如何加载yolov5模型自己训练的模型

### 加载自定义训练的YOLOv5模型 为了在Python环境中加载并使用自定义训练的YOLOv5模型进行推理，可以遵循以下方法： #### 安装依赖库 确保已经安装了必要的依赖项。通常情况下，这可以通过克隆官方仓库并运行设置脚本来完成。 ```bash git clone https://github.com/ultralytics/yolov5.git cd yolov5 pip install -r requirements.txt ``` #### 导入所需模块 编写Python脚本时，先导入所需的包和类。 ```python import torch from pathlib import Path import cv2 ``` #### 载入模型权重 利用`torch.hub.load()`函数可以直接从GitHub项目加载特定版本的YOLOv5模型，并指定路径指向本地保存的最佳权重文件（`.pt`格式），该文件是在之前训练阶段产生的。 ```python model = torch.hub.load('ultralytics/yolov5', 'custom', path='path/to/best.pt') # 自定义模型 ``` 此处`best.pt`应替换为实际存储位置下的具体文件名[^1]。 #### 设置设备配置 确认当前环境支持GPU加速；如果不具备CUDA，则默认采用CPU执行预测任务。 ```python device = torch.device('cuda' if torch.cuda.is_available() else 'cpu') print(f"Using {device} device") model.to(device) ``` #### 执行推理操作 对于单张图片或视频流中的每一帧图像，都可以调用模型实例的方法来进行对象识别。 ```python img_path = "data/images/zidane.jpg" results = model(img_path) # 显示结果 results.show() ``` 上述代码片段展示了如何读取一张静态照片作为输入源，并展示检测到的对象边界框及其类别标签[^2]。 #### 处理摄像头捕获的数据 如果希望处理来自ZED2相机或其他类型的实时影像资料，在循环体内不断获取最新画面后传递给模型即可。 ```python cap = cv2.VideoCapture(0) # 或者其他有效的视频捕捉索引号或RTSP地址 while True: ret, frame = cap.read() if not ret: break results = model(frame[:, :, ::-1]) # BGR转RGB results.render() img_with_boxes = results.imgs[0][:, :, ::-1] # RGB转BGR以便OpenCV显示 cv2.imshow("Frame", img_with_boxes) key = cv2.waitKey(1) & 0xFF if key == ord('q'): break cap.release() cv2.destroyAllWindows() ``` 这段程序实现了连续抓拍场景下物体侦测的功能，同时允许用户按键盘上的‘Q’键退出应用程序[^3]。