都转换完成，还需最后一步，将原本的data/路径下的JPEGImgaes文件夹名称改为images，此时可以进行下一步。
三、修改配置文件
3.1修改myvoc.yaml文件：找到yolov5-master/data 下的myvoc.yaml文件打开
修改train、val(voc_label.py生成的txt文件)的路径，最好是绝对路径，不容易出错；
修改nc种类个数，我这只有一类人，所以为1；
修改names种类名称，我这里是person，保存即可。
3.2修改model.yaml文件，到yolov5-master/models路径下，models下有五个模型，smnlx需要的训练时间依次增加，我们一般修改yolov5s.yaml文件。
这里修改yolov5s.yaml，只需将nc的类别数修改为自己种类数即可。
四、训练模型train.py
在根目录下(yolov5-master)打开命令行运行train.py，具体如下：
python train.py --data data/myvoc.yaml --cfg models/yolov5s.yaml --weight models/yolov5s.pt --batch-size 32 --epoch 300 --data 为我们创建的myvoc.yaml文件路径
--cfg 为我们调用yolov5s模型的yaml文件路径
--weights 为我们采用的预训练模型权重pt文件路径
--batch-size和--epochs可以根据自己实际需求修改
成功开始训练如果出现下图情况，可以等待30秒或者选择3，继续训练。
五、测试模型detect.py
在根目录下(yolov5-master)打开命令行运行detect.py，具体如下：
测试图片
python detect.py --weights runs/train/person/weights/best.pt --source 1.jpg--weights 为你训练好权重的路径 --source 为你需要测试的图片路径
测试视频
python detect.py --weights runs/train/person/weights/best.pt --source person.mp4--weights 为你训练好权重的路径 --source 为你需要测试的图片路径
--source 当测试图片时写img.jpg，测试视频时写vid.mp4
训练结束去所保存的路径看测试结果
测试结果就保存在所提示的路径，找到相应的路径进行查看。