书接上文，yolov5环境搭建（Windows下cpu训练）-CSDN博客  完成后，尝试调用电脑摄像头实现动态识别或者识别本地图片或视频，方法非常简单。

一.调用电脑摄像头

1.复制使用模型路径

在上文中，train.py运行完成后，打开yolov5\runs\train，找到最新的exp前缀的文件夹，我的在exp2

点击进入后，打开weights文件夹，有两个文件，如图，

一个best.pt和一个last.pt，这两个文件就是我们训练得到的模型。

best.pt 和 last.pt 是在训练深度学习模型时保存的两个不同的模型文件。

last.pt 包含最后一次训练迭代的模型参数。

在训练期间，每次完成一次迭代时，模型参数都会被保存在 last.pt 文件中。因此，当使用 last.pt 文件时，将得到最后一次训练迭代的模型。 best.pt 包含在整个训练过程中获得最佳性能的模型参数。通常，这是在验证集上达到最佳性能的模型。保存最佳模型的方法是在每次完成验证集上的迭代时，如果获得了更好的性能，则将模型参数保存到 best.pt 文件中。因此，当使用 best.pt 文件时，将得到整个训练过程中性能最佳的模型。 在应用深度学习模型时，通常建议使用 best.pt 文件，因为它提供了整个训练过程中性能最佳的模型。但是，如果仅仅希望继续训练模型，则可以使用 last.pt 文件。（以上摘自大佬的学习总结，原文如下）【学习总结】win10下yolov5使用GPU训练自己的模型，同时调用网络摄像头识别目标、学习指南与踩坑经验_用gup训练需要安装哪些软件-CSDN博客

此处用作练习可以任意选取一个模型，复制其路径

2.修改使用模型并调用摄像头

打开detect.py文件，找到parse_opt()函数，修改weights和sourse

修改  --weights 为  runs/train/exp2/weights/last.pt  修改使用模型的位置，这里我们使用last.pt模型

修改  --source 为 0    修改调用摄像头0，如果有多个可以改1、2、3

运行detect.py，运行成功，不过识别效果一般，训练集（coco128）和权重文件的问题，后续可以改进。

二.识别本地图片或视频

同样，打开detect.py文件

修改  --weights 为  runs/train/exp2/weights/last.pt  修改使用模型的位置

当识别文件夹里的图片，修改  --source 为  mydata/images/test   识别相对路径里mydata/images/test里我们放的测试集里所有图片

如果识别单个视频或图片，修改 --source 为  video\test.mp4    识别相对路径video/test.mp4   识别mp4视频文件 

这里我选择本地的单个图片，复制文件地址（复制本地文件的路径后记得将  \  修改为  /  ），否则读取失败。

改好后运行detect.py，运行结果在exp3中。