若该文为原创文章，转载请注明原文出处。
一般情况下，大部分人的电脑都是没有cpu的，cpu也是可以训练的，但花费的时间太长，实际200张图片，使用CPU训练300轮花了3天，本章记录使用云服务器来训练自己的数据集。
使用的云服务器是AutoDL,一直在使用，性价比还是比较高的。
AutoDL算力云 | 弹性、好用、省钱。租GPU就上AutoDL
训练疲劳驾驶行为检测
一、准备数据集
数据集可以自己拍照，也可以网上找，博主在网上找到了一份疲劳驾驶行为的图片，直接拿过来用了，共有2千多张。
准备好数据后需要数据标注，数据标注是大部分人工智能算法得以有效运行的关键环节。数据标注的过程是通过人工贴标的方式，为机器系统可供学习的样本。yolov5标注使用的是labelimg软件。
需要数据集，下方评论或@博主。标注数据是在本地电脑操作，标注后才把数据上传到云服务器训练
二、labelimg
1、激活环境
conda activate yolo
编辑
2、安装labelimg
# 使用pip 安装 pip install labelimg
安装后，在终端输入labelimg启动软件
3、标注
标记完成的数据请按照下面的格式进行放置，方便程序进行索引。 colo128 ├─ images │ ├─ test # 下面放测试集图片 │ ├─ train # 下面放训练集图片 │ └─ val # 下面放验证集图片 └─ labels ├─ test # 下面放测试集标签 ├─ train # 下面放训练集标签 ├─ val # 下面放验证集标签
3.1 打开图片及设置标注文件保存的目录并设置自动保存，这里需要主要选择yolo格式
3.2 开始标注，画框，标记目标的label，crtl+s保存，然后d切换到下一张继续标注，不断重复重复
标注完成后，把colo128打包压缩下，准备上传到服务器。
三、训练数据集
1、注册AutoDL
自行注册，云服务可以按时收费，也可以其他方式，自己选择。
2、创建实例
配置选择，选择的是3090，也可以其他，我比较喜欢就是直接选择好社区镜像，就给你创建好环境
创建后开启，可以通过多种方式登录，为了方便，直接使用JupyterLab
JupyterLab，打开终端就可以看到终端界面了，环境也安装好了
3、上传数据集和下载YOLOV5-5.0
删除环境自带的yolov5版本，然后下载yolov5-5.0版本，并上传到服务器，可以直接拖进去，并把标注好的数据也一并上传。
4、修改配置文件
博主是 基于colo128配置文件训练的，这里需要修改两个文件
修改文件一：复制yolov5-5.0/data/colo128.yaml为pilao_coco128.yaml
# 修改一：数据集路径 train: ../coco128/images/train2017/ # 128 images val: ../coco128/images/train2017/ # 128 images # number of classes # 修改，原本是80,修改成3 nc: 3 # 修改二：class names即标注的类,数据集标注了3类，所以修改成3类，colo128是80类 # class names names: [ 'closed_eye','closed_mouth','open_eye']
修改文件二：复制yolov5-5.0/models/yolov5s.yaml为pilao_yolov5s.yaml
注意不一定是yolov5s.yaml，这是训练时参考的模型，可以是其他的，自行了解
# parameters # 修改，原本是80,修改成3 nc: 3 # number of classes depth_multiple: 0.33 # model depth multiple width_multiple: 0.50 # layer channel multiple
5、训练
python train.py --img 640 --batch 16 --epochs 300 --data ./data/pilao_coco128.yaml --cfg ./models/pilao_yolov5s.yaml
看到进度，已经在运行了，训练了大概3个多小时。
最后可以在runs/train/expX/weights目录下看到生成了两个pt文件
6、测试
python detect.py --source data/images/zidane.jpg --weights runs/train/exp2/weights/best.pt
路径自行修改。
如有侵权，或需要完整代码，请及时联系博主。
