yolo-v5
实现步骤：
准备阶段——数据整理——模型训练——模型推理
准备阶段：需要的硬件，软件的安装，环境的配置
数据整理：图片标签标注，训练集和验证集
模型训练：模型中参数的设置，训练方法，获得训练模型
模型推理：用训练好的模型对新的数据进行推理和验证
对于yolo-v5搭建
1.注意yolov5-5.0文件夹下的VOCdevkit文件夹
对于images文件夹如下图所示，其中train与val均为jpg的图片格式
对于labels文件夹如下图所示，其中train与val文件夹中均为txt文本文档格式
对于VOC2007文件夹如下图所示，其中Annotations为打标签后的结果为xml文件，JPEGImages存放的时jpg文件，需要用label去进行打标签。YOLOLabels文件夹不详，可能为打标签时用的yolo格式，没有用voc格式。
2.进入pycharm软件，从左上角文件，点击打开，选择我们的yolov5-5.0文件夹，然后确定。先打开data，data中有一个three.yaml文件，如下图所示
在这里有几个类别，那么nc就写多少，对于names为这三个类别的名字
3.之后我们在models中，点击其中的three.yaml，同样是更改nc
4.打开requirements.txt，然后打开pycharm终端输入pip install -r requirements.txt，去配置这个项目所需要的环境
5.准备开始训练了，打开train.py文件，在456行附近去修改路径，我们的权重的路径就是weights下的yolov5s.pt，我们可以进行复制路径，复制来自内容根的路径。对应第二行我们模型的yaml是什么？我们打开模型文件models，找到其中的three.yaml然后把对应路径复制过去，同样是选择来自根内容的路径。对应第三行，同样是把路径复制过去，是我们data里面的yaml。对应于第462行中的epochs中的default（默认，预设）是我们训练的次数，我们的数据越多的话训练的次数就可以越多，可以几百个几千个。修改完后，我们点击运行，如果有报错，可以从另一个报错文档以及网上查找资料依次改正。
下面为train.py一些参数的释义：
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
6.我们训练完成后就得到了一个权重文件，权重文件我们可以在runs里面找到，然后打开train，它会生成一些新的文件夹，我们要去找到最新的那一个，如下图
把其中的best.pt文件的路径（来自根目录的）复制一下。
7.接下来我们打开detect.py，把150行那边的第一个权重文件路径粘贴为我们刚刚复制的。然后对应第二行为检测的东西，可以为视频，直接把视频放在yolov5-5.0文件夹里面，然后把对应的目录名修改好。如下图
然后点击运行即可
