1.训练数据集

python train.py --batch-size 2 --epochs 150 --data dataset/leaf/data.yaml --weights .\weight\yolov5n6.pt训练数据集

• python train.py：这是执行训练脚本的命令，其中 train.py 是 YOLOv5 模型训练脚本的名字。这个脚本位于 YOLOv5 项目的目录中。

• --batch-size 2：这个参数指定了训练过程中的批量大小（batch size）。批量大小是指一次训练过程中传递给模型的数据样本数量。在这里，批量大小设置为 2，意味着每次训练迭代将使用 2 个样本。

• --epochs 150：这个参数指定了训练过程中的迭代次数，也就是整个数据集将被训练多少次。在这个例子中，设置为 150 次。

• --data dataset/leaf/data.yaml：这个参数指定了数据集配置文件的路径。data.yaml 文件包含了数据集的路径、类别数量、类别名称等信息。在这个例子中，该文件位于 dataset/leaf/ 目录下。

• --weights .\weight\yolov5n6.pt：这个参数指定了预训练模型的路径，模型权重将用于初始化网络。在这个例子中，权重文件位于当前目录下的 weight 子目录中，文件名为 yolov5n6.pt。使用预训练权重可以加快训练速度，并提高模型的性能。

总结来说，这个命令将开始一个训练过程，其中使用批量大小为 2，训练 150 个周期，使用 dataset/leaf/data.yaml 文件中指定的数据集，并从 .\\weight\\yolov5n6.pt 文件中加载预训练的权重。

训练好的文件保存在Results saved to runs\train\exp13

 这里best.pt就是生成的最好的权重文件

 

2.测试数据集 

 python .\detect.py  --source dataset/leaf/valid/images --weights runs/train/exp13/weights/best.pt

Results saved to runs\detect\exp17

 这个就是识别后的样子，由于我自制的数据集较差，训练的轮数也不够多，第一次就这样吧！！先跑出来再说。