在简单了解了Yolov5以及labelImg的功能与用法之后，我们来简单了解一下如果使用自有数据集训练自己的模型，并进行实际测试。
1、自有数据集进行数据标注
利用labelImg进行数据标注的方法可以参考上一篇文章，这里假定已经手动完成了相关数据的标定，利用labelImg进行数据标注的方法可以参考上一篇文章，这里假定已经手动完成了相关数据的标定，那么数据集合中应该看起来是这个样子：
其中的txt文件样式如下：
2、创建训练数据集
在完成数据标注之后，需要对数据进行分组，分为train集合与valid集合，例如创建目录为ownData，然后在该目录下创建train和valid两个目录，而train和valid两个目录下分别创建images和labels两个子目录。
然后将上述标注之后的数据分为两组，建议将70%或者80%的图像放到train/images目录下，而这些图像对应的txt标注文件则放到train/labels目录下。 同理，将剩余的30%或者20%左右的图像放到valid/images目录下，将这些图像对应的txt标注文件则放到valid/labels目录下。
至此，训练数据集划分完毕。
3、训练新模型
创建data.yaml，类似内容如下：
其中 nc 后面的数字表示目标类型的数量，也就是有多少类，而names则表示每一类的具体名字
另外创建yoloconfig.yaml文件，可以从yolov5s.yaml文件修改而来，具体内容如下：
# YOLOv5 🚀 by Ultralytics, GPL-3.0 license
# Parameters
nc: 2 # number of classes
depth_multiple: 0.33 # model depth multiple
width_multiple: 0.50 # layer channel multiple
anchors:
- [10,13, 16,30, 33,23] # P3/8
- [30,61, 62,45, 59,119] # P4/16
- [116,90, 156,198, 373,326] # P5/32
# YOLOv5 v6.0 backbone
backbone:
# [from, number, module, args]
[[-1, 1, Conv, [64, 6, 2, 2]], # 0-P1/2
[-1, 1, Conv, [128, 3, 2]], # 1-P2/4
[-1, 3, C3, [128]],
[-1, 1, Conv, [256, 3, 2]], # 3-P3/8
[-1, 6, C3, [256]],
[-1, 1, Conv, [512, 3, 2]], # 5-P4/16
[-1, 9, C3, [512]],
[-1, 1, Conv, [1024, 3, 2]], # 7-P5/32
[-1, 3, C3, [1024]],
[-1, 1, SPPF, [1024, 5]], # 9
]
# YOLOv5 v6.0 head
head:
[[-1, 1, Conv, [512, 1, 1]],
[-1, 1, nn.Upsample, [None, 2, 'nearest']],
[[-1, 6], 1, Concat, [1]], # cat backbone P4
[-1, 3, C3, [512, False]], # 13
[-1, 1, Conv, [256, 1, 1]],
[-1, 1, nn.Upsample, [None, 2, 'nearest']],
[[-1, 4], 1, Concat, [1]], # cat backbone P3
[-1, 3, C3, [256, False]], # 17 (P3/8-small)
[-1, 1, Conv, [256, 3, 2]],
[[-1, 14], 1, Concat, [1]], # cat head P4
[-1, 3, C3, [512, False]], # 20 (P4/16-medium)
[-1, 1, Conv, [512, 3, 2]],
[[-1, 10], 1, Concat, [1]], # cat head P5
[-1, 3, C3, [1024, False]], # 23 (P5/32-large)
[[17, 20, 23], 1, Detect, [nc, anchors]], # Detect(P3, P4, P5)
]其中的nc后面数字也是目标类型的数量。
然后开始使用如下命令进行训练：
python train.py –cfg yoloconfig.yaml –data data.yaml –epochs 200
其中epoches可以根据自有数据集实际情况进行调整
4、针对新模型进行测试
经过训练之后，假设新模型存放在runs/train/exp/weights/best.pt，则测试命令类似如下：
python detect.py –weights runs/train/exp/weights/best.pt –source test/test –output run/now