若该文为原创文章，转载请注明原文出处。

一般情况下，大部分人的电脑都是没有cpu的，cpu也是可以训练的，但花费的时间太长，实际200张图片，使用CPU训练300轮花了3天，本章记录使用云服务器来训练自己的数据集。

使用的云服务器是AutoDL,一直在使用，性价比还是比较高的。

AutoDL算力云 | 弹性、好用、省钱。租GPU就上AutoDL

训练疲劳驾驶行为检测

一、准备数据集

数据集可以自己拍照，也可以网上找，博主在网上找到了一份疲劳驾驶行为的图片，直接拿过来用了，共有2千多张。 

准备好数据后需要数据标注，数据标注是大部分人工智能算法得以有效运行的关键环节。数据标注的过程是通过人工贴标的方式，为机器系统可供学习的样本。yolov5标注使用的是labelimg软件。

需要数据集，下方评论或@博主。标注数据是在本地电脑操作，标注后才把数据上传到云服务器训练

二、labelimg

1、激活环境

conda activate yolo

编辑

2、安装labelimg

# 使用pip 安装
pip install labelimg

安装后，在终端输入labelimg启动软件

3、标注

标记完成的数据请按照下面的格式进行放置，方便程序进行索引。 colo128 ├─ images │ ├─ test # 下面放测试集图片 │ ├─ train # 下面放训练集图片 │ └─ val # 下面放验证集图片 └─ labels ├─ test # 下面放测试集标签 ├─ train # 下面放训练集标签 ├─ val # 下面放验证集标签

3.1 打开图片及设置标注文件保存的目录并设置自动保存，这里需要主要选择yolo格式

3.2 开始标注，画框，标记目标的label，crtl+s保存，然后d切换到下一张继续标注，不断重复重复

标注完成后，把colo128打包压缩下，准备上传到服务器。

三、训练数据集

1、注册AutoDL

自行注册，云服务可以按时收费，也可以其他方式，自己选择。

2、创建实例

配置选择，选择的是3090，也可以其他，我比较喜欢就是直接选择好社区镜像，就给你创建好环境

创建后开启，可以通过多种方式登录，为了方便，直接使用JupyterLab

JupyterLab，打开终端就可以看到终端界面了，环境也安装好了

3、上传数据集和下载YOLOV5-5.0

删除环境自带的yolov5版本，然后下载yolov5-5.0版本，并上传到服务器，可以直接拖进去，并把标注好的数据也一并上传。

4、修改配置文件

博主是 基于colo128配置文件训练的，这里需要修改两个文件

修改文件一：复制yolov5-5.0/data/colo128.yaml为pilao_coco128.yaml

# 修改一：数据集路径
train: ../coco128/images/train2017/  # 128 images
val: ../coco128/images/train2017/  # 128 images
​
# number of classes
# 修改，原本是80,修改成3
nc: 3
# 修改二：class names即标注的类,数据集标注了3类，所以修改成3类，colo128是80类
# class names
names: [ 'closed_eye','closed_mouth','open_eye']

修改文件二：复制yolov5-5.0/models/yolov5s.yaml为pilao_yolov5s.yaml

注意不一定是yolov5s.yaml，这是训练时参考的模型，可以是其他的，自行了解

# parameters
# 修改，原本是80,修改成3
nc: 3  # number of classes
depth_multiple: 0.33  # model depth multiple
width_multiple: 0.50  # layer channel multiple

5、训练

python train.py --img 640 --batch 16 --epochs 300 --data ./data/pilao_coco128.yaml --cfg ./models/pilao_yolov5s.yaml

看到进度，已经在运行了，训练了大概3个多小时。

最后可以在runs/train/expX/weights目录下看到生成了两个pt文件

6、测试

python detect.py --source data/images/zidane.jpg --weights runs/train/exp2/weights/best.pt

路径自行修改。

如有侵权，或需要完整代码，请及时联系博主。