在YoloV5-Lite目标检测之“安装推理”中，我们完成了安装和预训练权重的推理，下面介绍自定义训练数据、模型转换(ncnn)
1 训练数据准备
.
├── train
│ ├── 000000000049.jpg
│ ├── 000000000049.txt
......
│ ├── 000000581880.txt
│ ├── 000000581900.jpg
│ └── 000000581900.txt
└── val
├── 00000[......]
我的需求是只保留人（和没有人的副样本），抽样，其他忽略
import json
import os
import shutil
import random
def coco_to_yolo_bbox(image_width, image_height, bbox):
"""
Convert bbox from COCO format to YOLO format.
COCO format: [top_left_x, top_left_y, width,[......]
在 《NanoDet目标检测之"搭建预测篇"》 中，我们搭建了NanoDet的环境，并用默认权重做了简单的预测，本节我们继续用自己的数据做微调。
1 准备数据
NanoDet支持yolo或者coco格式的标注，自行准备即可，我这里以yolo为例，目录结构如下：
TODO
xxx
2 配置
我们需要融合下两个配置文件，复制：
cp nanodet-plus-m_320.yml nanodet-plus-m_320_face.yml
修改1，保存位置：
save_dir: wo[......]
NanoDet是一个基于ShuffleNetV2的轻量级的目标检测模型，配合ncnn框架加速后，在中端Android机型能做到20fps+
1 安装环境
为了避免冲突，需要安装好conda，Python 3.8+
安装依赖包
git clone https://github.com/RangiLyu/nanodet.git
cd nanodet
pip install -r requirements.txta
安装代码
python setup.py develop
2 下[......]