K510端的Yolov5部署（2）

模型文件的验证

K510端的Yolov5部署（1）
在完成了上篇文章中的操作后，操作终端的结尾会出现运行的存放地址，根据这些地址打开生成的文件夹，查看自己的数据集训练是否成功，之后就可以对先去准备的验证集进行操作。
若训练后的模型仍不满意，可以打开train.py文件，

parser.add_argument('--weights', type=str, default=ROOT / 'yolov5s.pt', help='initial weights path')

将.pt文件修改为训练生成的best.pt文件，再次在py37_yolov5环境中运行train.py文件，这时就会根据之前训练的结果继续接着训练。

训练满意后要进行对模型的验证，需要打开val.py文件，这个文件和train.py的文件相同，只需要修改其中

 parser.add_argument('--data', type=str, default=ROOT / 'data/data.yaml', help='dataset.yaml path')
  parser.add_argument('--weights', nargs='+', type=str, default=ROOT / 'runs/train/exp9/weights/best.pt', help='model.pt path(s)')

这两行代码的文件地址即可，data需要指向先前准备的验证数据集的地址，所以要修改data.yaml中数据集的地址（在上一文章的操作中修改过所以这里可以再次检查一下），weights指向训练生成的.pt文件的地址（训练结束的时候会生成best.pt和last.pt这两个文件，一般使用best.pt文件），最后我们还需要修改/yolov5-6.0/models/yolo.py文件，

def __init__(self, cfg='my_model.yaml', ch=3, nc=None, anchors=None):  # model, input channels, number of classes

这行代码大概在85行，检查.yaml文件是否与yolov5-6.0\models目录下上一文章新创建yaml文件名称相同。
完成这些操作后，打开修改完成之后按照之前的操作激活py37_yolov5环境，已经激活的就可以直接输入python val.py,要是没有最后一步可能也不会有影响（韦东山说的，但是他修改了！）
代码运行结束后也会输出一个结果（文件夹）
完成这些之后，我们可以在data目录下新建一个文件夹存放待检测的图像和视频文件。
修改detect.py文件中的

parser.add_argument('--weights', nargs='+', type=str, default=ROOT / 'yolov5s.pt', help='model path(s)')
parser.add_argument('--source', type=str, default=ROOT / 'data/images', help='file/dir/URL/glob, 0 for webcam')

提供对应的.pt文件和待检测的文件夹的地址，在终端中输入python detect.py即可运行。
代码运行结束后也会输出一个结果（文件夹）。

模型文件的转换

这里的内容是将yolo训练的.pt文件导出为.onnx文件。
在进行操作之前我们需要将yolov5-6.0文件复制粘贴一份副件，并将副件名修改为yolov5-6.0-export，将我们要转换的best.pt文件复制粘贴到yolov5-6.0-export中，在终端中输入python export.py --weights best.py --include onnx -- dynamic运行成功之后就会在yolov5-6.0-export目录中发现best.onnx文件。

所有的操作都是在py37_yolov5环境中，且是在yolov5-6.0-export的目录下进行，上端的验证操作则是在yolov5-6.0的目录下进行。

我们在是要.onnx文件之前还需要对该模型进行简化，韦东山的教程中将输入图像的尺寸固定为320*320。照做就是了。
在终端中输入
·python -m onnxsim best.onnx best-sim.onnx --overwrite-input-shape 1,3,320,320
最后将生成的best-sim.onnx在netron中打开查看是否输入图像的尺寸是否固定。
完成了这些操作之后我们就只需要将onnx模型转换为可以在K510上推理运行的.kmodel文件就可以实现在k510端运行yolov5模型了。
但是最后这一步超级麻烦，对版本的要求十分苛刻，要是运气好的话就可以直接转换成功，自身的运气比较差摸索了好多天才实现，说来说去还是第一次使用没有经验。