一、先用labelImag标注好自己的数据集:
cmd输入：labelImg打开软件，
标注完后文件夹里的东西：
一张图片对应一个txt文档
文档里的内容：
还有一个总的类别文档classes.txt
训练集标注好后，再用同样的方法标注一些测试集图片，用于测试
标注好后将数据集放入项目根目录，一般数据集文件夹格式
放入根目录，里面再包含
-----------------------------------------------------------------------------------------------------------------------------------------------------------------------------
二、训练模型
打开官网下载下来的yolov5工程：
一般只需要修改3个文件：
训练文件：train.py
模型文件:yolov5s.yaml （选其中一个，区别看官网，无非就是速度与精度之间的平衡）
数据文件：VOC.yaml
------------------------------------------------------------------------------
train.py中主要修改一些配置参数，视情况做修改
参数说明：
"""
opt模型主要参数解析：
*--weights：初始化的权重文件的路径地址
*--cfg：模型yaml文件的路径地址
*--data：数据yaml文件的路径地址
--hyp：超参数文件路径地址
*--epochs：训练轮次
*--batch-size：喂入批次文件的多少
--img-size：输入图片尺寸
--rect:是否采用矩形训练，默认False
*--resume:接着打断训练上次的结果接着训练
--nosave:不保存模型，默认False
--notest:不进行test，默认False
--noautoanchor:不自动调整anchor，默认False
--evolve:是否进行超参数进化，默认False
--bucket:谷歌云盘bucket，一般不会用到
--cache-images:是否提前缓存图片到内存，以加快训练速度，默认False
--image-weights：使用加权图像选择进行训练
*--device:训练的设备，cpu；0(表示一个gpu设备cuda:0)；0,1,2,3(多个gpu设备)
--multi-scale:是否进行多尺度训练，默认False
--single-cls:数据集是否只有一个类别，默认False
--adam:是否使用adam优化器
--sync-bn:是否使用跨卡同步BN,在DDP模式使用
--local_rank：DDP参数，请勿修改
*--workers：最大工作核心数
--project:训练模型的保存位置
--name：模型保存的目录名称
--exist-ok：模型目录是否存在，不存在就创建
"""
这3个路径一定要正确
yolov5s.yaml模型文件修改：
只需要修改类别数量就行（标注图片时候有几个类别就写几个类别）
VOC.yaml文件修改：
以上配置完后就能简单的跑起来了。
结果文件放在项目根目录下的：runs->train,其中
训练好的模型文件,best为最优模型
--------------------------------------------------------------------------------------------------------------------------
如果报git错误，将train.py文件里的下面两段代码注释掉就行了
