yolov5训练流程

（数据集所在电脑上）数据处理：

1、checkfirstline.py：扫描数据集中的label文件首列数字以查看数据集采集了哪些标签类

2、labelsdelete.py：在第三行list处输入所需要保留的标签，删去数据集中无用标签。

3、changelabel.py：case0：将有效标签由0开始重新升序排列

                                 case1：将labels文件处理完成

                                 case2：为避免正视与俯视文件重名过多，在其中一类文件前加入前缀以区分

注意：changelabel脚本需在要处理数据目录下才能正常运行。

生成list：
step 1 ：download 数据资料，将训练labels和images放在一个路径下（新建文件夹）；
step 2 : 将labels和images下新建train和val两个文件夹，
         将数据根据比例分到train和val两个文件夹下(默认 8：2)；
step 3 ：根据路径修改make_list.py中的路径（分别为label中的train、val；images中的train、val）
         1）第2行:trainPath = 'C:/Users/37719/Desktop/yolov7/yolov7/experiments/labels/val/' # 引号内修改为绝对路径；
         2) 第6行:f = open('val_list.txt', 'a')  # 引号内根据在val还是train下修改
         3) 第7行：f.write('./labels/val/' + file + "\n") #./后内容根据路径修改（若将images和labels放一起生成，则该行labels需删除）
step 4 ：运行make_list.py,读取并保存配置文档
step 5 ：将配置文档放到labels和images同一路径下

（服务器上）配置yolo代码：
1、data目录下的被train.py所用的yaml文件（默认为Weights.yaml）中 # number of classes的nc数量和# class names类别名需更改且相匹配。
     配置文件下出现如下代码时，“..”代表了回退两层文件夹的意思，原训练代码仅需回退一层，故需删去一个.
     train: ../experiments/train_list.txt  # 118287 images
     val: ../experiments/val_list.txt # 5000 images
2、models目录下被train.py所用的yaml文件（默认为yolov5n.yaml）中# number of classes需与上一步中nc数量一致。
3、experiments目录下每次只可训练一个train list文件和一个val list文件
4、主目录下 train.py中主函数处前三行
    parser.add_argument('--weights', type=str, default=ROOT / 'yolov5n.pt', help='initial weights path')
    parser.add_argument('--cfg', type=str, default='models/yolov5n.yaml', help='model.yaml path')
    parser.add_argument('--data', type=str, default=ROOT / 'data/Weights.yaml', help='dataset.yaml path')
    weights处的default路径文件yolov5n.pt需从yolov5master文件夹中复制
    cfg处的default路径文件为第二步中yaml文件
    data处的default路径文件为第一步中yaml文件

（服务器上）训练：
1、在训练机中粘贴好的文件夹主目录下使用terminal
2、输入并运行conda env list查看所需激活环境（默认为pyg_py3.7）
3、输入并运行conda activate xxxxx（第二步找到的环境）进行激活
4、输入并运行python train.py开始训练（此过程一般持续6-7小时）