YOLO v5训练自己的数据集进行检测

	博客中已经有很多相关文章可以借鉴并进行复现，相对于YOLO v3来说，v5 无论在速度，精度上都有了很大的提升！
	同时，训练自己数据集的步骤也更加的简洁，大家可以玩一玩

参考链接：
https://github.com/wudashuo/yolov5

简化步骤：

1.制作自己的数据集，需要的标签格式为.txt格式（使labelimg工具即可）；

2.创建数据集文件夹（包含train、valid文件，子文件夹中需要包括images、labels文件夹！！！务必注意两个文件夹的名字小写开头，不能随意更改，否则无法训练）
*如何将所有原始数据随机分配至train、valid文件夹中，需要寻找一下方法？？？

3.更改创建两个新的 .yaml 文件：
* 一个放置于数据集中作为 数据路径，类别数，类别名 的引导说明；
格式如下：train: ./BarricadeDataSet/train/images
val: ./BarricadeDataSet/valid/images
nc: 1
names: [‘Barricade’]
（数据路径，类别数，类别名 根据自己的需求进行更改，因为此处只需要识别Barricade，所以只设置了一个类别）

   *另一个放置于模型models文件夹中，作为.cfg 包含有整个的网络结构，可以直接使用已有的架构如yolov5s.yaml，s,m,l,x 进行迁移学习；
以yolov5s.yaml为例，后面的网络架构无需更改，只要将 nc 进行更改即可（按照自己的需求，有几个类别就改成几个类别）
# parameters
        nc: 1  # number of classes
        depth_multiple: 0.33  # model depth multiple
        width_multiple: 0.50  # layer channel multiple

4.在yolo v5中的train.py函数中，修改默认的参数：
–weights 需要迁移学习的模型；
–cfg 使用的模型架构，对应步骤3中的第二个 .yaml 文件；
–data 训练自己的数据集地址，对应步骤3中的第一个 .yaml 文件
–epochs 初始设置为300，根据实际情况进行调整，简单任务可能50-100左右就可以达到较好效果
–batchsize 根据GPU的显存大小进行设置，一般为2的倍数

5.直接鼠标右键运行train.py函数 或者 在终端指令窗口 输入 python train.py进行训练；

6.训练后得到的模型文件去更换detect.py中默认的官方模型，实现对自己目标的检测任务；