我使用自己的数据集，这么修改

如果你想使用自己的数据集进行评估，你需要对代码进行以下修改：

1. 修改数据集配置文件路径：将`opt.data`的值改为你自己的数据集配置文件的路径。

2. 修改模型权重路径：将`opt.weights`的值改为你训练得到的模型权重的路径。

3. 修改类别名称和数量：在你的数据集配置文件中，需要将`names`字段设置为你数据集中的类别名称列表。同时，`nc`字段需要设置为你数据集中的类别数量。

4. 修改数据集加载方式：将`LoadImages`函数的参数改为你自己的数据集路径和图像大小。

下面是修改后的示例代码：

import torch
import argparse
import yaml
from models.experimental import attempt_load
from utils.general import check_img_size, non_max_suppression, scale_coords
from utils.datasets import LoadImages
from utils.torch_utils import select_device

def evaluate():
    # 解析参数
    parser = argparse.ArgumentParser()
    parser.add_argument('--data', type=str, default='data.yaml', help='数据集配置文件路径')
    parser.add_argument('--weights', type=str, default='yolov5s.pt', help='模型权重路径')
    parser.add_argument('--img-size', type=int, default=640, help='图像输入大小')
    parser.add_argument('--conf-thres', type=float, default=0.001, help='置信度阈值')
    parser.add_argument('--iou-thres', type=float, default=0.65, help='IoU阈值')
    parser.add_argument('--device', default='', help='设备，例如0或者0,1,2,3')
    opt = parser.parse_args()

    # 加载数据集配置文件
    with open(opt.data) as f:
        data_dict = yaml.load(f, Loader=yaml.FullLoader)
    num_classes = int(data_dict['nc'])
    class_names = data_dict['names']

    # 加载模型权重
    device = select_device(opt.device)
    model = attempt_load(opt.weights, map_location=device)
    img_size = check_img_size(opt.img_size, s=model.stride.max())

    # 对每张图片进行检测
    dataset = LoadImages(data_dict['val'], img_size=img_size)
    for img_i, (path, img, im0s, vid_cap) in enumerate(dataset):
        print(f'\n图像 {img_i}: {path}')
        # 图像预处理
        img = torch.from_numpy(img).to(device)
        img = img.float() / 255.0
        if img.ndimension() == 3:
            img = img.unsqueeze(0)

        # 模型推理
        pred = model(img)[0]
        pred = non_max_suppression(pred, opt.conf_thres, opt.iou_thres, classes=None, agnostic=False)

        # 后处理
        for i, det in enumerate(pred):
            if det is not None and len(det):
                det[:, :4] = scale_coords(img.shape[2:], det[:, :4], im0s.shape).round()
                for *xyxy, conf, cls in reversed(det):
                    label = f'{class_names[int(cls)]} {conf:.2f}'
                    print(f'    {label}')

if __name__ == '__main__':
    evaluate()

注意，以上代码仅为示例代码，实际使用时需要根据自己的数据集和模型进行相应的修改。