以寒假KFS数据集制作为例，从图像采集——图像处理——标签制作——模型训练——效果检验几个方面介绍要点。
一．图像采集
寒假期间，我们的队员自主拍摄了大量的图像数据，共需制作32个字符的数据集，每个字符的图片训练量在500张上下（可根据最后训练情况自主调整数据量）。
图片采集的要点：
1.环境多样（最好是不同的环境，保证数据的多样）
2.图像基本清晰（由于后续图像处理可能影响图片像素）
3.若因环境受限，可采取数据增强获得大量图片（如将照片亮度调整，镜面、对称、反转等）
4.也可到网上寻找图片保存
5.拿到的图片最好按一定的命名格式重命名(方便整理，对后面图片汇总也可以防止名字重复带来一些不必要的麻烦)
二．图像处理
刚获得的大量数据可能由于操作失误可能存在中心物丢失，图片不清楚等问题，这时候需要剔除不良数据，保证数据集的“纯净”，另外，由于我们总图片多大10000张以上，为尽量减小内存占用（方便传输），需要对图片进行压缩处理（理想状态是15-30KB以内）压缩过渡同样会造成图像清晰度急剧丢失（部分模糊，出现马赛克），以及后续为了方便制作标签还要对图片进行重命名
压缩软件推荐（图压）：免费，自主决定压缩倍率，适合批量压缩，应用商城即可下载
重命名图片python代码（后续标签同样由此）可由ai给出这里由于篇幅不给出
三．标签制作
首先推荐网站Makesense和Labeling（此处用Makesense）
标签基本要求：
1.首先导入所有标签名（此次有32个，则需将所有标签名放于同一txt文档内）
2.要求用最小相切矩形覆盖目标图片
四．模型训练
具体教程可上csdn搜索有更详细教程，此处只提醒讲解要点
1.尽量用GPU训练（CPU速度较慢）
2.预训练权重文件说明（后缀名分别有yolov5n.pt、yolov5s.pt、yolov5s-seg.pt、yolov5x.pt，n精度最小速度最快，x精度最大速度最慢，一般用s性价比最高）
3.也可修改训练轮数和单次输入图片量（主要调参数）
修改train.py的此处自定义函数epochs（一般100）即总训练轮数batch-size即批次大小（一般16，越大越慢，精度也越高），按实际情况修改
五．效果检验
训练完成后会得到两个权重文件
best.pt为最优权重（通常使用的就是best）在验证集上表现最好的模型权重
last.pt为最新权重训练最后一轮（epoch）保存的模型权重，last一般用于检验是否过拟合（模型在训练集上表现极好，但在测试集 / 新图片上表现很差。）
对比best和last权重的置信度，可以反映出数据问题
