pytorch训练yolov5s.pt，之后转onnx。
以检测条形码为例，1分类问题，训练yolov5s.pt。
1、github上下载yolov5程序以及pt模型文件，https://github.com/ultralytics/yolov5/releases
2、data文件夹里，images放入样本图片，labels放入对应的txt标签（labelImg制作，注意选择YOLO模式）
新建yaml文件（上图中的barcode.yaml），用于指定路径和类别。为了省事训练和验证用的一样的图。
3、VSCode打开程序文件夹
修改models里yolov5s.yaml类别为1
修改根目录里的train.py
点击VSCode右上方的开始按钮，训练完毕后，在runs\train\exp\weights\里得到pt模型 best.pt
4、测试下效果
修改根目录里detect.py
点击VSCode右上方的开始按钮，检测完毕后，在runs\detect\exp\里得到结果图。
5、pt转onnx
VSCode下方的“终端”里输入命令。注意自己的pt路径，会在同路径里得到best.onnx。
python export.py --weights runs/train/exp7/best.pt --include onnx --opset 12 --dynamic
简化模型，先安装包。
【为什么要简化？】在训练完深度学习的pytorch或者tensorflow模型后，有时候需要把模型转成 onnx，但是很多时候，很多节点比如cast节点，Identity 这些节点可能都不需要，我们需要进行简化，这样会方便我们把模型转成ncnn或者mnn等这些端侧部署的模型格式或者通过tensorRT进行部署。
pip install onnx coremltools onnx-simplifier
进入best.onnx目录
cd runs/train/exp7/weights
简化，同路径下得到简化后的模型 best-sim.onnx
python -m onnxsim best.onnx best-sim.onnx
查看网络结构
pip install netron python import netron netron.start('best-sim.onnx')
测试下效果
python detect.py --weights best-sim.onnx --source path/to/img.jpg
【代码里参数讲解】
https://blog.csdn.net/IT_charge/article/details/119208680?spm=1001.2101.3001.6650.1&depth_1-utm_relevant_index=2