【Fast-ReID】部署torch保存模型及参数

最新推荐文章于 2024-04-28 19:15:00 发布
最新推荐文章于 2024-04-28 19:15:00 发布
阅读量887 收藏 3
点赞数 1
分类专栏： 重识别 文章标签： pytorch 深度学习 人工智能
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/dbdxwyl/article/details/120949132
版权
这篇博客介绍了如何在PyTorch中保存和加载模型。首先，通过cfg配置文件改变预训练状态并构建模型，然后加载已训练的权重。接着，使用torch.jit.trace将模型转换为scriptModel并保存为XXX.pt。在加载部分，通过torch.jit.load能快速恢复模型。本文主要关注模型的序列化和反序列化操作。
摘要由CSDN通过智能技术生成

保存

cfg.defrost()
cfg.MODEL.BACKBONE.PRETRAIN = False
model = DefaultTrainer.build_model(cfg)
Checkpointer(model).load(cfg.MODEL.WEIGHTS)  # load trained model
model.eval()
inputs = torch.randn(1,3,cfg.INPUT.SIZE_TEST[0],cfg.INPUT.SIZE_TEST[1]).to(model.device)
scriptModel = torch.jit.trace(model,inputs)
scriptModel.save("XXX.pt")

加载

torch.jit.load("XXX.pt")

wyl2077
关注
  • 1
    点赞
  • 踩
  • 3
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
(fast-reid)torch error:DataLoader worker (pid(s) 26462) exited unexpectedly
聿默的博客
07-11 1370
1.问题 之前的时候已经配置好了fast-reid的环境，隔了以后再次运行这个，发现出现缓存不足的问题： File "/usr/local/lib/python3.6/dist-packages/torch/multiprocessing/reductions.py", line 315, in reduce_storage fd, size = storage._share_fd_() RuntimeError: unable to write to file </torch_2745
（fast-reid）visualize_result.py中的distmat = 1 - torch.mm(q_feat, g_feat.t())理解
聿默的博客
07-15 701
0.疑问 # compute cosine distance distmat = 1 - torch.mm(q_feat, g_feat.t()) distmat = distmat.numpy() 为什么此处是计算余弦距离？ 1.相关与理解 （1）余弦距离计算（https://www.cnblogs.com/chaosimple/p/3160839.html）： （2）torch.mm() torch.mm()含义到底是什么（https://blog.csdn.net/Real_...
【reid】 fast-reid windows系统部署流程
qq_41531474的博客
10-14 1367
fast-reid为京东提供的一个开源reid工具包。本篇文章将介绍他在windows系统下的部署流程
pytorch模型保存
yqy2001的博客
08-21 102
转载自：https://www.jianshu.com/p/6ba95579082c 只保存模型参数 # 保存 torch.save(model.state_dict(), '\parameter.pkl') # 加载 model = TheModelClass(...) model.load_state_dict(torch.load('\parameter.pkl')) 保存完整模型 # 保存 torch.save(model, '\model.pkl') # 加载 model = torch.load
【PyTorch】保存/加载模型参数
积流成河
04-26 2532
1 操作步骤 保存模型 使用torch.save(model, 'model.ckpt')保存模型参数 加载模型 使用model.load_state_dict(torch.load('model.ckpt'))加载模型，不过在这之前模型的网络结构也需要进行定义。加载之后，要进行测试，则需要使用model.eval()来固定模型参数（BatchNorm不再起作用），并去除Dropout操作；要继续进行训练，则正常放置训练模块即可。 2 代码实例 保存模型 import torch impo
torch保存模型
不知道起什么名字
10-20 990
1、只保存模型参数 # 保存 torch.save(model.state_dict(), '\parameter.pkl') # 加载 model = TheModelClass(...) model.load_state_dict(torch.load('\parameter.pkl')) 2、保存整个模型 # 保存 torch.save(model, '\model.pkl') # 加载 model = torch.load('\model.pkl') ...
pytorch学习笔记——模型的保存与加载以及获取模型参数
热门推荐
phily123的博客
11-14 1万+
module.state_dict()、module.named_parameters()、module.parameters() pytorch中获取模型参数：state_dict和parameters两个方法的差异比较 一、module.state_dict() 返回的是一个顺序字典，key为层名，值为层的权值参数或者偏置参数。 作用：1、查看每一层与它的对应关系；2、模型保存时使用。 二、module.named_parameters() 返回的是一个生成器元素是元组、元组第一个值是层名，第二个值是权
fast-reid-master.zip
08-27
4. **数据处理模块**：为了处理ReID任务特有的大规模多视图数据，Fast-ReID包含了数据加载器和数据增强功能，如随机裁剪、颜色扰动、光照变化等，以增加模型的泛化能力。 5. **代码结构**：Fast-ReID采用了清晰的...
fast-reid:SOTA重新识别方法和工具箱
04-28
[2021年1月]基于fastreid的NAIC20（reid track） 已经发布！ [2021年1月] FastReID V1.0已发布！ :party_popper: 支持除reid之外的许多任务，例如图像检索和人脸识别。 请参阅。 [2020年10月]添加了基于fastreid...
fast-reid-master-20210111.zip
01-13
为此，fast-reid框架采用了深度学习的方法，通过训练大规模数据集上的神经网络模型，学习到行人的特征表示，使得不同摄像头下的同一个人在特征空间中的距离尽可能小，而不同人的距离尽可能大。 在fast-reid中，包含...
【FastReID】pytorch转tensorrt部署
dbdxwyl的博客
10-10 995
目录 一.环境配置 1.1Tensorrt安装： 1.2 Opencv安装 二.C++ FastReID-TensorRT 2.1模型转换 2.2修改config文件 2.3建立第三方库 2.4Build fastrt execute file 2.5 Run 一.环境配置 1.1Tensorrt安装： 官方手册：Installation Guide :: NVIDIA Deep Learning TensorRT Documentation 选择tar安装 ...
Pytorch中保存模型的两种方法
最新发布
qq_40280673的博客
04-28 1707
Pytorch中保存模型的两种方法
fast-reid Tensorrt部署填坑记录
qq_32582681的博客
04-09 988
实现trt部署的时候，当运行 vector<thor::Detection> doInference(IExecutionContext &context, float *input, const cv::Size ori_size, int batchSize = 1, float nms_threshold = 0.4) { const ICudaEngine &engine = context.ge
torch笔记十二 | 读取和保存
滨哥v5的博客
03-05 1113
读取和保存tensor、模型
【SwinTransformer源码阅读一】build_loader部分代码
丑小鸭
07-15 946
记录下SwinTranformer的阅读
小白学习HigherHRNet代码
m0_50752055的博客
08-09 199
每个节点都可以执行一部分训练工作，例如处理一部分的训练数据和更新模型的权重。这个函数的目标是将分布式训练的各个环节组织起来，从模型构建、数据加载、训练循环、学习率调整到模型保存，确保训练过程顺利进行。通道数是用来表示模型中不同层次的特征图（feature maps）的维度，它影响着模型的参数量、计算复杂度以及模型的性能。初始化分布式训练环境，包括分布式训练节点数量、分布式训练的进程与 GPU 分配等。根据训练效果，保存模型的检查点，包括当前状态和最好的状态。根据配置中的模型名称，调用相应的函数构建模型。
【HigherHRNet】 HigherHRNet 详解之 HigherHRNet的整体框架与流程
sazass的博客
08-24 6402
相关系列链接： 前言： HigherHRNet 来自于CVPR2020的论文： HigherHRNet: Scale-Aware Representation Learning for Bottom-Up Human Pose Estimation。 论文主要是提出了一个自底向上的2D人体姿态估计网络–HigherHRNet。 该论文代码成为自底向上网络一个经典网络，CVPR2021年最先进的自底向上网络DEKR和SWAHR都是基于HigherHRNet的源码上进行的局部改进。 所以搞懂HigherHRNe
Fastreid 代码
weixin_42123971的博客
10-25 661
FastReid 代码解读训练 train_net.pymain()PyTorch之HOOK——获取神经网络特征和梯度的有效工具setup()yacs--Python代码运行时的配置系统 训练 train_net.py launch( main, args.num_gpus, num_machines=args.num_machines, machine_rank=args.machine_rank, dist_url=args
Pytorch 用cfg构建网络结构
m0_38139098的博客
04-11 2783
动机：使用cfg构建网络是很方便的，有必要了解一下 本篇是通过参考Pytorch源码，来进行相关学习的。一直以来觉得这种方法比较抽象，但其实看一看，还是很值得的，毕竟我们生活在21世纪，接下来做研究可以借助强大的GPU算力（啥时候有钱了）构造更多深层网络，只用一个列表写出来结构显然会比一层一层手动写出来灵活性更高，修改也比较省时省力。 通过阅读本文，可以学到用for循环迭代cfg列表的形式...
fast-reid复现(market1501)
12-04
fast-reid是一个用于行人再识别的开源工具包，可以帮助实现快速而准确的行人识别。在复现市场1501数据集时，需要按照以下步骤进行： 1. 数据准备：首先需要下载市场1501数据集，该数据集包含超过32,000张行人图像，以及具有标签的身份类别信息。可以将数据集划分为训练集和测试集。 2. 模型选择：fast-reid提供了多种行人再识别模型，包括基于ResNet、ReID、MobileNet等的多种架构。根据实际需求选择合适的模型。 3. 模型训练：使用fast-reid提供的训练接口，通过在市场1501数据集上进行训练，逐步优化模型参数，使其能够更好地识别行人并进行身份分类。 4. 模型评估：训练完成后，需要使用fast-reid提供的测试接口对模型进行评估。可以通过计算准确率、召回率、mAP（平均精度均值）等指标来评估模型的性能。 5. 模型调优：根据评估结果，可以对模型进行调优，包括调整超参数、数据增强、对抗训练等方法，以进一步提升模型的性能。 通过以上步骤，可以使用fast-reid成功地复现市场1501数据集，实现高效准确的行人识别。同时，fast-reid还提供了可视化工具和实验记录功能，可以帮助用户更好地理解和分析模型训练过程，进一步优化模型性能。
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