Yolov5 + Deepsort 重新训练自己的数据（保姆级超详细）

一、准备工作
在开始重新训练之前，您需要确保已经安装了所有必要的软件和库。这些包括 Python、PyTorch、YOLOv5 和 DeepSort。如果您还没有安装这些库，可以通过以下命令进行安装：

1. 安装 Python：确保您的计算机上已经安装了 Python。您可以从 Python 官网下载并安装最新版本的 Python。
2. 安装 PyTorch：使用以下命令安装 PyTorch：

   pip install torch

3. 克隆 YOLOv5 和 DeepSort 代码：使用以下命令克隆 YOLOv5 和 DeepSort 的代码：

   git clone https://github.com/ultralytics/yolov5.git
   git clone https://github.com/CharlesStrohmayer/Deep-SORT.git

4. 安装其他依赖库：使用以下命令安装其他必要的依赖库：

   pip install numpy matplotlib opencv-python

5. 创建数据集文件夹：在您的项目文件夹中创建一个名为“data”的文件夹，用于存放训练和测试数据。在“data”文件夹中，创建“train”和“test”两个子文件夹，用于存放训练和测试图片以及标注文件。
6. 准备标注文件：为训练和测试数据创建标注文件。标注文件应包含每个目标的边界框坐标和类别等信息。您可以使用第三方标注工具或手动创建标注文件。例如，对于每个图片文件“example.jpg”，可以创建一个名为“example.txt”的标注文件，其中包含目标边界框的左上角和右下角坐标以及类别等信息。
7. 设置环境变量：将 YOLOv5 和 DeepSort 的路径添加到您的系统环境变量中，以便在命令行中直接访问这些工具。
8. 配置 Yolov5s.yaml 文件：打开 YOLOv5 文件夹中的 Yolov5s.yaml 文件，根据您的需求进行配置。例如，您可以调整训练批次大小、学习率等参数。确保在配置文件中指定正确的数据集路径和类别信息。
9. 配置 DeepSort 文件夹中的 config.py 文件：打开 DeepSort 文件夹中的 config.py 文件，根据您的需求进行配置。例如，您可以调整 DeepSORT 的参数，如 IoU 阈值、跟踪器的时间步长等。确保在配置文件中指定正确的类别信息。
10. 检查硬件资源：在开始训练之前，请确保您的计算机具有足够的硬件资源（如 GPU、内存等）以支持训练过程。根据您的数据集大小和模型复杂性，您可能需要更强大的硬件资源来获得更好的训练性能和结果。
    二、数据预处理
    数据预处理是训练过程中的重要步骤，它包括数据增强、归一化等操作，有助于提高模型的泛化能力。在 YOLOv5 中，可以使用 utils/datasets.py 中的函数进行数据预处理操作。以下是一些常用的数据预处理方法：
11. 数据增强：通过随机裁剪、旋转、翻转等操作增加数据集的大小和多样性，有助于提高模型的泛化能力。在 YOLOv5 中，可以使用 datasets.augmentations 中的函数进行数据增强操作。
12. 归一化：将输入图像的像素值归一化到特定范围（如 [0,1] 或 [-1,1]），有助于改善模型的训练效果。在 YOLOv5 中，可以使用 datasets.utils.augment_img 中的函数进行归一化操作。
13. 随机选择批次大小：在每个训练批次中随机选择不同数量的图片，有助于增加模型的泛化能力。在 YOLOv5 中，可以在配置文件中设置 train_shuffle 参数为 True 来启用随机批次大小选择功能。
14. 设置类别标签：根据您的数据集中的类别信息，设置对应的类别标签。在 YOLOv5 中，可以使用 datasets.utils.get_label_map 函数获取类别标签映射关系。确保在配置文件中指定正确的类别标签映射关系。
15. 创建训练和测试数据加载器：使用 PyTorch 中的 DataLoader 类创建训练和测试数据加载