关于上一篇的YOLOv5讲到数据集打包结束，之后的后续训练工作会在此篇继续进行说明。(Linux系统下训练数据集，在此用的是Ubuntu20.04)

  第一步准备工作先是配置环境：

    在当前文件目录下打开终端输入：

pip install -r requirements.txt

安装cuda 11.2，在根目录下打开终端：

wget https://developer.download.nvidia.com/compute/cuda/11.2.0/local_installers/cuda_11.2.0_460.27.04_linux.run

sudo sh cuda_11.2.0_460.27.04_linux.run

这里大家可以做一个参考，需要详细内容的请自行在官网查看，在这里附上官网链接：https://developer.nvidia.com/cuda-toolkit-archive

  接下来运用官网给的模型运行程序：

在当前文件夹下打开终端输入命令：

python detect.py --weights yolov5s.pt --img 640 --conf 0.25 --source data/images/

这行命令其中：weights是要导入模型的路径；img是传入图片的像素大小；conf是阈值，识别的结果超出阈值才会输出；source是识别图像的路径。

更多的操作可以打开detect.py查看，用摄像头打开的程序命令为：

python vedio_detect.py

  下一步正式进入自己的数据集训练部分：

先进入“./datasets/Own_coco/”里面有三个文件夹，分别是“images，labels，xml_dir”，依次进入“images/train2017”，“labels/train2017”，“xml_dir”，将里面的文件清空；

1.将自己打标好的“.xml”文件放在“./datasets/Own_coco/xml_dir”，将图片放在“./datasets/Own_coco/images/train2017”；

2.回到当前文件的目录下运行：

voc_lable.py

进入此修改第12行，加入训练物品的名称，命令：

python voc_lable.py

3.配置文件

在当前文件目录下进入“./data”，打开Own_coco.yaml；

配置文件解释：（第11行的“path: datasets/Own_coco”是数据集的目录，不需要改动；第12行的“train: images/train2017”是训练图片的文件位置，不需要改动；第13行的“val: images/train2017”是评估的文件位置，可以自行改动；第14行的“test：”是测试集的文件位置，可以添加自己的测试集；第17行的“nc：1”是自己数据集的类别数量，第18行的“names: ['glasses']”是类别名称，有多少就写多少，各个类别之间用逗号隔开。）

4.开始训练：

在当前文件夹下打开终端输入：

python3 train.py --img 640 --batch 16 --epochs 1000 --data Own_coco.yaml --weights yolov5s.pt --cache

注释：（img是传入图片像素的大小；batch是每一次迭代送到网络的图片数量，也称作批数量，增大这个可以让网络在较少的迭代次数下完成一个epoch，在固定最大迭代次数的前提下，增加batch会延长训练时间，但会更好的寻找到梯度下降的方向，如果在大家的显存足够大，可以适当的增大这个值来提高内存的利用率，需要不断地尝试选取，过小会让训练不够收敛，过大会陷入局部最优；epoch是迭代的次数；data是配置文件；weights是模型。）

等待训练结束会输出：

Results saved to runs/train/exp4

训练出的模型在“./runs/train/exp/weights/best.pt”

最后一步就是运行自己的模型啦：

 python detect.py --weights runs/train/exp/weights/best.pt --img 640 --conf 0.25 --source data/images/

成果展示：（以我自己训练的药品数据集为例给小伙伴们看一下）

1.文件detect.py的源码：（只截取了两页，这两页是改动较多和相对来说比较重要的部分）

2.在进行训练过程中，终端会显示：

3.训练结束后，训练的数据集结果图片：

4.运行自己的模型，在终端输入python3 detect.py，会显示：

5.如果是直接用自己电脑自带的摄像头代号“0”投出的图像：

6.如果是用外接摄像头，我这里接了深度相机，代号“2”，投出的图像：

————————————————————————————————————华丽的分割线——————————————————————————————————————————

到这里就全部讲完啦，两篇之间隔得时间有点久了，但总归还是结束了，下篇我会继续写有关于上一篇发布的旭日X3派的项目实战的详细内容，可能篇幅和每篇之间更新时间会稍微有些长，毕竟是个比较大的工程啦，祝小伙伴们秋日顺遂！