攻略YOLO（3）——在colab上跑通代码，实现自己的数据集训练

上一次，用我自己采集的图像和数据，进行标注以后，接下来就可以在colab上跑数据了。

首先先来熟悉一下colab的运行环境，这边采用了Yolov5+coco128数据集进行训练。

进入到谷歌云盘以后应该是空白的

点击新建，然后关联更多应用 ，加载Google Colaboratory。然后新建一个colab的文件，我这边是Yolov5.ipynb

进入colab后，连接到gpu

挂载一下谷歌云盘，按照流程操作一下就可以。

然后接下来就可以开始运行了。

运行：下载yolov5模型

!git clone https://github.com/ultralytics/yolov5.git

 配置一下需要的包，什么pandas，torch，直接一键下载好

!pip install -r ./yolov5/requirements.txt

然后运行一下coco128的数据（它会自动下载数据，进行训练）

!python /content/drive/MyDrive/yolov5/train.py --data /content/drive/MyDrive/yolov5/data/coco128.yaml --cfg /content/drive/MyDrive/yolov5/models/yolov5s.yaml --weights 'yolov5s.pt' --batch-size 64

运行过程如下： 

 好，它告诉我们运行的训练结果保存在这个目录。

这边有一些指标，感兴趣的可以自己去看看。

同样的detect/exp2文件里面，有两个图片，应该是测试集

跑出来就这样 

接下来就是使用自己的数据集来训练这个权重了。这边为了省事，我直接把coco128文件夹里的数据都删除了，然后放入自己的labels和img，这样后面更改.yaml文件的时候就可以不用改路径了，比较省事了。

进入到.yaml文件的路径里面 cd  /content/drive/MyDrive/yolov5/data/

复制一下这个文件cp coco128.yaml coco129.yaml 更改一下coco129.yaml里的数据

 按理来说方框里面的数据是要更改的，但是因为我直接用之前coco128的目录，所以这里就可以偷懒不用管了，直接改下面的classes，按这样的格式，有几个项目就可以加几个种类。

跑完后，就可以自己训练了，batch-size自己改大小，这代表一次喂给神经网络的样本数量，data这边可以记得改成自己的yaml文件，然后训练即可

!python /content/drive/MyDrive/yolov5/train.py --data /content/drive/MyDrive/yolov5/data/coco129.yaml --cfg /content/drive/MyDrive/yolov5/models/yolov5s.yaml --weights 'yolov5s.pt' --batch-size 4

我这边存储到exp9，在yolov5的主目录下新建一个test_val的文件夹，然后把要检测的图片放进去，运行下面的代码，同样注意yaml文件，改成自己的文件。

!python /content/drive/MyDrive/yolov5/detect.py --weights /content/drive/MyDrive/yolov5/runs/train/exp9/weights/best.pt  --data coco129.yaml --source /content/drive/MyDrive/yolov5/test_val

运行完了之后，可以在这个文件夹里面查找你的运行结果

 在对应的train里面会生成weight文件，利用best.pt文件，来生成一个best.onnx，用于后面部署到树莓派上。

将best.pt复制到yolov5的主干里

然后运行下面的代码，就可以生成best.onnx文件。

# prompt: 利用best.pt文件生成.onnx文件

!python export.py --weights runs/train/exp9/weights/best.pt --include onnx --simplify

按理来说参考这篇博客

基于树莓派4B的YOLOv5-Lite目标检测的移植与部署（含训练教程）-优快云博客，下载了他的onnxruntime的wheel 文件，可以安装了，但是我在这里卡了一周，死活装不上，又是去github上找其他的onnxruntime wheel 又是去找文件的，最后才发现，github和这篇博客上给的wheel都是armv7的版本，但是我现在用的是debian 12bookworm ，对应的架构是armv8，因此这些wheel都不实用，最后死马当活马医，直接采用这篇文章在树莓派5部署yolov5模型-优快云博客的两个命令行

最后搞定了（不过按照第一篇文章的说法，需要安装好numpy，可以检查一下numpy是否安装好） 

检查numpy：

onnxruntime安装： 

接下来就可以运行了！