编写一个yolov5的模型检测，只要运行后，就不结束，只要有文件放入到文件夹中，就去执行读取

编写一个yolov5的模型检测，只要运行后，就不结束，只要有文件放入到文件夹中，就去执行读取

import os  
import cv2  
import torch  
from torchvision import transforms  
from PIL import Image  
from yolo.model import YOLOv5  # 设置YOLOv5模型路径  
YOLO_MODEL_PATH = 'path/to/your/yolov5_model.pt'  # 设置要检测的文件夹路径  
FOLDER_PATH = 'path/to/your/folder'  # 加载YOLOv5模型  
model = YOLOv5(weights=YOLO_MODEL_PATH)  # 预处理图像  
preprocess = transforms.Compose([  transforms.ToTensor(),  transforms.Normalize(mean=[0.485, 0.456, 0.406], std=[0.229, 0.224, 0.225])  
])  # 进入循环，不断检测新文件  
while True:  # 获取文件夹中的所有文件  files = os.listdir(FOLDER_PATH)  # 遍历每个文件  for file in files:  # 获取文件的完整路径  file_path = os.path.join(FOLDER_PATH, file)  # 打开并预处理图像  image = Image.open(file_path).convert('RGB')  image = preprocess(image).unsqueeze(0)  # 使用YOLOv5模型进行检测  results = model(image)  # 处理检测结果（例如，输出到控制台或保存为文件）  # ...  # 休眠一段时间，以减少CPU使用率  import time  time.sleep(1)

为了让程序持续执行并不断检测新文件，你需要使用一个循环来不断读取文件夹中的文件并进行检测。在每次检测完一个文件后，程序会返回到循环的开始，继续读取下一个文件。在循环中，你可以添加适当的延迟来控制程序的执行速度，减少CPU使用率。
以下是修改后的代码示例，添加了一个无限循环和一个休眠的延迟：

import os  
import cv2  
import torch  
from torchvision import transforms  
from PIL import Image  
from yolo.model import YOLOv5  # 设置YOLOv5模型路径  
YOLO_MODEL_PATH = 'path/to/your/yolov5_model.pt'  # 设置要检测的文件夹路径  
FOLDER_PATH = 'path/to/your/folder'  # 加载YOLOv5模型  
model = YOLOv5(weights=YOLO_MODEL_PATH)  # 预处理图像  
preprocess = transforms.Compose([  transforms.ToTensor(),  transforms.Normalize(mean=[0.485, 0.456, 0.406], std=[0.229, 0.224, 0.225])  
])  # 无限循环，不断检测新文件  
while True:  # 获取文件夹中的所有文件  files = os.listdir(FOLDER_PATH)  # 遍历每个文件  for file in files:  # 获取文件的完整路径  file_path = os.path.join(FOLDER_PATH, file)  # 打开并预处理图像  image = Image.open(file_path).convert('RGB')  image = preprocess(image).unsqueeze(0)  # 使用YOLOv5模型进行检测  results = model(image)  # 处理检测结果（例如，输出到控制台或保存为文件）  # ...  # 休眠一段时间，以减少CPU使用率  import time  time.sleep(1)  # 设置休眠时间，单位为秒