yolov5调用本地摄像头进行检测

目前改了5.0和7.0的版本

5.0

第一步，修改detect.py里的文件
第二步，修改datasets.py里的文件,第280行的

7.0

直接（只需要）修改detect.py中的文件中的
parser.add_argument(‘–source’, type=str, default=‘0’, help=‘file/dir/URL/glob/screen/0(webcam)’)

# yolov5 调用摄像头直接将 default='0'  检测本地图片则其值为 ROOT / 'data/images' yolov5-7.0的master

yolov5调用usb摄像头

直接上代码（detect.py）

    import time
    import cv2
    import numpy as np
    import torch
    from models.experimental import attempt_load
    from utils.datasets import letterbox
    from utils.general import check_img_size, non_max_suppression,scale_coords, xyxy2xywh,set_logging,check_requirements
    from utils.plots import colors, plot_one_box
    from utils.torch_utils import select_device,time_synchronized
     
    @torch.no_grad()
    def detect(
            #--------------------这里更改配置--------------------
            #---------------------------------------------------
               weights='runs/train/exp25/weights/best.pt',   #训练好的模型路径   （必改）
               imgsz=512,           #训练模型设置的尺寸 （必改）
               cap = 0,             #摄像头
               conf_thres=0.25,     #置信度
               iou_thres=0.45,      #NMS IOU 阈值
               max_det=1000,        #最大侦测的目标数
               device='',           #设备
               crop=True,           #显示预测框
               classes=None,        #种类
               agnostic_nms=False,  #class-agnostic NMS
               augment=False,       #是否扩充推理
               half=False,          #使用FP16半精度推理
               hide_labels=False,   #是否隐藏标签
               hide_conf=False,     #是否隐藏置信度
               line_thickness=3     #预测框的线宽
               ):
            # #--------------------这里更改配置--------------------
            #-----------------------------------------------------
        #打开摄像头
        cap = cv2.VideoCapture(cap)
     
        #-----初始化-----
        set_logging()
        #设置设备
        device = select_device(device)
        #CUDA仅支持半精度
        half &= device.type != 'cpu'  
     
        #-----加载模型-----
        #加载FP32模型
        model = attempt_load(weights, map_location=device)
        #模型步幅
        stride = int(model.stride.max())
        #检查图像大小
        imgsz = check_img_size(imgsz, s=stride)
        #获取类名
        names = model.module.names if hasattr(model, 'module') else model.names
        #toFP16
        if half:
            model.half()  
     
        #------运行推理------
        if device.type != 'cpu':
            model(torch.zeros(1, 3, imgsz, imgsz).to(device).type_as(next(model.parameters())))  # 跑一次
     
        #-----进入循环：ESC退出-----
        while(True):
            #设置labels--记录标签/概率/位置
            labels = []
            #计时
            t0 = time.time()
            ref,img0=cap.read()
            #填充调整大小
            img = letterbox(img0, imgsz, stride=stride)[0]
            # 转换
            img = img[:, :, ::-1].transpose(2, 0, 1)  #BGR to RGB, to 3x416x416
            img = np.ascontiguousarray(img)
     
            img = torch.from_numpy(img).to(device)
            #uint8 to fp16/32
            img = img.half() if half else img.float()
            #0 - 255 to 0.0 - 1.0
            img /= 255.0
            if img.ndimension() == 3:
                img = img.unsqueeze(0)
     
            # 推断
            t1 = time_synchronized()
            pred = model(img, augment=augment)[0]
     
            # 添加 NMS
            pred = non_max_suppression(pred, conf_thres, iou_thres, classes, agnostic_nms, max_det=max_det)
            t2 = time_synchronized()
     
            #目标进程
            for i, det in enumerate(pred):  # 每幅图像的检测率
                s, im0 = '', img0.copy()
                #输出字符串
                s += '%gx%g ' % img.shape[2:]
                #归一化增益
                gn = torch.tensor(im0.shape)[[1, 0, 1, 0]]
                if len(det):
                    # 将框从img_大小重新缩放为im0大小
                    det[:, :4] = scale_coords(img.shape[2:], det[:, :4], im0.shape).round()
                    # 输出结果
                    for c in det[:, -1].unique():
                        #每类检测数
                        n = (det[:, -1] == c).sum()
                        #添加到字符串
                        s += f"{n} {names[int(c)]}{'s' * (n > 1)}, "
                    # 结果输出
                    for *xyxy, conf, cls in reversed(det):
                        #归一化xywh
                        xywh = (xyxy2xywh(torch.tensor(xyxy).view(1, 4)) / gn).view(-1).tolist()
                        #标签格式
                        line = (cls, *xywh, conf)
                        #整数类
                        c = int(cls)
                        #建立标签
                        label = None if hide_labels else (names[c] if hide_conf else f'{names[c]} {conf:.2f}')
                        #绘画预测框
                        if crop:
                            plot_one_box(xyxy, im0, label=label, color=colors(c, True), line_thickness=line_thickness)
                        #记录标签/概率/位置
                        labels.append([names[c],conf,xyxy])
     
            #--------------------这里写/修改代码--------------------
            #-------------------------------------------------
            '''
            labels里面有该图片的标签/概率/坐标(列表)
            labels = [ [列表0] , [列表1] , [列表3] ,......]
                其中 列表 = [标签,概率,坐标]
            例如获取第一个预测框的概率值：print( float( labels[0][1])  )
            '''
            # 显示图片
            cv2.imshow("666",im0)
            #输出计算时间
            print(f'消耗时间: ({time.time() - t0:.3f}s)')
     
            key = cv2.waitKey(20)  
     
            #这里设置ESC退出
            if key == 27:
                break
            #--------------------END--------------------
            #-------------------------------------------------
        cv2.destroyAllWindows()
     
    if __name__ == "__main__":
        '''
        修改配置在 13-28 行
        写代码-显示输出/获取预测框位置/获取预测概率值 在121-END行
        '''
        #检测安装包--建议注释掉
        #check_requirements(exclude=('tensorboard', 'thop'))
        #运行
        detect()

经研究发现，yolov5-master有time_synchronized 和 time_sync 两种名字，所以如果time_synchronized报错，麻烦换成time_sync