要使用自己的数据集训练电脑上的深度学习模型，您需要遵循以下步骤：

收集和准备数据

根据您的任务需求收集数据，可以是文本、图像、音频或其他类型的数据。

确保数据集具有足够的多样性和代表性，并按照任务目标进行标注或注释。

数据预处理

在将数据提供给模型之前，通常需要进行一些预处理，例如文本分词、图像缩放、归一化或标准化等操作，以确保数据在训练过程中具有一致的格式和特征表示。

划分数据集

将数据集划分为训练集、验证集和测试集。训练集用于模型的训练，验证集用于调整模型的超参数和进行性能评估，测试集用于最终评估模型的泛化能力。

选择合适的模型架构

根据您的任务和数据集特点，选择适当的模型架构。这可能涉及选择预训练模型、修改现有模型或从头开始训练新模型。

模型训练

使用训练集对所选的模型进行训练。这包括输入数据、计算损失函数、反向传播和参数更新。您可以使用常见的深度学习框架如PyTorch或TensorFlow来实现训练过程。

超参数调整

调整模型的超参数，例如学习率、批次大小、正则化等，以提高模型性能和泛化能力。可以使用验证集进行超参数的选择和调整。

模型评估

使用测试集对训练好的模型进行评估，并计算评估指标（如准确率、精确率、召回率等），以了解模型在真实场景中的表现。

模型优化和迭代

根据评估结果和需求，对模型进行优化和迭代。这可能包括增加数据量、调整模型结构、改进训练策略等。

对于特定框架如YOLOv5，您还需要进行以下操作：

数据集目录结构：

将构建好的数据集复制到与YOLOv5源码文件同一级目录下，并按照YOLOv5的目录结构进行组织。

修改配置文件：

修改YOLOv5的配置文件（如`data/voc.data`和`models/yolov5s.yaml`），指定数据集路径、类别数、训练集和验证集路径等。

修改训练代码：

如果需要，修改训练脚本（如`train.py`），以确保训练过程顺利进行。

训练模型：

使用YOLOv5提供的训练脚本或命令行工具开始训练模型。

请注意，训练深度学习模型需要较高的计算资源，因此确保您的电脑配置满足需求。此外，不同的深度学习框架和模型算法可能需要不同的数据集格式，因此在开始训练之前，请确保您的数据集格式与所选框架兼容。