yolov5训练自己的数据集

在github上找到了非常良心的一个中文复现yolov5的链接。
https://github.com/DataXujing/YOLO-v5
这个是官方发布的链接：
https://github.com/ultralytics/yolov5
本想用yolor训练自己的数据集，因为比较着急，不熟悉docker，因此使用了yolo5替代。
由于已经有了VOC格式的数据集，所以很快就复现了这个代码。现在记录一下过程和遇到的问题。

1 配置环境
这个链接和官方发布的版本基本是一样的。因此我按照官网陈述的环境进行配置，pytoch去pytorch.org找到适应自己服务器的版本进行下载，或者自动下载也行。
你可以先尝试使用作者描述的通过pip install -r requirement.txt的方法下载 ，但我是报了pytorch的错误，然后卸载后老老实实去pytorch官网找到对应的pytorch下载。然后把requirement.txt的pytorch注释掉，以免重复安装。之后缺什么模块就pip install xxxx 补什么就可以了。

2 制作数据集
首先你要有VOC数据集，也就是图片和.xml标注文件。比如：abc.jpg和abc.xml。然后去datasets文件夹下，作者有1234四个python文件，分别运行，里面分别是检查文件，检查boundding box，第三个文件是分割数据集，按照一定比例。分为训练和验证集。第四个是将xml文件转换为txt文档。

当然每个人在处理之前的数据个路径啊，什么的各不相同。很多代码的错误的原因是因为没找到数据。所以自行调整一下自己的文件结构。

3 按照作者描述的，此时你的数据集应该是这样子的。

其中，labels里面应该是txt文档而不是xml文档。并且所有的图片与txt文档的名称都要是相同的。比如abc123.jpg和acb1233.txt
train.txt和val.txt是之前制作数据集第三个py文件生成的，里面包含了训练和测试的文件名称。然后第四个文件夹需要根据这两个文件，遍历所有xml文件，生成对应txt文档。
需要注意的是，你一定要修改好对应路径，否则生成之后你找不到你的txt文档，这需要你的阅读代码的能力。如果这个不会的话，就需要提高自己能力了。

4 按照作者提供的百度网盘下载预训练模型。然后修改相应配置文件，比如data.yaml 和model.yaml文件。

5 修改好相应的文件之后，就可以运行训练代码了。如果报错说xxx not found，或者label not found，这个时候你就要检查一下，到底你的路径对不对了。我建议你的文件夹名字是images和labels，否则会出错。当然你可以自己去dataset.py代码中修改。为了不必要的麻烦，老老实实用labels和images，少个s不行的哦。