一、数据集标注工作
围绕目标检测模型训练的核心需求，本周重点完成了图片标注全流程工作，为 YOLOv5 模型训练筑牢数据基础：
1.标注执行环节：采用 Labelme 标注工具开展人工标注工作，聚焦 2 类核心检测目标（作物、杂草），逐一对样本图片中的目标区域进行框选与类别标注，严格把控标注精度，确保目标边界框贴合实际轮廓、类别标签无错标漏标情况，最终生成 XML 格式的原始标签文件，累计完成有效标注样本 28 张。
2.格式适配环节：由于 YOLOv5 模型仅支持 TXT 格式的标签输入（要求包含归一化坐标与类别索引），针对 JSON标签格式不兼容的问题，编写自定义转换脚本，实现 JSON 标签中像素坐标到归一化坐标的自动换算、类别名称到索引的映射，同时完成格式结构的批量转换，确保转换后的 JSON 标签完全符合 YOLOv5 模型的输入规范，无坐标越界、索引错误等问题。
3.数据整理环节：遵循 "图片 - 标签一一对应" 的核心原则，对标注完成的样本进行系统化整理，将 28 张带有效 TXT 标签的图片统一归类至训练集目录（images/train），对应的标签文件同步存放至 labels/train 目录，清理目录中无对应标签的冗余背景图片 322 张，优化数据存储结构，为后续模型训练时的数据加载提供清晰、规范的文件体系。
二、YOLOv5 训练环境调试与问题解决
在启动 YOLOv5 模型训练过程中，先后排查并解决了多类技术错误，逐步打通训练流程，最终实现模型的正常迭代训练：
1.字体下载超时问题：训练初始化阶段出现 Arial.Unicode.ttf 字体文件下载超时的报错，导致脚本启动中断。经分析，该问题源于网络环境对外部资源的访问限制，通过注释训练脚本中字体检查与下载的相关代码段，跳过不必要的字体加载步骤，避免网络依赖引发的启动失败，确保脚本能够进入后续初始化流程。下载地址：
https://github.com/ultralytics/assets/releases/download/v0.0.0/Arial.ttf
huohuhhttps://github.com/ultralytics/assets/releases/download/v0.0.0/Arial.Unicode.ttf
2.标签文件未识别问题：训练时触发 "无有效标签" 的断言错误，经定位，核心原因包括数据集目录结构不规范（标签文件与图片文件路径不匹配）、JSON标签格式不符合要求（存在像素坐标未归一化、类别索引错误等情况）。对此，重新规范 images/labels 二级目录结构，确保训练集图片与标签文件路径严格对应；同时批量校验 JSON 标签内容，修正坐标与索引错误，最终使脚本成功识别出 28 张带有效标签的训练样本。在模型训练中要删除train.ache等以.ache结尾的文件。
3.验证集路径错误问题：配置文件 mydata.yaml 中 val 参数错误指向标签目录（labels/train），而非验证集图片目录，导致脚本加载验证集时出现 "无图片" 的加载错误。通过调整配置文件，将 val 路径修正为图片目录（images/train，暂复用训练集作为验证集），确保验证集数据加载逻辑正常，为模型训练过程中的性能评估提供数据支撑。
4.虚拟内存不足问题：初始设置 batch-size=16 时，系统抛出 "页面文件太小" 的错误，经分析，RTX 4060 Laptop GPU（8GB 显存）无法支撑大批次数据的内存开销。通过将 batch-size 从 16 调整为 8，降低单批次数据加载量，减少 GPU 显存与系统内存占用（显存占用从约 5GB 降至 3-4GB），有效解决内存不足导致的训练中断问题。
（1）在终端输入：
cd /d D:\python learning\pythonProject\yolov5_new（2）执行训练命令
python train.py --weights yolov5s.pt --data data/mydata.yaml --batch-size 8 --epochs 100 --imgsz 640
（3）出现Enter command number:输入0后训练会正式启动。
（4）运行结果
5.参数解析错误问题：因数据集配置文件路径（D:\python learning\pythonProject\yolov5_new\data\mydata.yaml）包含空格，脚本解析时将空格后的内容识别为未定义参数，触发 "未识别参数" 的解析失败错误。针对该问题，在训练参数中对含空格的路径添加英文双引号包裹，确保路径作为一个整体被脚本正确解析，最终解决参数解析异常问题。
