这是一个由教学提供文件继续修改而来的 YOLOv5 训练快捷包。它通过多个 Python 脚本串联图片、Labelme JSON、YOLO TXT、训练/验证集与训练权重，减少手工搬运文件的步骤。
本 README 已按
team.rar内的实际源码、配置和训练记录核对；原始说明中个别文件名与实际包内名称不同，以下以包内文件为准。该包是 2024 年暑假的初步训练成果，并非经过系统调参的完整工程。
完整使用包位于 Git LFS 管理的 team.rar。克隆仓库后执行：
git lfs pull
7z x team.rar- 压缩包 SHA-256：
5eb3c69e3e6bcbd779fff9ce1b22fa78565e74f68a9004790ce5b52fbeecf3e2 - 解压后的项目根目录为
team/；包含源码、数据集、训练记录、权重和树莓派导出脚本。 - 图片批量命名可用其他常规工具完成。
imageManager.py 会把没有同名 TXT 标签的训练图片移动到 dataset/train/unmatched_images/；latroYun.py 会把无匹配图片的 TXT 移到 txtrds/unmatched_txt/。运行前请复制数据集或至少备份 json/、dataset/ 与 txtrds/。
原始备份目录为 zhunbei/，其中包含 JSON 和图片备份材料。
| 原始说明 | 实际包内文件/目录 | 已核对的用途 |
|---|---|---|
dataset.py |
datasets.py |
包内没有 dataset.py；实际为 YOLOv5 数据加载实现，不是本流程的单独启动脚本。 |
imageManger.py |
imageManager.py |
整理有同名 TXT 的 JPG，并按比例复制验证集图片。 |
txtManager |
dataset/txtmanger/ |
实际目录名为 txtmanger；拼写须与脚本保持一致。 |
boat.py |
boat.py |
将 Labelme JSON 转为 YOLO TXT。 |
latroYun.py |
latroYun.py |
将匹配的 TXT 分发到训练/验证标签目录，并生成数据集 YAML。 |
fanlabel.py |
fanlabel.py |
生成类别名称文件 labels.txt，不是逐图片标签转换器。 |
- 将待训练图片放到
dataset/train/images/。当前脚本只查找.jpg文件。 - 用 Labelme 框选目标并保存 JSON；将 JSON 移到根目录
json/。原始标注备份可放入zhunbei/。 - 运行
boat.py。它会扫描json/中全部 JSON，将类别名称按排序后的名称分配类别编号，并输出 TXT 到txtrds/。 boat.py根据 JSON 同名的.jpg在dataset/train/images/中查找图片；找不到时会跳过转换，并写入conversion_log.txt。
包内的 conversion_log.txt 显示，部分 JSON 曾因没有同名图片而被跳过；因此在下一步前必须核对图片、JSON 与 TXT 的同名关系。
imageManager.py 以 txtrds/ 的 TXT 为准：
- 对每个 TXT 在
dataset/train/images/中查找同名.jpg。 - 将找不到同名 TXT 的训练图片移动到
dataset/train/unmatched_images/。 - 对剩余匹配图片随机打乱，将 20% 复制到
dataset/val/images/；训练集图片仍保留在原位置。
该脚本没有固定随机种子，也不会同步复制标签；运行后仍需执行下一步分发 TXT。
latroYun.py 的实际行为如下：
- 扫描
txtrds/；若 TXT 找不到对应的训练或验证图片，就把它移动到txtrds/unmatched_txt/。 - 将仍匹配的 TXT 复制到
dataset/train/labels/与/或dataset/val/labels/。由于验证集图片是从训练集复制而来，进入验证集的图片通常会在两个标签目录各得到一份 TXT。 - 扫描
json/中的类别，生成data/screentrain.yaml，其中包含train、val、nc与names。
脚本中虽定义了 dataset/txtmanger/ 和若干中转辅助函数，但主流程不把全部 TXT 复制到该目录；不要把它误认为必要的常规标签目录。所有硬编码路径都应先替换为当前解压目录的实际位置。
fanlabel.py 从 json/ 按首次出现顺序提取唯一类别名，并分别写入：
dataset/train/labels/labels.txt
dataset/val/labels/labels.txt
它不会生成逐图片的 YOLO 标签。逐图片标签由 boat.py 生成，实际训练仍以同名图片和 TXT 是否对应为准。
包内 data/screentrain.yaml 记录了 7 个类别：key、keyboard、personface、screen、stool、人脸、勺子。文件中的训练/验证路径是旧电脑的绝对路径；复现前必须替换为当前环境路径，并确认 nc 与 names 同步更新。
train.py 的包内默认配置为：
| 配置 | 默认值 |
|---|---|
| 预训练权重 | weights/v5lite-c.pt |
| 模型配置 | models/v5Lite-c.yaml |
| 数据配置 | data/screentrain.yaml |
| 训练轮数 | 510 |
| 批量大小 | 16 |
| 图像尺寸 | 640 × 640 |
| GPU | 0 |
| 第 494 行小改 | --learning-rate 默认值 0.06 |
训练时，权重、模型 YAML、数据 YAML 和 nc 必须配套。原始说明中“450 轮以上成功”与归档记录一致：exp39、exp40 的配置均为 480 epochs，exp41 为 510 epochs。
tryDetect.py 默认加载 runs/train/exp41/weights/best01.pt，默认输入为摄像头 0，结果保存到 runs/detect/。pipi/piOnnx.py 读取 best.onnx，用于树莓派侧 ONNX Runtime 推理；导出前应确认 ONNX 文件实际存在且类别顺序一致。
runs/train/ 保留 exp39、exp40、exp41 的曲线、配置、结果文本和权重。exp41/results.txt 的最后一行对应第 509/509 个 epoch，记录的验证集指标为：
| Precision | Recall | [email protected] | [email protected]:0.95 | | ---: | ---: | ---: | | 0.9277 | 0.6010 | 0.7915 | 0.6244 |
这些数值来自该归档训练运行的最后一个 epoch，不等同于其他数据集、其他划分或实际部署条件下的通用识别精度。若重新训练，请保留新的 opt.yaml、results.txt、数据 YAML 和权重，再比较结果。