yolov5训练好的模型调用

要使用训练好的 YOLOv5 模型进行推理，需要安装 PyTorch 和 YOLOv5 代码库，并且将训练好的权重文件加载到模型中。首先，你需要在 PyTorch 中加载 YOLOv5 模型，然后使用模型的 forward() 方法进行推理。下面是一个示例代码：

import torch
from models.experimental import attempt_load
from utils.datasets import LoadImages
from utils.general import non_max_suppression, scale_coords
from utils.plots import plot_one_box

# 加载模型权重文件
model = attempt_load('path/to/weights.pt', map_location=torch.device('cpu'))

# 加载测试图片
img = LoadImages('path/to/test/image.jpg', img_size=model.img_size)

# 进行推理
for path, img, im0s, vid_cap in img:
    # 将图片转换成 PyTorch 张量
    img = torch.from_numpy(img).to(model.device).float() / 255.0
    img = img.unsqueeze(0)

    # 使用模型进行推理
    pred = model(img)

    # 进行非极大值抑制
    pred = non_max_suppression(pred, conf_thres=0.3, iou_thres=0.6)

    # 将预测框的坐标转换到原图尺寸
    for i, det in enumerate(pred):
        if len(det):
            det[:, :4] = scale_coords(img.shape[2:], det[:, :4], im0s.shape).round()

            # 绘制预测框
            for *xyxy, conf, cls in reversed(det):
                c = int(cls)
                label = f'{model.names[c]} {conf:.2f}'
                plot_one_box(xyxy, im0s, label=label, color=model.colors[c], line_thickness=3)

    # 显示结果
    cv2.imshow('result', im0s)
    cv2.waitKey(0)

上述代码中，需要注意的是：

- `path/to/weights.pt` 是训练好的权重文件路径，需要根据实际情况进行修改。
- `path/to/test/image.jpg` 是测试图片路径，需要根据实际情况进行修改。
- `conf_thres` 和 `iou_thres` 是非极大值抑制的阈值，需要根据实际情况进行调整。
- `model.names` 是 YOLOv5 模型的类别名称列表，需要根据实际情况进行修改。
- `model.colors` 是 YOLOv5 模型的类别颜色列表，需要根据实际情况进行修改。