DETR，YOLO模型计算量(FLOPs)参数量(Params)

原创

已于 2023-08-19 13:32:07 修改 · 9.9k 阅读

51 ·

CC 4.0 BY-SA版权

文章标签：

#目标检测 #深度学习

于 2023-08-11 09:47:32 首次发布

本文介绍了计算量(FLOPs)和参数量(Params)在深度学习中的意义，展示了如何通过代码计算这些值，并详细讲述了在使用DAB-DETR、DN-DETR和YOLO模型时遇到的问题，如权重文件匹配、GPU/CPU运算和参数计算错误的解决方案。

该文章已生成可运行项目，

前言

关于计算量(FLOPs)参数量(Params)的一个直观理解，便是计算量对应时间复杂度，参数量对应空间复杂度，即计算量要看网络执行时间的长短，参数量要看占用显存的量。

计算量： FLOPs，FLOP时指浮点运算次数，s是指秒，即每秒浮点运算次数的意思，考量一个网络模型的计算量的标准。越小越好

参数量： Params，是指网络模型中需要训练的参数总数。越小越好

在这里插入图片描述

了解以上概念后，接下来便是如何计算这两个值。
一个很常见的方法便是通过ptflos包来实现。

# -- coding: utf-8 --
import torchvision
from ptflops import get_model_complexity_info

model = torchvision.models.alexnet(pretrained=False)
flops, params = get_model_complexity_info(model, (3, 224, 224), as_strings=True, print_per_layer_stat=True)
print('flops: ', flops, 'params: ', params)

这段代码可以说是即插即用。

DAB-DETR模型

博主以DAB-DETR模型为例，运行时报错，这是由于权重文件于模型配置文件不匹配导致的

权重文件与模型配置不匹配

RuntimeError: Error(s) in loading state_dict for DABDeformableDETR:
	size mismatch for input_proj.0.0.weight: copying a param with shape torch.Size([256, 512, 1, 1]) from checkpoint, the shape in current model is torch.Size([256, 128, 1, 1]).
	size mismatch for input_proj.1.0.weight: copying a param with shape torch.Size([256, 1024, 1, 1]) from checkpoint, the shape in current model is torch.Size([256, 256, 1, 1]).
	size mismatch for input_proj.2.0.weight: copying a param with shape torch.Size([256, 2048, 1, 1]) from checkpoint, the shape in current model is torch.Size([256, 512, 1, 1]).
	size mismatch for input_proj.3.0.weight: copying a param with shape torch.Size([256, 2048, 3, 3]) from checkpoint, the shape in current model is torch.Size([256, 512, 3, 3]).

修改num_channels的值即可，原本为【128，256，512】

  if return_interm_layers:
        # return_layers = {"layer1": "0", "layer2": "1", "layer3": "2", "layer4": "3"}
        return_layers = {
   
   "layer2": "0", "layer3": "1", "layer4": "2"}
        self.strides = [8, 16, 32]
        self.num_channels = [512, 1024, 2048]

推理代码

推理代码如下：几乎所有的DETR类模型的推理代码都是可以通用的。

import json
import os, sys
import torch
import numpy as np

from models import build_DABDETR
from models.dab_deformable_detr import build_dab_deformable_detr