推断的准备工作

接下来我将从官方代码开始，一步一步展示如何进行图片、视频识别

首先从GitHub下载官方代码（也可以从下面链接获取）：

链接：https://pan.baidu.com/s/16wzV899D90TY2Xwhx4TwhA

提取码：vzvj

将环境切换到之前配置完成的yolo环境

（你的环境名可能和我不一样）

实现图片目标检测

可以看到 '--weights' 参数（参数解读详见4.a）的默认值为'yolov5s.pt'这表明运行代码时使用yolov5s的权重参数进行推断。

这里有两种运行办法，一种是直接运行，他会自动到外网上下载模型，如果网络不好的话可能会报错；另一种是先下载把模型文件放到detect.py的同级目录下，运行即可。

yolov5s.pt模型文件链接：

链接：https://pan.baidu.com/s/1-1F_LcVKZRbbytotm9GKjw

提取码：tbby

运行成功!

1是对模型的概要，可以看到模型包括224层，7266973个参数；

2路径是'--source'参数（参数解读详见4.b）的默认值，在该路径下存放待识别图片（可以添加自己的图片，常见的图片格式均可进行识别）

3是推断结果存放路径，在代码运行后可以看到结果

效果如下：

恭喜你，成功啦！(≧∇≦)/

这是一个值得庆祝的时刻，就像是学习C、python时的“hello world！”，学习单片机时的流水灯，这表明我们已经进入yolo目标识别的大门。我认为，这样阶段性的正反馈，是求学路上最迷人风景之一

(๑•̀ㅂ•́)و✧

实现视频目标检测

完成图片目标检测后，视频检测基本不会有什么问题。在工程的data文件夹下新建video文件夹，在里面存放要识别的视频（也可以放在其他位置，注意修改路径即可）

在代码中更改'--source'参数的默认值运行即可。

parser.add_argument('--source', type=str, default='data/video', help='source') # file/folder, 0 for webcam

运行成功！

...

视频被切成797张图片，在全部识别后重新合成一个视频，并存在runs\detect\exp2目录下

可以看到效果还是非常好的。

对detect.py中常用参数的解读

'--weights'

这个就是指定网络权重的路径，默认是官方的yolov5s.pt（官方还提供了很多其他的权重模型，例如yolov5m.pt,yolov5n.pt...如果想详细了解，可以看GitHub官方工程Pretrained Checkpoints那一栏

GitHub - ultralytics/yolov5: YOLOv5 🚀 in PyTorch > ONNX > CoreML > TFLite）

如果想用其他的官方模型，由于运行代码自动下载比较慢，所以建议先从官网下载好模型放到detect.py同级目录下，然后将'--weights'默认值改成对应模型的名称，直接运行即可。

注意，这里有个细节，如果从非官网途径下载模型，一定要注意.pt文件的名称，有些文件名末尾会多一个空格，记得去掉他，否则因为代码中默认值名称和模型文件名称不匹配（差一个空格），还是会自动去外网下模型。

表面看上去没问题

实际多了一个空格

要把这个空格去掉

如果要使用自己训练的模型，更改默认值为模型路径即可（之后的文章会讲）。

'--source'参数

这个参数的默认值是网络输入的路径，默认指定的是文件夹，也可以指定具体的文件，如直接锁定到某个图片 'data/images/bus.jpg' 那么运行时只会识别这一张图片，images文件夹下的其他图片/视频不会参与识别。

'--conf-thres'参数

这个参数我通常理解为，目标可能性阈值，低于默认值（如上图是0.25）的目标不会被框出来。我通常将其作为避免误识别的一种手段，因为只要数据集采集合理，经过训练，假目标的可能性通常低于真目标，只要将阈值设在两者之间，就能滤去假目标的识别框，这比 重新采集数据集、调网络参数、重新训练 要容易的多。

'--conf-thres'默认值为0.25

'--conf-thres'默认值为0.65

求学路上，你我共勉(๑•̀ㅂ•́)و✧