Yolov5训练自己的数据集：详细完整版

一、数据集准备
在开始训练之前，我们需要准备一个合适的数据集。这个数据集应该包含我们感兴趣的目标物体，以及它们的标签。对于每个目标物体，我们需要收集它们的图像数据，并记录它们的位置和类别信息。
二、标签制作
接下来，我们需要为数据集中的每个目标物体制作标签。在Yolov5中，标签的制作需要使用Python脚本进行。我们可以创建一个名为voc_label.py的文件，并按照以下步骤进行操作：

1. 导入必要的库：我们需要导入一些Python库，如xml.etree.ElementTree和os。这些库可以帮助我们处理XML文件和操作系统相关的任务。
2. 定义数据集路径：我们可以使用os.getcwd()函数获取当前工作目录的路径，并将其存储在abs_path变量中。
3. 创建标签集合：我们可以通过创建一个名为sets的列表来存储训练集、验证集和测试集的标签。每个标签都是一个字符串，表示数据集的名称。
4. 创建类别列表：我们可以通过创建一个名为classes的列表来存储目标物体的类别。这些类别可以是字母、数字或其他任何标识符，具体取决于我们的数据集。
5. 定义转换函数：我们可以通过定义一个名为convert的函数来将目标物体的位置信息转换为Yolov5所需的格式。这个函数需要接受两个参数：size和box。size参数表示图像的尺寸，而box参数表示目标物体的位置信息。在函数内部，我们可以根据目标物体的位置计算出其中心点的坐标，并将其归一化到[0, 1]范围内。
   三、训练过程
   一旦我们完成了标签制作，就可以开始训练模型了。我们可以使用Yolov5官方提供的训练脚本进行训练。这个脚本可以在命令行中运行，并接受一些参数来控制训练过程。
6. 运行训练脚本：我们可以运行以下命令来启动训练过程：python train.py —data=data —img=640 —batch=16 —epochs=100 —label-type=voc。这个命令将使用我们在前面步骤中创建的数据集和标签进行训练。训练过程将使用640x640尺寸的图像进行训练，每个批次包含16个样本，总共进行100个训练周期。标签类型为voc，与我们在前面步骤中制作的标签格式相匹配。
7. 查看训练结果：在训练过程中，我们可以随时查看模型的训练结果。训练脚本将输出一些有用的信息，如损失函数值、准确率等，以帮助我们了解模型的训练进度和性能。
8. 保存模型：一旦我们完成了模型的训练，我们可以将其保存下来以便以后使用。我们可以使用以下命令将模型保存到文件中：python save_model.py —name=yolov5 —weights=best.pt —data=data —label-type=voc。这个命令将使用我们在前面步骤中创建的数据集和标签类型进行保存模型操作。