将yolov5导入到PyCharm中并训练自己的数据

新版本的pycharm于网络上有的教程不大一样。在创建完虚拟环境、下载好git文件之后，打开pycharm，导入项目选择git存储的文件夹——重点来了！！！选择配置解释器的时候，conda——现有解释器！！——选择对应虚拟环境中的python.exe文件，新版本的提示页面只有一行。确定——“项目文件夹不为空，确定安装？”——在次目录中打开。一定不要选择白色的“打开文件”否则之前在虚拟环境中下载的依赖包全都白下了。！！！

利用labelimg进行数据标注，在没有修改模型参数的条件下对数量很少的训练集和验证集进行模型训练，导出自己的模型之后在测试集上测试模型效果，结果并不理想。而且由于计算机性能限制，这个小小的模型训练就训练了半个多小时。

下一步，首先安装cuda将GPU的性能利用起来，加快训练速度与效果。

之后针对逆光问题，修改网络结构、网络参数，或者换用其他模型，提高的逆光环境下识别猕猴桃的精确度。当然，不可避免地需要一些逆光环境下的猕猴桃数据集。

在不久之后，有了足够多的图片数据，不可避免地要加大力度训练自己的模型，那个时候最好可以利用实验室的服务器，所以要给自己搭载一个服务器字段，从而可以远程训练模型、提高训练速度与效率。

与此同时，要多多参考已经研究出的比较好的逆光小目标识别算法，能否有所借鉴与启发。

以及下一步，yoloV8算法的使用，或者其他一些已经开源的比较好用的小目标识别算法的利用。

当然，算法也并不局限于YOLO系列