目标检测玩一玩

得先安装scoop，再安装annie。
在github上下载annie
1.：powershell
2.Invoke-expression (New-Object System.Net.WebClient).DownloadString(‘https://get.scoop.sh’)
3.cmd：scoop install annie
4.在哪个文件夹里使用annie，就可以把视频下载到哪个文件夹里

环境教程
yaml文件中模型的深度和广度都是不一样的，文件夹外的python文件都是脚本文件，也叫入口文件。
yaml文件和pt权重文件也是对应的。
yoloV5是基于coco训练集去训练的。
yoloV5提供图片的检测，视频的检测还有事实摄像头的检测，还有路径，油管等等，网络摄像头的协议。
权重文件pt啥的路径要写在解释器里。

训练教程
这种需求首先是不常见的例如钢轨裂缝，动漫人物等。
首先制作数据集要自己标注和生成label文件，标注得到的坐标文件就是xywb。

1.首先在yolov5的文件目录下创建一个mydata的文件夹。
2.在mydata文件夹下继续创建images和labels两个文件夹。
3.继续在每个文件夹下都创建train和test两个文件夹。

4.标注工具：精灵标注工具
5.选择好是目标检测还是图片分类

6.图片最好用爬虫整理好了，训练集和测试集的图片名最好都用1.jpg，2.gpg，因为这样测试集也会1.txt，2.txt。最后别忘了把权重文件上传到服务器当中。
7.制作好数据集之后，去data文件夹中写yaml配置文件，按照coco数据集的一个模板写就行了，复制一份。
8.训练的时候权重文件是空的，可以直接删掉：

9.把训练脚本文件中的解析器中的数据集部分修改为之前的配置文件yaml文件。

10.开始训练，tensorborad的可视化可以远端映射。
tensorboard --logdir=日志存放路径 --port=6006
tensorboard --logdir=./runs

11.运行detect脚本，每运行一次就会在runs文件夹下的detect文件夹下产生结果，例如检测过后的视频或者图片。运行train脚本，每运行一次就会在runs文件夹下的train文件夹下产生结果，产生最后权重和最优权重，以及一系列评估指标的图片。
12.接下来把最优权重best.pt的相对路径复制一下，粘贴到detect脚本中的权重文件解析器里，然后source也更换成与之相对应的视频。
由于远程的服务器返回不了实时的图形，所以只能命令行里直接cd 到右边远程主机的绝对路径，用python运行脚本。

13.然后再把视频下载回本地看。
结果就是数据集的质量太低，与最后实际质量差别太大，毕竟训练集只有100张接近失真的照片。但是自己能从这个过程学到很多东西还是很开心的啦。
最后得出来的结论就是，数据集本身的质量越好，最后输出来的也就越好。

如果仅仅是做目标检测的话那是在太简单了，准备好高质量的数据集再修改一下配置文件就可以完成。但是要用在实际的应用上面的话，基于yolo算法更重要的是判断距离，距离差等等等等。
在加入自己代码的同时，如果不知道某一行代码传进来的是个什么东西就debug一下看一下啊。
学会Debug，以及一些算法。

1.parameters

depth_multiple: 0.33  # model depth multiple
width_multiple: 0.50  # layer channel multiple

yolo中每种配置文件，就只有这两个参数不同，仅仅只需要修改这两个参数值就能改变整个模型结构。深度因子和宽度因子，深度因子乘神经元个数。宽度因子乘卷积核个数。
2.anchors
增加了检测层的话得有四种anchor。
3.backbone
4.head

common.py里面的类是一些通用的网络层类或者函数。