detect: weights=yolov5s.pt, source=data\images, data=data\coco128.yaml, imgsz=[640, 640], conf_thres=0.25, iou_thres=0.45, max_det=1000, device=, view_img=False, save_txt=False, save_format=0, save_csv=False, save_conf=False, save_crop=False, nosave=False, classes=None, agnostic_nms=False, augment=False, visualize=False, update=False, project=runs\detect, name=exp, exist_ok=False, line_thickness=3, hide_labels=False, hide_conf=False, half=False, dnn=False, vid_stride=1 YOLOv5 2025-3-28 Python-3.12.7 torch-2.6.0+cpu CPU Downloading https://github.com/ultralytics/yolov5/releases/download/v7.0/yolov5s.pt to yolov5s.pt...
时间: 2025-06-25 22:09:24 浏览: 15
### 使用YOLOv5s.pt权重文件进行目标检测
要在 Python 3.12.7 和 torch 2.6.0 的环境中使用 YOLOv5s.pt 权重文件完成图像的目标检测任务,可以遵循以下说明:
#### 安装依赖库
首先需要安装必要的依赖项。可以通过 pip 命令来安装 `ultralytics` 库以及 PyTorch[^1]。
```bash
pip install ultralytics torch==2.6.0
```
#### 下载预训练模型
通过加载官方提供的预训练权重文件 `yolov5s.pt` 可以快速启动项目。以下是下载和加载模型的方法:
```python
from ultralytics import YOLO
# 加载预训练的YOLOv5s模型
model = YOLO('yolov5s.pt')
```
此代码片段会自动从 Ultralytics 的服务器下载最新的 `yolov5s.pt` 文件,并将其保存到本地缓存目录中[^1]。
#### 配置参数
为了调整模型的行为,在调用预测功能之前可设置一些重要参数。这些参数包括但不限于置信度阈值 (`conf`)、最大检测数量 (`max_det`) 等。下面是一个例子展示如何配置这些选项:
```python
# 设置推理参数
model.conf = 0.25 # NMS confidence threshold
model.iou = 0.45 # NMS IoU threshold
model.max_det = 1000 # maximum number of detections per image
```
以上代码设置了非极大抑制 (NMS) 中使用的置信度阈值为 0.25,IoU 阈值为 0.45,每张图片的最大检测数设为 1000[^1]。
#### 进行图像检测
一旦完成了模型初始化与参数设定之后,就可以利用该模型对单幅或多幅输入图像执行目标检测操作了。这里给出一段简单的示例代码用于演示这一过程:
```python
import cv2
# 推理一张图片
results = model('example.jpg')
for result in results:
boxes = result.boxes.cpu().numpy() # 获取边界框数据
for box in boxes:
r = box.xyxy[0].astype(int) # 获得矩形坐标[xmin, ymin, xmax, ymax]
img = cv2.imread('example.jpg') # 读取原始图片
cropped_img = img[r[1]:r[3], r[0]:r[2]] # 截取感兴趣区域(ROI)
cv2.imwrite(f'output_{box.id}.jpg', cropped_img) # 存储裁剪后的子图
```
上述脚本实现了针对指定路径下的 JPEG 图像文件运行对象识别的任务,并将每个被标记出来的物体单独提取出来另存新档[^1]。
---
### 注意事项
尽管当前环境支持最新版工具链组合(Python 3.12.7 & Torch 2.6.0),但在实际部署过程中仍需留意各组件间的兼容性问题。如果遇到任何异常情况,则建议尝试降级至更稳定版本重新验证流程有效性[^2]。
阅读全文
相关推荐


















