使用yolov5的2.0分支训练自己的模型并在x3派运行

之前训练自己模型的时候使用的是博主 bubbling的1.0分支的代码，博主的 博客比较详细，使用的是VOC2007数据集，可以快速上手根具需要训练自己的模型。不过最近需要将yolov5的模型部署到旭日X3派的开发板上，参考教程和社区帖子一阵折腾，成功转换模型并运行了，就是检测的结果很不理想（后续补坑，看看么个事儿）。猜想可能是版本问题，模型后处理过程不同导致，决定按教程里面，使用 官方2.0分支训练部署模型试试。

准备代码、权重、数据集

在准备放置yolov5工程的文件目录打开终端，使用命令：

git clone https://github.com/ultralytics/yolov5  # clone repo
cd yolov5
git reset --hard 5e970d4  # last commit before v2.0

或者直接在官方2.0分支页面Assets下点击下载Sources code(zip)并解压。接着下载yolov5l/m/s/x.pt这些预训练权重文件(分别对应大/中/小/较大)，建议先使用yolov5s.pt试试，下载后放在解压后的yolov5-2.0文件夹下的weights文件夹下。

配置环境

conda create -n yolo python=3.8.10 

在yolov5工程文件夹中右键打开终端，使用创建的yolo环境

conda activate yolo

安装依赖：

pip install -r requirements.txt -i https://pypi.tuna.tsinghua.edu.cn/simple

然后运行一下命令，对/inference/images中的图片作一个检测：

python detect.py --weights weights/yolov5s.pt --img 416 --conf 0.4 --source inference/images/

可以看到/inference/output文件中已有结果。

准备数据

在yolov5-2.0/data文件夹下打开终端：

bash get_coco2017.sh

没有魔法大概率连接不了下载coco数据集的网站，可以使用百度网盘下载一个coco128数据集，可以看到coco128数据集中的图片文件的存放和/data/coco128.yaml中train:描述的路径一致，coco128中labels中存放为yolo格式的.txt标注文件，文件名称和images中的图片一一对应。
可以将自己的数据集图片存放在yolov5-2.0/data/coco128/images/train2017中。
修改/data/coco128.yaml中的train:和val:为./data/coco128/images/train2017/nc：为自己标注的类别数量，names：为标注时使用的标签名称。

标注数据

在yolo环境中使用清华源镜像安装标注工具labelImg

(yolo)xxx:~$ pip install labelImg -i https://pypi.tuna.tsinghua.edu.cn/simple

安装成功后，运行labelImg

(yolo)xxx:~$ labelImg

打开目录选择yolov5-2.0/data/coco128/images/train2017；改变存放目录选择yolov5-2.0/data/coco128/labels/train2017(标注产生的文件将保存在此位置）；格式选择YOLO；点击创建区块，使用矩形框选要识别检测的物体并给定标签：xxx；点击查看，可勾选自动保存模式；滑动鼠标滚轮可对待标注图片进行放大缩小。

训练模型

数据准备好后，运行下列命令进行训练：

python train.py --img 640 --batch 16 --epochs 100  --data ./data/coco128.yaml --cfg ./models/yolov5s.yaml --weights ./weights/yolov5s.pt

训练过程中可能出现如下错误：
1.