yolov5的训练很简单，下载好仓库，装好依赖后，只需自定义一下data目录中的yaml文件就可以了。这里我使用自定义的my.yaml文件，里面就是定义数据集位置和训练种类数和名字。

一般训练主要需要调整的参数是这两个：

一般默使用8的话，会报错~~。原因是爆系统内存，除了物理内存外，需要调整系统的虚拟内存。训练时主要看已提交哪里的实际值是否会超过最大值，超过了不是强退程序就是报错。 所以需要根据实际情况分配系统虚拟内存(python执行程序所在的盘)的最大值

训练时显存占用越大当然效果越好，但如果爆显存，也是会无法训练的。我使用–batch-size 32时，显存差不多能利用完。

我的显卡是rtx3050，实际使用中上到4以上就差别不大了，gpu完全吃满了。但是如果设置得太小，gpu会跑不满。比如当workers=1时，显卡功耗只得72W，速度慢了一半；workers=4时，显卡功耗能上到120+w，完全榨干了显卡的算力。所以需要根据你实际的算力调整这个参数。 2. 对于batch-size，有点玄学。理论是能尽量跑满显存为佳，但实际测试下来，发现当为8的倍数时效率更高一点。就是32时的训练效率会比34的高一点，这里就不太清楚原理是什么了，实际操作下来是这样。

以上参数的调整能最大化显卡的使用效率，其中的具体数值和电脑的实际配置还有模型大小、数据集大小有关，需要根据实际情况反复调整。当然，要实质提升训练速度，还是得有好显卡（钞能力）~~~~