帮我写一段YOLOV5的训练程序，用Python语言

下面是一个简单的YOLOv5训练程序（仅供参考）：

import torch
import argparse
from pathlib import Path
from models import *  # 导入YOLOv5模型
from utils.datasets import *  # 导入数据集
from utils.utils import *  # 导入一些工具函数

# 设置参数
parser = argparse.ArgumentParser()
parser.add_argument('--epochs', type=int, default=300, help='number of epochs')
parser.add_argument('--batch-size', type=int, default=16, help='size of each batch')
parser.add_argument('--img-size', type=int, default=640, help='size of input image')
parser.add_argument('--data', type=str, default='data/coco.yaml', help='path to data.yaml')
parser.add_argument('--weights', type=str, default='yolov5s.pt', help='path to weights file')
opt = parser.parse_args()

# 加载数据集
data = yaml.load(open(opt.data))
train_dataset = LoadImagesAndLabels(data['train'], opt.img_size, batch_size=opt.batch_size, augment=True)
test_dataset = LoadImagesAndLabels(data['val'], opt.img_size, batch_size=opt.batch_size, augment=False)

# 初始化模型
model = YOLOv5(opt.img_size)

# 加载预训练权重
if opt.weights.endswith('.pt'):  # 如果是.pt文件
    model.load_state_dict(torch.load(opt.weights, map_location=torch.device('cpu'))['model'].float().state_dict())
else:  # 如果是.weights文件
    load_darknet_weights(model, opt.weights)

# 设置优化器和学习率衰减策略
optimizer = torch.optim.Adam(model.parameters())
scheduler = torch.optim.lr_scheduler.CosineAnnealingLR(optimizer, T_max=opt.epochs)

# 开始训练
for epoch in range(opt.epochs):
    for i, (imgs, targets, paths, _) in enumerate(train_dataset):
        # 将数据送入GPU
        imgs = imgs.cuda()
        targets = targets.cuda()

        # 计算损失
        loss, loss_items = model(imgs, targets)

        # 反向传播和优化
        optimizer.zero_grad()
        loss.backward()
        optimizer.step()

        # 打印损失和学习率
        if i % 10 == 0:
            print(f'Epoch {epoch+1}/{opt.epochs}, Batch {i+1}/{len(train_dataset)}, Loss {loss.item():.4f}, LR {scheduler.get_lr()[0]:.6f}')

    # 更新学习率
    scheduler.step()

    # 在测试集上测试模型
    model.eval()
    with torch.no_grad():
        mAP, _, _ = test(model, test_dataset)
    print(f'Epoch {epoch+1}/{opt.epochs}, mAP {mAP:.4f}')

    # 保存模型
    if epoch % 10 == 0:
        torch.save(model.state_dict(), f'yolov5_epoch{epoch+1}.pt')

这个程序假设你已经有了一个数据集，其中包含一个`data.yaml`文件，描述了训练和测试数据的路径和标签等信息。它还假设你已经实现了一个`LoadImagesAndLabels`类，用于加载数据集。如果你还没有这个类，可以参考YOLOv5的源代码实现一个。

除了使用torch定义的优化器和学习率衰减策略，我们还使用了一个自己实现的`test`函数来测试模型在测试集上的表现。该函数的实现可以参考YOLOv5的源代码。注意，我们每10个epoch就保存一次模型。