Yolov5s/README.md

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：

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：

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

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

轉換 ONNX

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

簡化 ONNX 模型：

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）：

docker run --rm -it \
  -v $(wslpath -u 'C:\Users\rd_de\golfaceyolov5\yolov5'):/workspace/yolov5 \
  kneron/toolchain:latest

從容器複製編譯好的 .nef 模型到本機：

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