帮我写个脚本：使用已经训练好的yolov5模型进行目标检测：未检测到目标的图片，保存至”无目标数据”，有检测结果的图片，保存至”有目标数据”，同时，检测结果保存为yolo格式的目标检测标签

好的，这是一个Python脚本的框架，你需要将其中的路径和参数替换成你自己的。

import torch
import cv2
import os
import numpy as np
from models.experimental import attempt_load
from utils.general import non_max_suppression

# 加载模型
model_path = "path/to/model.pt"
device = torch.device("cuda" if torch.cuda.is_available() else "cpu")
model = attempt_load(model_path, map_location=device)
model.eval()

# 设置阈值和iou阈值
conf_thres = 0.5
iou_thres = 0.5

# 设置图片目录
img_dir = "path/to/images"

# 设置保存目录
output_dir = "path/to/output"

# 创建保存目录
os.makedirs(os.path.join(output_dir, "有目标数据"), exist_ok=True)
os.makedirs(os.path.join(output_dir, "无目标数据"), exist_ok=True)

# 遍历图片目录
for filename in os.listdir(img_dir):
    if filename.endswith(".jpg") or filename.endswith(".png"):
        # 读取图片
        img_path = os.path.join(img_dir, filename)
        img = cv2.imread(img_path)

        # 进行目标检测
        img = cv2.cvtColor(img, cv2.COLOR_BGR2RGB)
        img = torch.from_numpy(img.transpose(2, 0, 1)).float().to(device) / 255.0
        img = img.unsqueeze(0)
        pred = model(img)[0]
        pred = non_max_suppression(pred, conf_thres, iou_thres)

        # 如果检测到目标
        if len(pred[0]) > 0:
            # 保存检测结果
            output_path = os.path.join(output_dir, "有目标数据", filename)
            np.savetxt(output_path[:-3] + "txt", pred[0].cpu().numpy(), fmt="%.5f")

            # 保存图片
            output_img_path = os.path.join(output_dir, "有目标数据", filename)
            cv2.imwrite(output_img_path, img)

        # 如果未检测到目标
        else:
            # 保存图片
            output_path = os.path.join(output_dir, "无目标数据", filename)
            cv2.imwrite(output_path, img)

这个脚本使用了YoloV5模型进行目标检测，并将检测结果保存为Yolo格式的标签。如果检测到目标，则将检测结果和图片保存到"有目标数据"目录下；如果未检测到目标，则将图片保存到"无目标数据"目录下。你需要将"model_path"、"img_dir"和"output_dir"分别替换成你的模型路径、图片目录和保存目录。