一、首先要保证自己的环境已经配置完整，可以跑通自带图片的检测
二、准备自己的数据集,（使用labelimg）
1.在yolov5-5.0创建一个新的文件夹，比如map_gongxunsai，在此文件夹下创建
labels （存放labelimg生成的标注文件）
images （存放图片）
ImageSets （在此文件夹再创建一个Main文件夹）
文件夹
最新的labelimg已经可以直接标注产生yolov5可用的.txt文件，不需要再使用voc转txt的脚本了。
选择这个就可以生成.txt文件了。
2.可以使用下面的代码进行训练集、验证集、测试集的划分，由于之前使用的仍然是voc转txt的方法，所以有些变量名没有更改，但是对应的文件夹已更改
# coding:utf-8
import os
import random
import argparse
parser = argparse.ArgumentParser()
#txt文件的地址，根据自己的数据进行修改
parser.add_argument('--xml_path', default='labels', type=str, help='input xml label path')
#数据集的划分，地址选择自己数据下的ImageSets/Main
parser.add_argument('--txt_path', default='ImageSets/Main', type=str, help='output txt label path')
opt = parser.parse_args()
trainval_percent = 0.9
train_percent = 0.9
xmlfilepath = opt.xml_path
txtsavepath = opt.txt_path
total_xml = os.listdir(xmlfilepath)
if not os.path.exists(txtsavepath):
os.makedirs(txtsavepath)
num = len(total_xml)
list_index = range(num)
tv = int(num * trainval_percent)
tr = int(tv * train_percent)
trainval = random.sample(list_index, tv)
train = random.sample(trainval, tr)
file_trainval = open(txtsavepath + '/trainval.txt', 'w')
file_test = open(txtsavepath + '/test.txt', 'w')
file_train = open(txtsavepath + '/train.txt', 'w')
file_val = open(txtsavepath + '/val.txt', 'w')
for i in list_index:
name = total_xml[i][:-4] + '\n'
if i in trainval:
file_trainval.write(name)
if i in train:
file_train.write(name)
else:
file_val.write(name)
else:
file_test.write(name)
file_trainval.close()
file_train.close()
file_val.close()
file_test.close()运行代码后，在Main文件夹下生成下面四个txt文档：
3.创建label.py文件，将数据集路径导入txt文件中，代码内容如下：
# -*- coding: utf-8 -*-
import xml.etree.ElementTree as ET
import os
from os import getcwd
sets = ['train', 'val', 'test']
classes = [
"H",
"A",
"B",
"C",
] # 改成自己的类别,注意这里存放的顺序和当初标注的各个类别顺序一致
abs_path = os.getcwd()
print(abs_path)
for image_set in sets:
image_ids = open('//home//jcfh//Desktop//yolov5-5.0//map_gongxunsai//ImageSets//Main//%s.txt' % (image_set)).read().strip().split()
list_file = open('//home//jcfh//Desktop//yolov5-5.0//map_gongxunsai//%s.txt' % (image_set), 'w')
for image_id in image_ids:
list_file.write(abs_path + '//images//%s.jpg\n' % (image_id))
list_file.close()运行代码会生成三个txt文件：
txt里面是图片的路径
4.配置文件
1）数据集的配置
在yolov5目录下的data文件夹下新建一个map.yaml文件（可以自定义命名），用来存放训练集和验证集的划分文件（train.txt和val.txt），这两个文件是通过运行label.py代码生成的，然后是目标的类别数目和具体类别列表，map.yaml内容如下：
nc是你的模型里物体有多少个类别，names是每个类别的名称。注意‘：’后面一定有个空格！
2）选择一个你需要的模型
在yolov5-5.0目录下的model文件夹下是模型的配置文件，这边提供s、m、l、x版本，逐渐增大（随着架构的增大，训练时间也是逐渐增大），假设采用yolov5s.yaml，只用修改一个参数，把nc改成自己的类别数；
自定义数据集就算是创建完毕了，接下来就是训练模型了。三.模型训练
1.在weights文件夹里面有四个预训练模型：
s是最轻量化的，我们假设使用该模型。
2.训练
我们需要修改train.py程序里面的几个参数：
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
之后运行训练命令如下：
python3 train.py训练好的模型会被保存在yolov5-5.0目录下的runs/exp0/weights/last.pt和best.pt，详细训练数据保存在runs/exp0/results.txt文件中。
最好把runs文件夹的权限改成最大,以免权限不够无法运行程序：
sudo chmod 777 runs （每个人都有读和写以及执行的权限）3.模型推理
在detect.py文件中指定测试图片和测试模型的路径，其他参数（img_size、置信度object confidence threshold、IOU threshold for NMS）可自行修改：
然后运行：
python3 detect.py或者运行如下指令：
python3 detect.py --weights runs/exp1/weights/best.pt --source inference/images/会在runs/detect/exp1文件下生成检测后的图片，如果source更改为0就是预测默认摄像头的实时数据
