源码链接：

GitHub - ultralytics/yolov5 at v7.0https://github.com/ultralytics/yolov5/tree/v7.0

Yolov5-7.0项目路径：

/data/LP/yolov5-7.0

数据集路径：

/data/data_set/an_g_q

数据集中源图路径：

/data/data_set/an_g_q/images/train

数据集中标签路径：

/data/data_set/an_g_q/labels/train

数据集处理：

       实例分割部分，使用labelme数据标注工具标注，保存成json文件，然后将json文件格式转换成yolo所需的txt格式。

       批量转换脚本 json222txt.py

def convert_json_label_to_yolov_seg_label():
    import glob
    import numpy as np
    import json
    import cv2
    import os
    json_path = "D:/TL/yolov5-7.0/data/Dqi"
    json_files = glob.glob(json_path + "/*.json")
    for json_file in json_files:
        # if json_file != r"C:/Users/jianming_ge/Desktop/code/handle_dataset/water_street/223.json":
        #     continue
        print(json_file)
        f = open(json_file)
        json_info = json.load(f)
        # print(json_info.keys())
        img = cv2.imread(os.path.join(json_path, json_info["imagePath"]))
        height, width, _ = img.shape
        np_w_h = np.array([[width, height]], np.int32)
        txt_file = json_file.replace(".json", ".txt")
        f = open(txt_file, "a")
        for point_json in json_info["shapes"]:
            txt_content = ""
            np_points = np.array(point_json["points"], np.int32)
            norm_points = np_points / np_w_h
            norm_points_list = norm_points.tolist()
            txt_content += "3 " + " ".join([" ".join([str(cell[0]), str(cell[1])]) for cell in norm_points_list]) + "\n"
            f.write(txt_content)



if __name__ == '__main__':
    convert_json_label_to_yolov_seg_label()

    目标检测部分：使用labelimg数据标注工具标注，直接保存为yolo所需的txt格式

数据集处理好之后创建数据集配置文件，dte数据集对应的数据配置文件yolov5.yaml 路径：/data/LP/yolov5-7.0/data/yolov5s.yaml

dte.yaml文件中需要写的部分

train:为训练集的绝对路径

val：为验证集的绝对路径（没有划分训练集和验证集可以写跟上面一样的）

names：为数据集所标注的类别，顺序必须跟标注时的顺序相对应

预训练模型选择：去官网下载yolov5s.pt、yolov5m.pt、yolov5l.pt、yolov5x.pt模型

       地址：Releases · ultralytics/yolov5 · GitHub

模型区别：速度 s>m>l>x

检测精度：x>l>>s

模型大小：x>l>>s

       看情况选择合适的模型下载下来放到yolov5-7.0目录下

       根据所选的预训练模型设置训练模型的配置文件

       例 : 模型选择yolov5s/pt,打开yolov5-7.0目录下的models目录，找到对应的yolov5s.yaml文件

只需要修改nc,  nc所代表的是数据的类别个数。

环境创建：/data/LP/yolov5-7.0/README.md下面Documentation目录下查看训练所需要的python环境版本。在anaconda3中创建一个对应版本的空环境。返回到项目这中先选择使用这个环境，

找到/data/LP/yolov5-7.0/requirements.txt文件打开pycharm中的控制台控制台输入  pip install -r requirements.Txt对环境进行配置，   

直接在anaconda3控制台激活创建好的环境在输入pip install -r requirements.Txt对环境进行配置也是一样的

调参：

    在/data/LP/yolov5-7.0/train.Py文件下找 parse_opt（）函数。

       parse_opt（）函数下

           --weighes：预训练权重文件，传入选择的模型路径

           --cfg：模型对应的配置文件，传入对应的模型配置文件路径

           --data：数据集配置文件的路径

           --epochs：训练轮次，默认300轮，按需求调整

           --batch-size：批次大小，作用就是一次往GPU当中放入多少图片，默认16。根据自己的显存决定，训练时显存占用越大效果越好，但是如果爆显存也是无法训练的，这个参数的调整在实际应用中按照2的幂次方来调整训练出的模型效果最佳，例如调为8  16  32  64  128  256等

           --worker：数据装载时cpu使用的线程数，默认为8，看实际情况调整，内存大就调大一点内存小就调小一点，跟batch-size一样按照2的幂次方来调整效果最好，实际工程项目中一般看情况选择 8 16 32 64

           --imgsz：图片大小，默认640

           --rect：是否采用矩形训练，意思就是采用原图的宽高比不对图片进行填充，默认不采用。上面的imgsz是将读取到的图片填充为640*640的正方形了

           --nosave：不保存模型，默认False（保存）

           --optimizer：优化器，提供了SGD、Adam、AdamW 三种，单独说这三个优化器是AdamW比Adam好，Adam比 SGD好，实际训练中，数据不同，采用模型不同，类别个数，样本的难易程度等一些情况，无法明确说那个优化器效果好，只能根据训练时候的实际效果来看。

           --cache：是否提前缓存图片到内存，以加快训练速度，默认不缓存，不推荐缓存，数据量小的时候还可以，数据量大反而会拖慢训练，

           --device：训练的设备，默认0，代表第一个GPU，如果有多张显卡的情况，可以选择多可，可以节省很多训练时间。

           --patience：提前停止训练，默认参数100，意思是100轮不更新就停止训练

           --label-smoothing：标签平滑，默认不增强，可以根据自己数据实际情况设置，如果要设置的话个人建议设置小一点0.1或0.05就差不多了。

           --project：训练结果保存路径

           --noautoanchor：参数进化，遗传算法调参 。

           其余超参数基本不需要调整，默认就可以。