YOLOv5的详细结构可视化----记录学习贴

已于 2022-03-23 12:57:30 修改
阅读量1.7k 收藏 6
点赞数 3
分类专栏： 笔记 文章标签： python
于 2022-03-22 21:09:27 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.csdn.net/TingHuadeQ/article/details/123669044
版权
本文介绍了如何在PyCharm环境下，利用YOLOv5的export.py脚本将模型转换为ONNX格式，并通过Netron工具进行模型可视化。首先，在命令行中安装onnx包，然后运行export.py生成yolov5s.onnx文件，最后下载并使用Netron打开该文件进行可视化。
摘要由CSDN通过智能技术生成

本文基于pycharm编译器下使用YOLOV5 6.0版本
1.在控制台安装onnx包

pip install onnx

2.运行export.py文件（未改动则直接在yolov5项目文件下） 默认是生成yolov5s.pt的onnx文件

3.下载Netron 直接用.exe安装到本地
https://github.com/lutzroeder/netron/releases/tag/v5.6.5

4.用Netron打开之前生成的yolov5s.onnx文件即可生成

本文参考这篇文章 学习记录https://www.pythonheidong.com/blog/article/970528/a1b0274148d63bd185a7/

在这里插入图片描述

辣条酱
关注
专栏目录
YOLOv8网络结构可视化，全图见文尾
crasher123的博客
08-08 2625
由于 ultralytics采用pip的方式了，所以如果拉取源码后想直接调试，则在exporter.py文件中增加pip引导路径，否则报错找不到ultralytics模块。如果训练完毕，可以直接查看.pt文件所采用的网络结构，也是采用netron，将best.pt拖到netron里面，但是注意此时每个小模块的细节会被隐藏，只能看到粗略效果。ONNX作为一种开放的深度学习模型表示格式，旨在实现深度学习框架之间的模型转换和迁移。ONNX文件采用标准的Protobuf格式进行存储，可以存储神经网络的结构和参数。
手把手带你调参YOLOv5 (v5.0-v7.0)（训练）
YOLOv8项目贡献者
04-25 4万+
解析YOLOv5 train.py文件中38个参数含义
YOLOv5超详细的入门级教程（代码篇）（一）——网络结构可视化
“知识最大的敌人不是无知，而是错觉”
05-11 4460
Pytorch-YOLOv5Inference模型结构简单网络结构模型详细架构References 先说些废话，好久没写blog，最近一直在忙保研的乱七八糟的事，想要提加权、搞机试、搞科研经历、搞论文，发现自己无法focus在重点上，可以说是非常失败的开学前7周，接下来的两个月会focus在科研经历和论文上，再也不让乱七八糟的事情冲昏自己的头脑了！大不了就六七月份爆肝1个月acm题嘛！！我觉得我还是比较适合一个事情天天爆肝，思路断了之后效率可以说是低得很。 总之，状态在回到正轨上，要开始弯道超车了，哼。
yolov5 正样本可视化
最新发布
金色旭光的博客
07-15 640
yolov5 正样本可视化，分析正样本筛选3种规则，跨anchor预测，跨网格预测，跨分支预测。
Yolov5l可视化网络结构图
江南研习社
07-29 3万+
Yolov5共有四种网络结构，每种网络深度和宽度上都不相同。 (1) Yolov5s可视化网络结构图：点击查看 (2) Yolov5m可视化网络结构图：点击查看 (3) Yolov5l可视化网络结构图：点击查看 (4) Yolov5x可视化网络结构图：点击查看 ...
YOLOv5可视化界面
心之所向
08-10 3304
激活之前的虚拟环境yolov5在该环境的终端输入以下命令输入找到当前使用的Python的路径找到该路径下的designer.exe文件（/Lib/site-packages/PySide6/designer.exe），然后发送到桌面创建快捷方式。
YOLOv5 完整网络模型可视化 pytorch netron
不佛的博客
12-02 1万+
本文分享使用pytorch可视化工具netron查看YOLOv5网络模型结构。 正常在控制台pip命令安装 pip install netron 执行netron C:\Users>netron Serving at http://localhost:8080 网页打开 在YOLOv5中，打开网络模型主文件yolo.py。 将模型保存为一个pt文件 # Create model model = Model(opt.cfg).to(device) torch.save(model, "m.pt"
卷积神经网络中的图像特征——以YOLOv5为例进行可视化
python_plus的博客
02-15 9600
本文以YOLOv5网络为例，可视化展示了原始图像经过每一层网络后的输出特征图（共23层，逐层可视化），并介绍了图像低层特征、高层特征以及特征融合的内容。
yolov5中间特征层可视化
caojinpei123的博客
08-26 2530
(73条消息) yolov5特征图可视化_Silence_Zzz的博客-CSDN博客_yolov5特征图可视化 https://blog.csdn.net/qq_40231159/article/details/118270178
深度学习-yolov5源代码
01-02
本文将详细探讨Yolov5的源代码结构、关键算法和实现细节。 **一、源代码结构** 在`yolov5-master`文件夹中，我们通常会看到以下几个关键部分： 1. **模型定义**：在`models`目录下，`yolov5.py`定义了YOLOv5模型...
YOLOV5网络结构
热门推荐
Q1u1NG的博客
07-22 7万+
YOLOV5网络结构 github代码地址:ultralytics\yolov5，v5还在开发当中，目前的网络结构如下图，要是网络结构有更新，笔者也会更新结构图。 下图括号中四个数字代表：(输入通道、输出通道、卷积核大小、步长)； 两个数字代表：(输入通道、输出通道)； 一个数字代表：(输出通道)； 且上采样是采用nearst插值，两倍上采样； x N表示堆叠此模块N次。 yolov5网络结构图 至于Focus的部分附上代码帮助理解： def forward(self, x): # x(b,c,w,h)
Yolov5-Flask-VUE:基于Flask开发后端、VUE开发前端框架，在WEB端部署YOLOv5目标检测模型
05-07
1. 效果： 视频链接： 最终效果： 源码已经上传 Github： 2. YOLOv5模型训练： 训练自己的数据集可以看我这篇博客： 这里演示的话我就用官方训练好的 yolov5m.pt 模型。 3. YOLOv5模型预测： 预测接口： import torch import numpy as np from models.experimental import attempt_load from utils.general import non_max_suppression, scale_coords, letterbox from utils.torch_utils import select_device import cv2 from random import randint class Detector(object): def __init__(self):
基于Yolov5的Vue前端目标检测和训练可视化系统源码.zip
05-23
这是一个关于使用Yolov5进行目标检测的Vue前端项目的源码包。Yolov5是一种流行的深度学习模型，专门...开发者不仅可以学习到如何在前端实现复杂的AI功能，还能了解到如何将训练过程可视化，提升开发效率和用户体验。
YOLOv9 | 利用yolov9训练自己的数据集 -＞ 推理、验证（源码解读 + 手撕结构图）
Snu77的博客
02-23 3万+
本文给大家带来的是全新的SOTA模型YOLOv9的基础使用教程，需要注意的是YOLOv9发布时间为2024年2月21日，截至最近的日期也没有过去几天，从其实验结果上来看，其效果无论是精度和参数量都要大于过去的一些实时检测模型，其主要创新点是两个分别是提出了Programmable Gradient Information​​（PGI）的结构以及全新的主干Generalized ELAN（GELAN）下面本文就手把手带大家来教大家如何使用自定义数据集训练YOLOv9模型，以及如何搭建环境，获取数据集/训练。
yolov5网络可视化
weixin_44543418的博客
04-20 1317
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 impor
【yolov5】改进系列——特征图可视化
capsule的博客
10-12 5225
六行代码实现：特征图提取与特征图可视化，可以实现分类网络的特征图可视化最近忙论文，想在yolov5上面做一些改进，看源码看了一段时间，动手改改代码做一些改进，所以做个一系列改进的记录。六行代码实现：特征图提取与特征图可视化，可以实现分类网络得特征图可视化。
【学习经验分享NO.17】YOLOv7/YOLOv5完整网络模型可视化netron（含代码）
m0_70388905的博客
12-13 1074
YOLOv7/YOLOv5完整网络模型可视化netron（含代码）
yolov5可视化算法网络整体框架
qq_40992227的博客
07-28 911
文章目录前言问题解决方式 前言 问题 可视化算法网络整体框架：yolov5是网络文件格式，不同与yolov3、4的cfg可视化格式。因此无法用netron工具直接可视化查看网络结构.pt。如下图所示为netron直接查看.pt文件的部分截图。 解决方式 采用pt->onnx->netron折中格式。 首先使用yolov5中models->export.py脚本将pt文件转换成onnx格式，再用netron工具打开转换后的models->.torchscript.pt文件，即可
yolov5代码解读-网络架构
m0_50294896的博客
10-03 6495
目录前言网络架构可视化可视化工具(1)netron(2)onnx配置文件解读网络层网络架构代码yolo.pymodelparse_modelcommon.pyConvfocusBottleneckCSPSPPUpsample 前言 之前解读了yolov5的数据处理模块：yolov5代码解读-dataset 数据处理好之后，就来具体看看网络模型是怎么搭建的吧。 网络架构可视化 可视化工具 网络架构可视化工具netron的安装参考： (1)netron 可以看我之前写的netron安装和使用文章。 也可以直接下
yolov8 tensorboard结构图可视化
09-02
要将YOLOv8的结构图可视化到TensorBoard中，你需要遵循以下步骤： 1. 导入必要的库和模块： ```python import tensorflow as tf from tensorflow.keras.models import Model from tensorflow.keras.layers import Input from tensorflow.keras.utils import plot_model ``` 2. 定义YOLOv8的网络结构： ```python def yolov8(): # 定义模型输入 inputs = Input(shape=(416, 416, 3)) # 构建YOLOv8的网络结构 # ... # 定义模型 model = Model(inputs=inputs, outputs=outputs) return model # 创建YOLOv8模型实例 model = yolov8() ``` 3. 生成模型结构图并保存为图片： ```python # 生成模型结构图 plot_model(model, to_file='yolov8_structure.png', show_shapes=True) # 保存为图片 ``` 4. 将生成的图片添加到TensorBoard中： ```python # 创建TensorBoard回调函数 tensorboard_callback = tf.keras.callbacks.TensorBoard( log_dir='./logs', # TensorBoard日志目录 histogram_freq=1, # 每个周期记录直方图 write_graph=True, # 写入模型结构图 write_images=True # 写入图片 ) # 训练模型并将TensorBoard回调函数传递给fit函数 model.fit(x_train, y_train, callbacks=[tensorboard_callback]) ``` 在这个例子中，我们使用`tf.keras.callbacks.TensorBoard`回调函数将模型结构图和图片写入TensorBoard日志目录中。你可以通过运行TensorBoard来查看生成的结构图和图片： ``` tensorboard --logdir=./logs ``` 然后在浏览器中打开相应的链接查看可视化结果。 请注意，以上代码只是一个示例，并且只包含了YOLOv8的大致结构。具体的YOLOv8网络结构和定义可能会有所不同，你需要根据你使用的YOLOv8版本进行相应的修改。
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
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