本教程系列将从模型训练开始，从0开始带领你部署Yolov5模型到jetson nano上

这是本系列的第一部分内容

1.Yolov5介绍

Yolov5是一种目标检测算法，是ultralytics公司在yolov4的基础上加以改进诞生的，本教程基于让小白从0开始学会训练自己的yolov5模型，从而感受到人工智能的乐趣，对一些算法的细节不做过多讨论，并对训练环节做了简化处理，不严谨的地方还望各位技术大佬谅解。 

GitHub – ultralytics/yolov5: YOLOv5 🚀 in PyTorch > ONNX > CoreML > TFLite

YOLO V5 在性能上稍弱于YOLO V4，但是在灵活性与速度上远强于YOLO V4，在模型的快速部署上具有极强优势。虽然现在的研究成果还达不到“下一代”YOLO的高度，但是被称作YOLO V4.5或者Above YOLO 是没问题的。其次还有人认为YOLO V5只是YOLO V4的Pytorch实现加上调参结果，你在没有实际阅读代码和运行之前发表这样的评论，是极不负责任的。

从上图的结果可以看出，YOLO V5确实在对象检测方面的表现非常出色，尤其是YOLO V5s 模型140FPS的推理速度非常惊艳。

2.数据集制作

2.1公开数据集

国内外有很多公开很优秀的数据集，很多都是开源且免费的，这里推荐几个数据集的网站，排名不分先后

1.帕依提提

 2.Mo数据中心

3.和鲸社区 

4.AI studio 百度

2.2 制作自己的数据集

当然，很多情况下我们需要制作自己的数据集满足相应的需求，数据集的制作会占用大量的时间

2.2.1下载标注软件

来到数据集标注工具Labelimg的官方releases网站

当然如果你进不去的话，我这里提供一份1.8.1版本的软件

链接：https://pan.baidu.com/s/1ZeJaTafbZv965wFLYziHgw 
提取码：1234 

 点击下载最新的windows版本

2.2.2标注数据集

解压后来到目录下，依次点开data->predefined_classes.txt

 打开后可以更改你的种类名称，从上到下依次更改

 回到程序目录，点开labelimg，笔者有遇到点不开的情况（windows11可能用不了），此时建议更换一台设备或者管理员模式打开

 选择图片数据目录

 随后会弹出让你选择标签目录，如果没有弹出也可以点击Change Save Dir 选择标签目录

 一定记得单击此处使其为YOLO，保证标注文件为TXT格式的，以此简化数据集格式的复杂程度

单击Create RectBox

 也可以在英文输入下按W，框选目标物品，在一旁的小窗口中选择目标种类的名称，点击OK

重复上述步骤，直到完成所有数据的标注（这是一个漫长的过程，如果是一个团队可以几个人轮着来制）

把所有的数据集都准备好，保证目录下包含imgages（图片）、labels（对应标签）、yaml文件

 Yaml文件的简单格式如下：

# train and val data as 1) directory: path/images/, 2) file: path/images.txt, or 3) list: [path1/images/, path2/images/]
train: ./images  #训练集
# number of classes  #类别数量
nc: 11
# class names
names: ['apple','orange','pear','watermelon','durian','lemon','grape','pine','dragon fruit','cantaloupe','Hami melon']  #种类有哪些

train就是训练集的图片目录，nc是类别的数量，names是类别的名称（要按标注的顺序）

致此，数据集的制作完成，下一步就是训练了

3.训练模型

终于到了我们期待的一步了，很多时候我们的电脑都是windows的系统，但是作为未来的人工智能算法工程师，Linux系统的操作是需要且必须掌握了，本训练教程只对在Linux系统上训练做详细介绍，windows系统较为复杂，网上有更多优秀的教程

训练模型需要好的GPU和配置好环境，笔者受不了训练时主机那快要起飞的声音，因此笔者更喜欢在云上训练模型，平台我推荐使用矩池云，K80的GPU一个小时只需要1元（晚上的时候使用GPU资源的人比较少），新人还送5元时长，更重要的是它自带配置好的各种人工智能环境，如Tensorflow、Pytorch等（此处不是恰饭哈）

3.1下载Yolov5-5.0版本

此教程系列训练模型的最终目的是为了部署到jetson nano上，因此需要利用tensorrtx做加速处理，题主所有tensorrt版本只更新到了yolov5-5.0，虽然新版本的yolov5已经更新到6.0，我们这里依然使用5.0版本的yolov5

 选择Tags->v5.0下载yolov5代码 5.0的代码

打开矩池云的JuypteLabr链接，此时你就已经进入你刚刚租用的服务器了

上传刚刚下载的yolov5-5.0版本 

3.2配置训练时各类需求

点击左边的+号，点击terminal打开终端

解压上传的yolov5-5.0文件夹

unzip yolov5-5.0.zip

 切到yolov5目录

cd yolov5-5.0

安装训练所需要的依赖

pip install -r requirements.txt

 云上默认换了国内源，稍作等待下载完成

解压数据集到目录下，我已经提前将做好的数据集上传到了网盘目录/mnt

unzip /mnt/fruits_yolo.zip -d /all_data

此时根目录的all_data下多出了三个文件夹 ，就是我们之前整理好的数据集

 还有一步，由于我们是下载的yolov5-5.0版本，官网的GitHub上面已经把5.0版本的权重文件给移除了，因此weights文件夹里面是一个shell脚本，用于下载权重文件，通常下载速度会很慢，因此我这里把原来的pt文件放网盘了

链接：https://pan.baidu.com/s/1YFtNxZjHZzD_d1PeXt1dNg 
提取码：1234 

一共有四个，推荐优先使用最下那个yolov5s.pt

把yolov5s.pt上传到weights文件夹

3.3开始训练

输入命令就可以训练了 

 python train.py --img 640 --batch 16 --epochs 200 --data /all_data/classes.yaml --cfg models/yolov5s.yaml --weights weights/yolov5s.pt
#python train.py --img 640 --bath (GPU越好数字填越大) --epochs （训练的轮数，我这里是200论） --data （yaml文件的路径）   --weights （权重文件的路径）

下面可以看到每一论训练的进度条

 选择越好的 GPU，训练的速度越快

 点击详情可以查看使用情况

当出现Optimizer stripped from 这句话时就说明已经训练完毕，模型已经导出

打开训练完成后的路径，可以看到训练的各类结果

 这些结果能直观的反映训练的情况，很多时候训练的结果和你的数据集有很大的关系

3.4模型转化

 我们训练后得到的模型是pt格式的文件，想要部署在jetson nano上，需要将其转化未wts文件

首先将得到的模型文件best.pt放到yolov5-5.0文件夹中

新建一个文件，命名未pt_to_wts.py，输入以下代码

import torch
import struct
# utils.torch_utils from yolov5 github: https://github.com/ultralytics/yolov5
from utils.torch_utils import select_device
# Initialize
device = select_device('cpu')
# Load model
model = torch.load('best.pt', map_location=device)['model'].float()  # load to FP32
model.to(device).eval()
f = open('best.wts', 'w')
f.write('{}\n'.format(len(model.state_dict().keys())))
for k, v in model.state_dict().items():
    vr = v.reshape(-1).cpu().numpy()
    f.write('{} {} '.format(k, len(vr)))
    for vv in vr:
        f.write(' ')
        f.write(struct.pack('>f',float(vv)).hex())

 在终端输入

python pt_to_wts.py

目录下会多出一个best.wts文件，这个就是我们要的权重文件了