58、resnet50 模型下载

本节介绍了如何使用torch.hub.load函数从PyTorch Hub下载预训练的resnet50模型。代码示例中,通过设置pretrained=True获取预训练参数。模型设置为eval()模式,用于推理。打印模型结构展示了详细的网络层次,包括残差结构和各层参数。建议读者结合结构图和可视化图片深入理解resnet50网络。

摘要生成于 C知道 ,由 DeepSeek-R1 满血版支持, 前往体验 >

上一节配置好 python 环境之后,本节开始下载 resnet50 训练好的模型。我们使用以下代码完成 resnet50 的模型下载。

import numpy as np
from torchvision import models
import torch

resnet50 = torch.hub.load('pytorch/vision:v0.10.0', 'resnet50', pretrained=True)
resnet50.eval()
print(resnet50)

代码链接在:practice/model/resnet50_parser.py · iwaihou/cv_learning_from_scratch - Gitee.com

可以先看前 7 行,其余的暂时不需要看。

torch.hub.load

torch.hub.load 是 PyTorch 库中的一个函数,用于从 PyTorch Hub 中加载预训练的模型&

### RK3588平台上部署ResNet模型进行分类任务的方法 #### 一、概述 RK3588是一款高性能处理器,内置NPU模块,处理性能高达6TOPS[^3]。为了在该平台上成功部署ResNet模型用于分类任务,通常需要经历以下几个阶段:模型训练、模型转换以及实际部署。 --- #### 二、具体方法与流程 ##### (1)模型选择与准备 ResNet是一种经典的卷积神经网络架构,具有良好的泛化能力和较高的准确性[^2]。可以选择适合目标硬件资源的变体(如ResNet18或ResNet50)。如果数据集较小或者计算资源有限,建议优先考虑轻量级版本如ResNet18。 - **获取预训练权重** 可以通过PyTorch官方或其他公开渠道下载对应的数据集上的预训练参数文件.pth。 - **微调适配特定场景** 如果应用场景不同于原始训练条件,则需针对新数据重新调整最后几层全连接部分并继续优化整个网络结构直至收敛为止。 ##### (2)环境搭建与工具安装 确保开发环境中已正确设置好Python虚拟环境及相关依赖库: ```bash pip install torch torchvision rknn-toolkit2 ``` 同时参照文档说明完成驱动程序加载以及其他必要的初始化操作以便后续顺利开展工作。 ##### (3)PTH到ONNX格式转化 利用Pytorch框架提供的功能实现从`.pth`保存形式向通用中间表示(Intermediate Representation)-即Open Neural Network Exchange (ONNX)标准过渡的过程非常简便快捷: ```python import torch from resnet import ResNet18 # 假设定义了一个resnet.py脚本包含了所需的类定义 dummy_input = torch.randn(1, 3, 224, 224).cuda() model = ResNet18().eval().cuda() output_onnx = 'resnet18.onnx' input_names = ["actual_input_1"] output_names = ["output1"] torch.onnx.export(model, dummy_input , output_onnx, verbose=True, input_names=input_names, output_names=output_names) print("Export of resnet18.onnx complete!") ``` 此段代码片段展示了如何将一个已经实例化的ResNet18对象导出成兼容性强且易于移植的目标文件类型——onnx。 ##### (4)进一步转制为RKNN格式 借助于Rockchip公司专门为旗下产品线定制开发出来的rknn toolkit软件包来简化这一环节的工作负担: ```python from rknn.api import RKNN # Create RKNN object rknn = RKNN(verbose=True) # Pre-process config rknn.config(mean_values=[[123.675, 116.28, 103.53]], std_values=[[58.395, 57.12, 57.375]]) # Load ONNX model ret = rknn.load_onnx('resnet18.onnx') if ret != 0: print('Load failed!') exit(ret) # Build model ret = rknn.build(do_quantization=False) if ret != 0: print('Build failed!') exit(ret) # Export RKNN model ret = rknn.export_rknn('./resnet18.rknn') if ret != 0: print('Export .rknn failed!') else: print('done') rknn.release() ``` 上述例子详细描述了创建RKNN实例之后的一系列常规步骤,包括但不限于指定输入图片像素均值/方差标准化参数配置;读取先前生成好的onnx源码;构建量化后的最终产物等等。 ##### (5)上传至设备端运行测试 最后一步就是把刚刚制作完毕的rknn格式镜像拷贝过去给嵌入式主板加载起来做实时预测啦! 可以通过SSH命令行方式传输文件: ```bash scp ./resnet18.rknn root@<your_device_ip>:/path/to/save/ ``` 接着按照官方样例编写简单的应用程序调用API接口即可看到预期效果呈现出来咯~ --- ###
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

董董灿是个攻城狮

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值