YOLOv5的Tricks | 【Trick10】从PyTorch Hub加载YOLOv5

已于 2022-08-06 22:36:12 修改
阅读量2.4k 收藏 25
点赞数 9
分类专栏： # 目标检测YOLOv5技巧汇总 文章标签： 深度学习 人工智能 pytorch hub yolov5
于 2022-08-06 22:33:59 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.youkuaiyun.com/weixin_44751294/article/details/126195867
版权
本文介绍了如何使用PyTorch Hub加载和使用YOLOv5模型，无需克隆项目。内容包括PyTorch Hub的基本使用、加载模型、查看模型方法，以及YOLOv5的模型加载处理和推理结果处理的详细步骤。

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

如有错误，恳请指出。

严格意义来说，这篇文章算不上是yolov5的一个训练技巧，而且yolov5的训练技巧在专栏之前的文章中基本已经都讲完了，之后可以会补充一些yolov5项目的其他内容。比如这篇，从 PyTorch Hub 加载YOLOv5模型，不需要克隆 https://github.com/ultralytics/yolov5

不过很多朋友（包括我），在整理之前，还不知道pytorch hub是什么，所以这里顺便介绍一些pytorch hub，然后再根据官方链接介绍如何不需要克隆就可以玩转yolov5项目。

文章目录

1. PyTorch Hub简单使用

官方介绍：Towards Reproducible Research with PyTorch Hub

可重复性是许多研究领域的基本要求，包括基于机器学习技术的研究领域。然而，许多机器学习出版物要么不可复制&

了解本专栏 订阅专栏 解锁全文 超级会员免费看
YOLOv5的Tricks | 【Trick1】关于激活函数Activation的改进汇总
Clichong
06-01 7402
如有错误，恳请指出。在yolov5模型搭建的过程实现中，额外实现了很多非常新奇有趣的激活函数，不再是的简单nn.ReLU等，所以这里使用这篇笔记来对这一些列的激活函数进行总结归纳。关于激活函数，在很早之前我写过一篇笔记介绍，笔记链接：激活函数与Loss函数求导，在这里主要介绍的是目标检测yolov5算法中实现的一些的激活函数，主要设计ReLU函数及其变体，包含ReLU，PReLU，RReLU，FReLU，Swish，Mish，Acon系列，Dynamic ReLU系列。ReLU相比之前的 Sigmoid/t
YOLOv5的Tricks | 【Trick4】参数重结构化（融合Conv+BatchNorm2d）
Clichong
06-02 3391
如有错误，恳请指出。这篇文章是想要记录yolov5在模型搭建过程中的一个融合模块，就是把卷积与批归一化的参数进行融合，想卷积带有批归一化的性质，使得推理过程中可以加快模型推理速度，简化整个模型结构，实现训练与推理两个阶段的解耦。我最早接触参数重结构化这个词是看见了大佬丁霄汉发表的几篇论文：RepVGG，RepMLP，RepLKNet，这些构建新backbone的论文无一例外的全部使用了参数重结构化的思想。RepVGG将3x3,1x1，identity分支的残差结果利用数学计算方法等价为一个3x3的卷积结构，
【YoLo】从 PyTorch Hub 加载 YOLOv5
热门推荐
sikh_0529的博客
09-17 2万+
PyTorch Hub 支持对大多数 YOLOv5 导出格式进行推理，包括自定义训练模型。有关导出模型的详细信息，请参阅。第一个输入层，它不再与预训练的输入层具有相同的形状。输出层，它们不再与预训练的输出层具有相同的形状。此示例从 PyTorch Hub 加载预训练的 YOLOv5s 模型，💡专业提示：在推理之前，输入图像会自动传输到正确的模型设备。. 要加载具有随机初始化权重的模型（从头开始训练），请使用。要加载 YOLOv5 模型进行训练而不是推理，请设置。在这种情况下，模型将由预训练的权重组成，
基于 PyTorch实现YOLOv5
ssl22020827的博客
09-21 5827
本文记录基于PyTorch实现Github作者ultralytics的YOLOv5-tag v5.0的迁移学习大致流程，使用自制数据集（100张图片）。
YOLO 从0开始最详细教程包括环境安装+如何准备自己的数据集+训练自己的数据集+推理
最新发布
2302_78760410的博客
03-13 2407
下载之后是一个压缩包，解压下来然后把里面的文件全部复制，粘贴到C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v12.1的文件夹.V12.1 是我安装的版本号， 你的可能跟这个有点差别。在训练过程中，模型的权重可能会定期保存，而 “last.pt” 就是最新的一次保存的模型权重文件。首先还是win+R 输入cmd 打开命令窗 之后输入 nvidia-smi查询可支持的最高cuda版本，驱动是向下兼容的，所以我推荐安装12.1 版本的就行。
Pytorch搭建yolov5目标检测环境配置
m0_73414212的博客
03-25 2097
经过前几期的铺垫，已经将项目运行所需要的软件以及一些必要配置准备完毕，是时候去引进一些项目运行了。由于本人对目标检测比较感兴趣，所以此次引进的项目正是关于yolov5模型的目标检测。项目的源码来自于大佬Bubbliiiing，个人觉得他写的代码对于小萌新而言简直不要太友好。有感兴趣的小伙伴可以进他的博客去学习，里面大多是关于目标检测的各种项目，一路跟下去肯定受益匪浅。
【计算机视觉】目标检测—yolov5自定义模型的训练以及加载
qq_43018832的博客
11-26 1万+
yolov5如何自定义训练模型？如何加载模型并进行解读
pytorch模型存取与加载
Yolo_C的博客
01-29 603
# 存取模型 PATH='./xxx.xx' # 模型名字 torch.save(net.state_dict(),PATH) # 保存，net为需要保存的网络 pretrained_net = torch.load(PATH) # 读取 net2 = Net() # Net()为保存的模型同结构的模型 net2.load_state_dict(pretrained_net) # 加载权重 ...
pytorch怎么加载预训练模型
weixin_35755434的博客
02-13 997
要加载预训练模型，首先需要下载预训练模型的参数文件，然后在 PyTorch 中加载这些参数。下面是一个示例代码： import torch # 加载预训练模型 model = torch.hub.load('pytorch/vision', 'resnet18', pretrained=True) # 设置模型为评估模式 model.eval() 在这个代码中，我们使用 torch.hub....
YOLOv5的Tricks | 【Trick9】模型剪枝处理与Pytorch实现的剪枝策略
Clichong
06-12 2706
如有错误，恳请指出。在yolov5项目中的torch_utils.py文件下，有prune这个函数，用来实现模型的剪枝处理。对模型裁剪，模型剪枝这方面之前没有接触到，这里用这篇笔记来学习记录一下这方面内容。在yolov5项目中提供了两个函数：sparsity与prune，前者可以返回模型的稀疏性，后者实现对模型的裁剪处理。对于模型稀疏性的判断，其实现的思路是遍历每一层模块的参数量，当当前层的参数值非0，表示当前的神经元是被激活的在网络的前向传播中是使用到的；而当当前层的参数值为0时，表示这个为0的参数所控制
YOLOv5的Tricks | 【Trick14】YOLOv5的val.py脚本的解析
Clichong
08-12 1万+
如有问题，恳请指出。这篇可能是这个系列最后的一篇了，最后把yolov5的验证过程大致的再介绍介绍，基本上把yolov5的全部内容就稍微过了一遍了，也是我自己对这个项目学习的结束。（补充一下，这里我介绍的yolov5-6.0版本的代码）这个脚本主要分为是三个部分：主体代码运行部分 + 指标计算部分 + 绘图部分，这里就主要介绍前两个部分的内容。细节比较多，比上一篇的detect.py脚本复杂很多，这里写得困难逻辑也不会很清晰，简单做个记录，方便日后自己回忆。在训练阶段每个batch训练结束后，都会调用一次va
YOLO-V5 系列算法和代码解析（三）—— 训练数据加载
DAOCHI
12-27 2308
文章目录： 调试准备， Debug 设置， 代码修改， 调试数据， 代码运行逻辑， 类初始化， 启动迭代器， 数据增强；
在代码中使用训练好的YOLO各版本的模型
qq_48050838的博客
10-30 4659
recursive=True&expand=False (Caused by NewConnectionError(': Failed to establish a new connection: [WinError 10060] 由于连接方在一段时间后没有正确答复或连接的主机没有反应，连接尝试失败。是 OpenCV（一个开源的计算机视觉库）的一个函数，用于在图像上绘制矩形。
使用torch.hub.load调用本地yolov5，解决urllib.error.URLError
qq_37439485的博客
06-24 9249
使用torch.hub.load调用本地yolov5
【从PyTorch Hub加载YOLOv5运行推理】
weixin_51154380的博客
10-03 1042
从PyTorch Hub加载YOLOv5运行推理
YOLOV5配置至运行（本人亲装遇见常见的错误及解决方案）
itjiashu的博客
03-31 9925
YOLOV5配置至运行（本人亲装遇见常见的错误及解决方案）
YOLOV5从训练到部署测试NCNN安卓端部署保姆级教程
u012161181的博客
10-21 5529
基于YoloV5 6.0版本的NCNN部署，保姆级教程。
训练YOLOv5模型（云端GPU）
weixin_51788042的博客
01-26 723
用自己训练的 best.pt 进行检查。报了3个错，所以这里多了3个空文件夹。失败的话，有时要使用reload。训练结果：训练轮数、使用GPU等。最好的模型数据、最新的模型数据。tensorboard 日志。在 tensorboard。尝试用coco数据集（全部）类别（label）及其信息。与原作者的模型还是不太相同。压缩包 -> 解压的文件。类别（label）相关性。即 yolov5s.pt。默认是coco128。
深度学习（八）---调用yolov5模型进行实时图像推理及网页端部署
weixin_51157015的博客
08-29 3555
上篇文章记录了基于yolov5进行模型训练，本篇文章记录调用zed2基于yolov5模型进行图像实时推理及算法封装部署。
yolov5的Tricks
09-12
YOLOv5中使用的Tricks基本上和YOLOv4一致，并在此基础上引入了更多的工程优化逻辑。具体来说，YOLOv5使用了一些技巧来提高物体检测的准确性和效率。其中一些Tricks包括： 1. Mosaic数据增强：YOLOv5使用了Mosaic数据增强技术，将多个不同的训练图像拼接成一个大的训练图像，从而提高了模型的泛化能力和鲁棒性。 2. DropBlock正则化：YOLOv5使用了DropBlock正则化技术，通过随机丢弃一些特征图上的区域，来防止模型过拟合，并提高模型的泛化能力。 3. PANet特征融合：YOLOv5引入了PANet（Path Aggregation Network）特征融合模块，可以在不同尺度上融合特征，从而提高物体检测的准确性。 4. CSPDarknet53骨干网络：YOLOv5使用了CSPDarknet53作为骨干网络，该网络结构在YOLOv4的基础上进行了改进，提高了网络的表达能力和特征提取能力。 这些Tricks的使用使得YOLOv5在物体检测任务中取得了较好的性能，同时也提高了训练和推理的效率。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
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

Clichong

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

实付元
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