YOLO v5训练自己的模型
1.1 前期准备
1.1.1 数据集的准备
数据集VOCdevkit文件夹内设置如下：
其中：
images和labels文件夹内都包含着train文件夹和val文件夹：
Images/train文件夹里面保存着训练集的照片；
Images/val文件夹里面保存着验证集的照片；
Labels/train文件夹里面保存着训练集的标签；
Labels/val文件夹里面保存着验证集的标签。
1.1.2 预训练权重准备
下载yolov5s.pt文件并将其放入weights文件夹中。
1.2 修改yaml文件
1.2.1 修改数据配置文件中
找到data目录下的voc.yaml文件，将该文件复制一份，将复制的文件重命名，最好和项目相关（如data_pothole），这样方便后面操作。
打开data_pothole.yaml文件，将箭头1中的那一行代码注释掉后，一共修改3处：箭头2中需要将训练和测试的数据集的绝对路径填上，箭头3中需要检测的类别数，箭头4中填写需要识别的类别的名字。
1.2.2 修改模型配置文件
由于该项目使用的是yolov5s.pt这个预训练权重，所以要使用models目录下的yolov5s.yaml文件中的相应参数（因为不同的预训练权重对应着不同的网络层数，所以用错预训练权重会报错）。
同上修改data目录下的yaml文件一样，将yolov5s.yaml文件复制一份，然后将其重命名，将其重命名为yolov5s_pothole.yaml。
打开yolov5s_pothole.yaml文件，修改数字就好了。
1.3 训练自己的模型
（1）将train.py文件中这三个文件位置换成自己的；
（2）更改模型的训练轮次epochs参数；
（3）根据自己电脑的配置，修改--batch-size：每次喂入批次文件的多少；修改--workers：最大工作核心数；
（4）运行train.py。
1.4 启用tensorbord查看参数
打开pycharm终端，cd到runs文件夹的上一层文件夹（应该是yolov5-5.0），然后输入tensorboard --logdir=runs/train，回车。
下图为训练20轮的结果：
1.5 进行预测
打开detect.py文件后，将权重--weights的路径设置为训练时产生的最好权重文件的路径（注意修改exp2即可）；将—source设置为验证集图片的文件夹，批量预测验证集中的图片。
detect.py运行完成后，在runs下面会生成一个detect目录，预测结果会保存在exp目录下。