主要记录配置完成的yolov5-master如何进行自定义数据集训练。
本人使用的设备是jetson-orin AGX，系统是英伟达官方魔改过的ubuntu18.04.。
一、修改配置
首先观察train.py的__main__部分，我们发现训练程序接受很多个参数。
其中我们必须要关注的参数包括：
1、 --weight 初始权重设置，需要输入初始权重的路径，但也可以设置为 '' , 使得模型从零开始训练
2、 --cfg 模型配置设置，需要输入模型初始配置文件的地址
3、 --data 数据配置设置，需要输入数据配置文件的地址
4、 --device 使用何种设备训练？ 设置为0，便可以使用gpu训练
1、配置--cfg
如下所示，模型配置文件一般储存在models文件夹里。
打开后发现里面已经有yolov5s.yaml，yolov5m.yaml，yolov5l.yaml和yolov5x.yaml四个文件。模型配置文件储存的是神经网络的架构信息，譬如，第几层是什么样的卷积层，第几层是什么样的全连接层。而这四个文件，便对应着四种复杂度从低到高的配置，你可以选择一个复制出来，像我一样命名为myyolo.yaml（或者是其他名称）。
打开这个配置文件，发现中间确实存着各种各样的架构信息。对于我这样的小白，这些都不重要，重要的是第一行nc这个参数，需要进行修改。
nc是什么呢？就是这个模型要识别多少种物体。比如你要识别人、电视、椅子这三种对象，就把它设置为3就行了
2、配置--data
打开主文件夹下的data文件夹，发现里面已经有很多配置文件了。打开coco128.yaml，我们查看一下其内容。
我们可以复制一个coco128.yaml然后按照自己的需求修改，也可以直接改（train.py默认使用这个配置文件）
注意看，train和val后分别保存着训练数据集和验证数据集的地址（这个地址是相对train.py这个文件的）；nc是识别物体种类数，names就是各个种类对应名称。
修改这些配置后就可以了，download不用管。
二、准备数据集
网上搜一搜coco128.zip这个文件，也可以点这个：
coco128数据集下载连接-CSDN博客
把文件解压在在coco128.yaml中配置的位置。打开后发现如下图所示，图片和数据是用12位数字命名的，而且数据和标记的主名称必须一样！
替换这些图片和数据，就可以使用自训练数据。
打开任意一个标记文件。发现它的格式如下所示：
分别标记着物体对应标号（可以看看coco128.yaml，'person'的标号应该是0，也就是说，标号是在data配置文件中设置的）
而后面四个浮点数，应该分别是：
x_center 横向坐标
y_center 纵向坐标
width 识别框宽度
height 识别框高度
当然，对这些数据进行手动标记太耗费时间，使用LabelImg这样的工具可以解决这个问题。这里不过多描述，如果只是像我一样的小白熟悉框架，可以使用coco128训练集！
三、开始训练
开始运行train.py
python train.py --data ./data/coco128.yaml --cfg ./models/myyolo.yaml --weights '' --device 0
输入我们刚才提及的一些系列参数配置，训练就开始了！如果一切顺利，那么皆大欢喜，但往往会遇到不少bug，这边建议联合gpt和百度搜索解决。
以下是几个我遇到的问题和解决方法：
1、np.int错误
由于我们装的numpy是新版本，弃用了np.int这个类型，改用np.int64；而yolov5考虑的是老版本的numpy，所以会有不兼容的地方。
所以建议安装1.20版本以下的numpy，或者就只能手动把报错的np.int改为np.int64
2、pillow错误
YOLOV5训练过程中出现报错：module ‘PIL.Image‘ has no attribute ‘ANTIALIAS‘_image.antialias-CSDN博客
pillow版本太高也有问题，这里有对应解决办法。
3、tensor不能直接转nparray
TypeError: can‘t convert cuda:0 device type tensor to numpy. Use Tensor.cpu() to copy the tensor to_return self.numpy() typeerror: can't convert cuda:-CSDN博客
4、cache错误
yolov7 magic_number = pickle_module.load(f, **pickle_load_args) _pickle.UnpicklingError: STACK_G_magic number = pickle module.load(f **pickle load -CSDN博客
下载的coco128.zip原有的cache文件必须全部删去
四、使用训练完毕的权重
这次训练的结果会被存在
./runs/expx
这个文件夹下，其中包括训练过程中各种数据和结果。结果在weights文件夹下，包括着测试集上的最好结果best.pt和最后一次的结果last.pt（感觉哪种都可能过拟合啊）
我把best.pt放到了myyolo主文件夹下，然后运行这样启动detect.py看看能不能跑。
python ./detect.py --weight myweights.pt --device 0
会默认识别inference/images下面的图片，然后放到inference/output中。
然后我们发现，运气好的话，它还是能识别到一些东西的。但置信度和识别率都令我特别感动。所以我们还是需要好好改进训练流程的！
然而这是正常的，coco128才128张图片，却要识别80个种类，能识别出一些就不错了！可以考虑使用预训练模型来加速这一进程！
