yolov5网络可视化

1官方

运行models/export.py文件，前提是要安装好onnx
安装
这里是下载到主目录下的

git clone https://github.com/onnx/onnx.git --recursive

激活相应的环境

conda install -c conda-forge onnx
pip install -U coremltools

最终生成那几个浅黄色的文件，再用netron打开.onnx文件

2.非官方
链接

import argparse
import logging
import math
import os
import random
import time
from copy import deepcopy
from pathlib import Path
from threading import Threadimport numpy as np
import torch.distributed as dist
import torch.nn as nn
import torch.nn.functional as F
import torch.optim as optim
import torch.optim.lr_scheduler as lr_scheduler
import torch.utils.data
import yaml
from torch.cuda import amp
from torch.nn.parallel import DistributedDataParallel as DDP
from torch.utils.tensorboard import SummaryWriter
from tqdm import tqdmimport test  # import test.py to get mAP after each epoch
from models.experimental import attempt_load
from models.yolo import Model
from utils.autoanchor import check_anchors
from utils.datasets import create_dataloader
from utils.general import labels_to_class_weights, increment_path, labels_to_image_weights, init_seeds, \fitness, strip_optimizer, get_latest_run, check_dataset, check_file, check_git_status, check_img_size, \check_requirements, print_mutation, set_logging, one_cycle, colorstr
from utils.google_utils import attempt_download
from utils.loss import ComputeLoss
from utils.plots import plot_images, plot_labels, plot_results, plot_evolution
from utils.torch_utils import ModelEMA, select_device, intersect_dicts, torch_distributed_zero_first, is_parallel
from utils.wandb_logging.wandb_utils import WandbLogger, check_wandb_resumeif __name__ == '__main__':parser = argparse.ArgumentParser()parser.add_argument('--weights', type=str, default='yolov5s.pt', help='initial weights path')parser.add_argument('--cfg', type=str, default='/home/hzq/study/yolov5/yolov5/models/yolov5s.yaml', help='model.yaml path')parser.add_argument('--data', type=str, default='data/coco128.yaml', help='data.yaml path')parser.add_argument('--hyp', type=str, default='data/hyp.scratch.yaml', help='hyperparameters path')parser.add_argument('--epochs', type=int, default=300)parser.add_argument('--batch-size', type=int, default=16, help='total batch size for all GPUs')parser.add_argument('--img-size', nargs='+', type=int, default=[640, 640], help='[train, test] image sizes')parser.add_argument('--rect', action='store_true', help='rectangular training')parser.add_argument('--resume', nargs='?', const=True, default=False, help='resume most recent training')parser.add_argument('--nosave', action='store_true', help='only save final checkpoint')parser.add_argument('--notest', action='store_true', help='only test final epoch')parser.add_argument('--noautoanchor', action='store_true', help='disable autoanchor check')parser.add_argument('--evolve', action='store_true', help='evolve hyperparameters')parser.add_argument('--bucket', type=str, default='', help='gsutil bucket')parser.add_argument('--cache-images', action='store_true', help='cache images for faster training')parser.add_argument('--image-weights', action='store_true', help='use weighted image selection for training')parser.add_argument('--device', default='', help='cuda device, i.e. 0 or 0,1,2,3 or cpu')parser.add_argument('--multi-scale', action='store_true', help='vary img-size +/- 50%%')parser.add_argument('--single-cls', action='store_true', help='train multi-class data as single-class')parser.add_argument('--adam', action='store_true', help='use torch.optim.Adam() optimizer')parser.add_argument('--sync-bn', action='store_true', help='use SyncBatchNorm, only available in DDP mode')parser.add_argument('--local_rank', type=int, default=-1, help='DDP parameter, do not modify')parser.add_argument('--workers', type=int, default=8, help='maximum number of dataloader workers')parser.add_argument('--project', default='runs/train', help='save to project/name')parser.add_argument('--entity', default=None, help='W&B entity')parser.add_argument('--name', default='exp', help='save to project/name')parser.add_argument('--exist-ok', action='store_true', help='existing project/name ok, do not increment')parser.add_argument('--quad', action='store_true', help='quad dataloader')parser.add_argument('--linear-lr', action='store_true', help='linear LR')parser.add_argument('--label-smoothing', type=float, default=0.0, help='Label smoothing epsilon')parser.add_argument('--upload_dataset', action='store_true', help='Upload dataset as W&B artifact table')parser.add_argument('--bbox_interval', type=int, default=-1, help='Set bounding-box image logging interval for W&B')parser.add_argument('--save_period', type=int, default=-1, help='Log model after every "save_period" epoch')parser.add_argument('--artifact_alias', type=str, default="latest", help='version of dataset artifact to be used')opt = parser.parse_args()device = select_device(opt.device, batch_size=opt.batch_size)
# Create model
model = Model(opt.cfg).to(device)
x = torch.randn(1, 3, 640, 640).to(device)
script_model = torch.jit.trace(model, x)
script_model.save("m.pt")

yolov5网络可视化相关推荐

Yolov5网络可视化 (2022持续更新)
就让这个博客变成一个小小的镜像站叭哈哈哈哈 (全部资源下载请往下翻) Yolov5s6: Yolov5m6: 模型文件下载自官方Github, 为了方便大家这里也放上下载链接,里面是最新的Yolov5 ...
Yolov5系列（一）——网络可视化工具netron
一.介绍 netron:网络可视化工具,使用这个软件可以清晰的展示网络模型的每一层的输入输出,网络的整体的架构,而且支持不同的网络框架. 类似下图: 二.安装步骤(介绍windows系统安装) (其他 ...
科研分享｜一个论文关系网络可视化网站
简介四月开始啦!每个月开头都会逛一逛"统计之都[1]",因为每月的统计月读[2]更新啦!三月的统计月读有一个内容真的让人心动,而且非常实用!推荐人是:孔令仁,网址链接为:http ...
MMdnn Visualizer网络可视化
MMdnn Visualizer网络可视化. 微软最近开源了MMdnn,可用于转换.可视化和诊断深度神经网络.目前支持 CNTK.Tensorflow.Caffe.Keras.MXNet等框架. ht ...
Yolov5 网络改进之增加SE、CBAM、CA、ECA等注意力机制
本文以Yolov5 6.0版本为例,讲解如何添加SE.CA.ECA.CBAM等即插即用的小模块,可同时适配其他网络结构.在这之前需要明白yolov5文件夹的三个小点: models\common.py ...
微生物共现网络可视化：实现布局自由
ggraph包常用于网络数据可视化,其语法特征与ggplot2相同,我们很容易将ggplot2的知识扩展到ggraph上.ggraph的绘图思路大致如下: 计算网络(graph)的布局,获得节点( ...
浅析网络可视化分析技术
[国内外技术研究现状] 基于多层特征的空间信息网络可视化 Luca Rossi 等人最早讨论了多层网络的可视化策略,他们认为虽然有部分学者逐渐集中到多层网络的研究分析上来,但目前还没有针对这一内容提出 ...
创新永不止步——nVisual网络可视化平台针对Excel导入的创新历程
创新是一个民族进步的灵魂,是一个国家兴旺发达的不竭动力,也是一个政党永葆生机的源泉.那么对于企业来说,创新就是不断优化自身的产品,做到让顾客放心满意. 在众多以创新驱动企业高质量发展的公司中,北京耐威 ...
BrainNet Viewer:人类大脑连接的网络可视化工具
BrainNet Viewer:人类大脑连接的网络可视化工具 1 方法 1.1 工具箱的开发 1.1.1 开发环境 1.1.2 可视化程序 1.1.3 文件定义 1.1.4 核心代码 1.2 实验数据 ...

yolov5网络可视化

1官方

yolov5网络可视化相关推荐

最新文章

热门文章