如何查看yolov5模型中的参数

参考chatgpt给出的关于深度学习模型的步骤如下：
要查看已经训练好的目标检测模型中设置的可学习权重的参数，可以使用以下步骤：

首先，导入您正在使用的深度学习框架库，如PyTorch、TensorFlow等。

然后，在代码中初始化一个目标检测模型实例，并将其加载到所需的设备上（通常是CPU或GPU）。

接下来，您可以通过访问模型的“parameters”属性来获取模型中的所有可学习参数。不同的目标检测模型具有不同的参数结构，但大多数目标检测模型都包含了预测框、分类器和特征提取器等子模型的参数。

对于使用PyTorch的目标检测模型，可以使用以下代码来检索模型中所有可学习参数的值：

python
import torch
import torchvision

初始化目标检测模型并加载已经训练好的权重到设备上

model = torchvision.models.detection.fasterrcnn_resnet50_fpn(pretrained=True)
device = torch.device(“cuda:0” if torch.cuda.is_available() else “cpu”)
model.to(device)

加载预训练的权重

checkpoint = torch.load(‘path/to/checkpoint.pth’, map_location=device)
model.load_state_dict(checkpoint[‘model_state_dict’])

获取模型中所有可学习参数的值

params = list(model.parameters())
for param in params:
print(param.size(), param)
在以上代码中，我们使用预先训练的Faster R-CNN ResNet-50-FPN模型作为示例。然后，我们将该模型加载到所需的设备上，并使用已经训练好的权重文件来更新模型参数。最后，我们使用“parameters”属性获取它的所有可学习参数，并打印这些参数的尺寸和值。

如果您想查看特定子模型的参数，例如预测框或分类器，可以通过访问相应的属性来实现。例如，以下代码演示了如何检索Faster R-CNN ResNet-50-FPN模型中骨干网络ResNet50的conv1层的所有参数：

python

检索骨干网络ResNet50的conv1层的所有参数

backbone_params = list(model.backbone.conv1.parameters())
for param in backbone_params:
print(param.size(), param)
以上代码将输出Faster R-CNN ResNet-50-FPN模型中骨干网络ResNet50的conv1层的所有参数及其值。
总之，要查看已经训练好的目标检测模型中设置的可学习权重的参数，请导入相应的深度学习框架库，初始化目标检测模型实例并将其加载到所需的设备上，然后通过访问模型的“parameters”属性获取这些参数。要加载已经训练好的权重，您可以使用PyTorch中的“load_state_dict”方法。

-*******************************************************************************************************************

简单来说就是用torch.load把模型中的参数保存到checkpoint当中，然后再提取checkpoint字典当中的参数去查看就ok。
但是yolov5train.py的代码中对模型保存数据有所更改，故步骤如下：

图1.

这块是保存权重参数的，由代码可知可学习的权重都放到pg1这个列表了。

这里再看一下下面保存模型的代码：

发现，保存的模型数据只有epoch、best_fitness、…注意：模型的权重参数最后被保存在了optimizer这个词里头，而且， 如果是最后一轮保存的结果，是会被删除的，为此，这里可以修改一下代码，设定为我永久不删除，然后我权重文件****.pt当中就有了可学习权重的参数了，我们就能直接用chatgpt的方法看到了。又或者我们可以直接拿其他轮次的去查看，都可以。

具体改进：
1.改进train.py的保存的部分

            if (not opt.nosave) or (final_epoch and not opt.evolve):  # if save
                ckpt = {'epoch': epoch,
                        'best_fitness': best_fitness,
                        'training_results': results_file.read_text(),
                        'model': deepcopy(model.module if is_parallel(model) else model).half(),
                        'ema': deepcopy(ema.ema).half(),
                        'updates': ema.updates,
                        'optimizer': optimizer.state_dict(),
                        'optimizer_param_groups': optimizer.param_groups,
                        'wandb_id': wandb_logger.wandb_run.id if wandb_logger.wandb else None,
                        'model_state_dict': model.state_dict(),
                        'model_pram': model.parameters(),
                        }

注意：optimizer.state_dict(),保存的形式如下：
optimizer.state_dict()：返回一个dict对象，其中储存了优化器的状态信息，包括学习率、动量、weight_decay等参数的值以及每个参数对应的梯度信息。
optimizer.param_groups：返回一个包含优化器参数组（Param Group）的列表，每个Param Group中包含了一些参数和超参数，如学习率lr、权重衰减参数weight_decay、梯度的归一化系数momentum等。
model.state_dict()：返回一个dict对象，其中储存了模型的状态信息，包括模型权重和偏差值的参数值，以及每一层的其他超参数设置。
model.parameters()：返回一个包含模型所有参数（权重和偏差）的迭代器。
它们的区别在于：

• optimizer.state_dict()和model.state_dict()都是返回模型的状态信息，但是optimizer.state_dict()中储存的是优化器的具体参数，而model.state_dict()中储存的是模型中的具体参数。
• optimizer.param_groups是一个列表，其中每个参数组都是优化器的一个子模块，包含了一些参数和超参数。而model.parameters()是一个可迭代对象，包括模型中的所有参数，包括权重和偏差。

为此，我们要查看参数的具体值的时候，可以从model.state_dict()或者model.parameters()或者optimizer.param_groups查看，optimizer.state_dict()则看不了。
在改好以上代码以后，我们再去训练的时候，权重文件就会保存各项参数的具体值了。

2.拿到权重文件在yolo.py中进行查看

    checkpoint = torch.load(r'F:\GuoZhoupeng\训练日志\2023-4-12 yolov5 Ta-conv_w[of 1除以3] have 13(...)\train\exp6\weights\best.pt', map_location=device)
    # model.load_state_dict(checkpoint['model_state_dict'])
    # params = model.state_dict()
    state_dict = checkpoint['state_dict']
    model.load_state_dict(state_dict)
    print(state_dict)

model.load_state_dict(state_dict)
在这里加断点，进行debug，我们查看checkpoint的的内置参数如下：

可以看到需要的数值都有了，直接在这里面看就ok了

查看权重的具体值，有助于我们分析这个模型，并作出相应改进，非常有用！