# YOLOv5 訓練與部署流程

## 環境設置

使用 CMD 操作。

建立一個可以運行 YOLOv5 的 conda 環境。

## 資料集準備

1. 從 Roboflow 下載 **YOLOv8 格式**的資料集，放到專案目錄（例如 `data/` 下）
2. 修改資料集內的 `data.yaml`，依照以下格式調整路徑：

```yaml
path: C:/Users/rd_de/yolov5git/data/your-dataset
train: train/images
val: valid/images
test: test/images

nc: 3  # 類別數量
names: ['class1', 'class2', 'class3']
```

## 訓練模型

先 `cd` 到 `yolov5/` 目錄，再執行：

```bash
python train.py \
  --data C:/Users/rd_de/yolov5git/data/10-02+10-01+10-038class/data.yaml \
  --weights for720best.pt \
  --img 640 \
  --batch-size 8 \
  --epochs 300 \
  --device 0
```

訓練完成後，結果與權重檔位於：

```
runs/train/expX/weights/best.pt
```

## 推論測試

```bash
python detect.py \
  --weights runs/train/exp9/weights/best.pt \
  --source test14data/test/images \
  --img 640 \
  --conf 0.25 \
  --device 0
```

## 轉換 ONNX

```bash
python exporting/yolov5_export.py --data data/mepretrained_paths_720.yaml
```

簡化 ONNX 模型：

```bash
python -m onnxsim \
  runs/train/exp24/weights/best.onnx \
  runs/train/exp24/weights/best_simplified.onnx
```

## Kneron Toolchain（Docker）

啟動 Kneron Toolchain 容器（在 WSL 中執行）：

```bash
docker run --rm -it \
  -v $(wslpath -u 'C:\Users\rd_de\golfaceyolov5\yolov5'):/workspace/yolov5 \
  kneron/toolchain:latest
```
使用onnx2nefxxx.py來轉檔(520、630、720)
520需要使用 removenode.py

從容器複製編譯好的 `.nef` 模型到本機：

```bash
docker cp <container_id>:/data1/kneron_flow/runs/train/exp6/weights/models_630.nef \
  C:\Users\rd_de\golfaceyolov5\yolov5\runs\train\exp6\weights
```