关于框架中.pt权重文件转.weight权重文件

最新推荐文章于 2024-08-22 08:20:27 发布
最新推荐文章于 2024-08-22 08:20:27 发布
阅读量8.6k 收藏 10
点赞数 1
文章标签： 深度学习 神经网络 pytorch pycharm python
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/giganticpower/article/details/107975882
版权

关于权重文件格式转换的问题

我之前跑yolo3训练的时候，
使用了github上yolo3 这份代码。
但是训练之后，预测有点问题。
但是在这份代码中，
有个命名为models.py的文件。
里面写了权重格式转换的代码。我不太清楚是否可以移植出去。但是在这份代码中转换，是成功的。

def convert(cfg='cfg/yolov3-spp.cfg', weights='weights/yolov3-spp.weights'):
    # Converts between PyTorch and Darknet format per extension (i.e. *.weights convert to *.pt and vice versa)
    # from models import *; convert('cfg/yolov3-spp.cfg', 'weights/yolov3-spp.weights')

    # Initialize model
    model = Darknet(cfg)

    # Load weights and save
    if weights.endswith('.pt'):  # if PyTorch format
        model.load_state_dict(torch.load(weights, map_location='cpu')['model'])
        target = weights.rsplit('.', 1)[0] + '.weights'
        save_weights(model, path=target, cutoff=-1)
        print("Success: converted '%s' to '%s'" % (weights, target))

    elif weights.endswith('.weights'):  # darknet format
        _ = load_darknet_weights(model, weights)

        chkpt = {'epoch': -1,
                 'best_fitness': None,
                 'training_results': None,
                 'model': model.state_dict(),
                 'optimizer': None}

        target = weights.rsplit('.', 1)[0] + '.pt'
        torch.save(chkpt, target)
        print("Success: converted '%s' to '%s'" % (weights, target))

    else:
        print('Error: extension not supported.')

转换的话，我们要输入两个内容，cfg和weight
cfg在这套代码中的定义

[net]
# Testing
# batch=1
# subdivisions=1
# Training
batch=64
subdivisions=16
width=608
height=608
channels=3
momentum=0.9
decay=0.0005
angle=0
saturation = 1.5
exposure = 1.5
hue=.1

learning_rate=0.001
burn_in=1000
max_batches = 500200
policy=steps
steps=400000,450000
scales=.1,.1

[convolutional]
batch_normalize=1
filters=32
size=3
stride=1
pad=1
activation=leaky

# Downsample

[convolutional]
batch_normalize=1
filters=64
size=3
stride=2
pad=1
activation=leaky

[convolutional]
batch_normalize=1
filters=32
size=1
stride=1
pad=1
activation=leaky

[convolutional]
batch_normalize=1
filters=64
size=3
stride=1
pad=1
activation=leaky

[shortcut]
from=-3
activation=linear

# Downsample

[convolutional]
batch_normalize=1
filters=128
size=3
stride=2
pad=1
activation=leaky

[convolutional]
batch_normalize=1
filters=64
size=1
stride=1
pad=1
activation=leaky

[convolutional]
batch_normalize=1
filters=128
size=3
stride=1
pad=1
activation=leaky

[shortcut]
from=-3
activation=linear

[convolutional]
batch_normalize=1
filters=64
size=1
stride=1
pad=1
activation=leaky

[convolutional]
batch_normalize=1
filters=128
size=3
stride=1
pad=1
activation=leaky

[shortcut]
from=-3
activation=linear

# Downsample

[convolutional]
batch_normalize=1
filters=256
size=3
stride=2
pad=1
activation=leaky

[convolutional]
batch_normalize=1
filters=128
size=1
stride=1
pad=1
activation=leaky

[convolutional]
batch_normalize=1
filters=256
size=3
stride=1
pad=1
activation=leaky

[shortcut]
from=-3
activation=linear

[convolutional]
batch_normalize=1
filters=128
size=1
stride=1
pad=1
activation=leaky

[convolutional]
batch_normalize=1
filters=256
size=3
stride=1
pad=1
activation=leaky

[shortcut]
from=-3
activation=linear

[convolutional]
batch_normalize=1
filters=128
size=1
stride=1
pad=1
activation=leaky

[convolutional]
batch_normalize=1
filters=256
size=3
stride=1
pad=1
activation=leaky

[shortcut]
from=-3
activation=linear

[convolutional]
batch_normalize=1
filters=128
size=1
stride=1
pad=1
activation=leaky

[convolutional]
batch_normalize=1
filters=256
size=3
stride=1
pad=1
activation=leaky

[shortcut]
from=-3
activation=linear


[convolutional]
batch_normalize=1
filters=128
size=1
stride=1
pad=1
activation=leaky

[convolutional]
batch_normalize=1
filters=256
size=3
stride=1
pad=1
activation=leaky

[shortcut]
from=-3
activation=linear

[convolutional]
batch_normalize=1
filters=128
size=1
stride=1
pad=1
activation=leaky

[convolutional]
batch_normalize=1
filters=256
size=3
stride=1
pad=1
activation=leaky

[shortcut]
from=-3
activation=linear

[convolutional]
batch_normalize=1
filters=128
size=1
stride=1
pad=1
activation=leaky

[convolutional]
batch_normalize=1
filters=256
size=3
stride=1
pad=1
activation=leaky

[shortcut]
from=-3
activation=linear

[convolutional]
batch_normalize=1
filters=128
size=1
stride=1
pad=1
activation=leaky

[convolutional]
batch_normalize=1
filters=256
size=3
stride=1
pad=1
activation=leaky

[shortcut]
from=-3
activation=linear

# Downsample

[convolutional]
batch_normalize=1
filters=512
size=3
stride=2
pad=1
activation=leaky

[convolutional]
batch_normalize=1
filters=256
size=1
stride=1
pad=1
activation=leaky

[convolutional]
batch_normalize=1
filters=512
size=3
stride=1
pad=1
activation=leaky

[shortcut]
from=-3
activation=linear


[convolutional]
batch_normalize=1
filters=256
size=1
stride=1
pad=1
activation=leaky

[convolutional]
batch_normalize=1
filters=512
size=3
stride=1
pad=1
activation=leaky

[shortcut]
from=-3
activation=linear


[convolutional]
batch_normalize=1
filters=256
size=1
stride=1
pad=1
activation=leaky

[convolutional]
batch_normalize=1
filters=512
size=3
stride=1
pad=1
activation=leaky

[shortcut]
from=-3
activation=linear


[convolutional]
batch_normalize=1
filters=256
size=1
stride=1
pad=1
activation=leaky

[convolutional]
batch_normalize=1
filters=512
size=3
stride=1
pad=1
activation=leaky

[shortcut]
from=-3
activation=linear

[convolutional]
batch_normalize=1
filters=256
size=1
stride=1
pad=1
activation=leaky

[convolutional]
batch_normalize=1
filters=512
size=3
stride=1
pad=1
activation=leaky

[shortcut]
from=-3
activation=linear


[convolutional]
batch_normalize=1
filters=256
size=1
stride=1
pad=1
activation=leaky

[convolutional]
batch_normalize=1
filters=512
size=3
stride=1
pad=1
activation=leaky

[shortcut]
from=-3
activation=linear


[convolutional]
batch_normalize=1
filters=256
size=1
stride=1
pad=1
activation=leaky

[convolutional]
batch_normalize=1
filters=512
size=3
stride=1
pad=1
activation=leaky

[shortcut]
from=-3
activation=linear

[convolutional]
batch_normalize=1
filters=256
size=1
stride=1
pad=1
activation=leaky

[convolutional]
batch_normalize=1
filters=512
size=3
stride=1
pad=1
activation=leaky

[shortcut]
from=-3
activation=linear

# Downsample

[convolutional]
batch_normalize=1
filters=1024
size=3
stride=2
pad=1
activation=leaky

[convolutional]
batch_normalize=1
filters=512
size=1
stride=1
pad=1
activation=leaky

[convolutional]
batch_normalize=1
filters=1024
size=3
stride=1
pad=1
activation=leaky

[shortcut]
from=-3
activation=linear

[convolutional]
batch_normalize=1
filters=512
size=1
stride=1
pad=1
activation=leaky

[convolutional]
batch_normalize=1
filters=1024
size=3
stride=1
pad=1
activation=leaky

[shortcut]
from=-3
activation=linear

[convolutional]
batch_normalize=1
filters=512
size=1
stride=1
pad=1
activation=leaky

[convolutional]
batch_normalize=1
filters=1024
size=3
stride=1
pad=1
activation=leaky

[shortcut]
from=-3
activation=linear

[convolutional]
batch_normalize=1
filters=512
size=1
stride=1
pad=1
activation=leaky

[convolutional]
batch_normalize=1
filters=1024
size=3
stride=1
pad=1
activation=leaky

[shortcut]
from=-3
activation=linear

######################

[convolutional]
batch_normalize=1
filters=512
size=1
stride=1
pad=1
activation=leaky

[convolutional]
batch_normalize=1
size=3
stride=1
pad=1
filters=1024
activation=leaky

[convolutional]
batch_normalize=1
filters=512
size=1
stride=1
pad=1
activation=leaky

### SPP ###
[maxpool]
stride=1
size=5

[route]
layers=-2

[maxpool]
stride=1
size=9

[route]
layers=-4

[maxpool]
stride=1
size=13

[route]
layers=-1,-3,-5,-6

### End SPP ###

[convolutional]
batch_normalize=1
filters=512
size=1
stride=1
pad=1
activation=leaky


[convolutional]
batch_normalize=1
size=3
stride=1
pad=1
filters=1024
activation=leaky

[convolutional]
batch_normalize=1
filters=512
size=1
stride=1
pad=1
activation=leaky

[convolutional]
batch_normalize=1
size=3
stride=1
pad=1
filters=1024
activation=leaky

[convolutional]
size=1
stride=1
pad=1
filters=255
activation=linear


[yolo]
mask = 6,7,8
anchors = 10,13,  16,30,  33,23,  30,61,  62,45,  59,119,  116,90,  156,198,  373,326
classes=80
num=9
jitter=.3
ignore_thresh = .7
truth_thresh = 1
random=1


[route]
layers = -4

[convolutional]
batch_normalize=1
filters=256
size=1
stride=1
pad=1
activation=leaky

[upsample]
stride=2

[route]
layers = -1, 61



[convolutional]
batch_normalize=1
filters=256
size=1
stride=1
pad=1
activation=leaky

[convolutional]
batch_normalize=1
size=3
stride=1
pad=1
filters=512
activation=leaky

[convolutional]
batch_normalize=1
filters=256
size=1
stride=1
pad=1
activation=leaky

[convolutional]
batch_normalize=1
size=3
stride=1
pad=1
filters=512
activation=leaky

[convolutional]
batch_normalize=1
filters=256
size=1
stride=1
pad=1
activation=leaky

[convolutional]
batch_normalize=1
size=3
stride=1
pad=1
filters=512
activation=leaky

[convolutional]
size=1
stride=1
pad=1
filters=255
activation=linear


[yolo]
mask = 3,4,5
anchors = 10,13,  16,30,  33,23,  30,61,  62,45,  59,119,  116,90,  156,198,  373,326
classes=80
num=9
jitter=.3
ignore_thresh = .7
truth_thresh = 1
random=1



[route]
layers = -4

[convolutional]
batch_normalize=1
filters=128
size=1
stride=1
pad=1
activation=leaky

[upsample]
stride=2

[route]
layers = -1, 36



[convolutional]
batch_normalize=1
filters=128
size=1
stride=1
pad=1
activation=leaky

[convolutional]
batch_normalize=1
size=3
stride=1
pad=1
filters=256
activation=leaky

[convolutional]
batch_normalize=1
filters=128
size=1
stride=1
pad=1
activation=leaky

[convolutional]
batch_normalize=1
size=3
stride=1
pad=1
filters=256
activation=leaky

[convolutional]
batch_normalize=1
filters=128
size=1
stride=1
pad=1
activation=leaky

[convolutional]
batch_normalize=1
size=3
stride=1
pad=1
filters=256
activation=leaky

[convolutional]
size=1
stride=1
pad=1
filters=255
activation=linear


[yolo]
mask = 0,1,2
anchors = 10,13,  16,30,  33,23,  30,61,  62,45,  59,119,  116,90,  156,198,  373,326
classes=80
num=9
jitter=.3
ignore_thresh = .7
truth_thresh = 1
random=1

就是定义的网络参数。
我想可能直接移植出来有点麻烦
对于我这样的新手而言，就直接在工程里转了。
哪位大哥知道如何更方便的转换，给点指引。。。。

giganticpower
关注
.pt 文件和 .weights 文件之间转换的错误方法
给时光以生命
08-22 1万+
.pt是pytroch框架的，weights是Darknet框架的 model = Darknet(cfg) if weights.endswith('.pt'): model.load_state_dict(torch.load(weights, map_location='cpu')['model']) save_weights(model, pa...
yolov8权重文件，包含n,s,m,l,x五个
03-18
在PyTorch框架下，`.pt`文件是保存模型权重的标准格式，可以通过`torch.load()`函数来加载。 总的来说，YOLOv8的这五个权重文件为各种计算环境提供了灵活性，允许开发者根据资源限制和性能需求选择最合适的模型。...
yolov5s.pt yolov5weight文件
04-16
yolov5s.pt yolov5weight文件
.pth转.weights/openCV-python + YOLO v3实现目标检测
崔克的博客
08-04 2805
基于openCV-python的YOLO v3 + .pth转.weights
权重pt文件（.pth后缀）如何查看？｜编程tips·24-08-22
最新发布
罗小罗同学的博客
08-22 1187
小罗碎碎念我们在查看源码的时候，如果是预训练的模型，或者我们之前说的基础模型，那么就会涉及到一个内容——权重。但是可能有的人没有具体接触过，只是停留在“听说”。今天另一篇推文介绍了三种UNet的变形，那么这里就以其中的一种作为分析，看一下作者提供的源码，里面就包含了权重文件.pth。！。
yolov5的权重文件.pt文件转化成.weights文件
zqt98的博客
09-09 1426
运行即可在当前目录下生成.weights文件。
.pt转为weights文件
weixin_44124168的博客
03-01 966
然后下载转换相关的内容，放在上面总文件夹下（与utils文件夹放在同一位置）需要下载总的运行代码（为了防止报错，直接参考↑ 下载完整的代码↓）
成功实现.pt转weights文件
qq_43207709的博客
01-25 9532
成功实现.pt转weights文件 最近用pytorch框架下训练图片，生成了.pt文件 最后用的时候要用到weights文件，试了好几个代码，最后用这个成功了，.pt转weights可用 新建一个 pt2weights.py文件 from models import * //注意找到工程文件中有没有 models.py文件 例如下面Darknet save_weights函数都在models.py文件里定义好了 直接调用就好 注意：新建的pt2weights.py与models.py在同一目录下 m
【Yolov5-TensorRT】pt 参数文件转 wts
luckynote
08-23 3459
import torch import struct # utils.torch_utils from yolov5 github: https://github.com/ultralytics/yolov5 from utils.torch_utils import select_device # Initialize device = select_device('cpu') # Load model model = torch.load('weights/yolov5s.pt', map_loca.
.pth文件转.weight文件For YOLO
qq_39180345的博客
07-20 6803
.pth文件转.weight文件 任务介绍 首先，.pth是pytorch框架训练模型的常见保存格式，.weight是darknet框架训练和加载模型的扩展名，实现将.pth转为.weight便可以将基于pytorch训练的模型在darknet框架里进行应用，比如作为预训练模型或直接进行检测。要做这件事，首先，咱得整明白下面这些东西： 怎么给参数从.pth文件中正确地拿出来，以及怎么给参数按照.weight文件需求的写进去 权重文件的存储规则：权重文件中哪部分是头文件，哪部分是网络参数，头文件都写了些啥；
pytorch的pth文件转换为weights文件_语音文件怎么转换为文字？其实方法很简单，一看就会...
weixin_39813200的博客
10-30 825
不知道各位有没有和小编一样的，几乎每天都需要开会，部门会议，小组会议，总结会议，报告会议等等，会议上，领导发言滔滔不绝，会议桌上小编手不能停，恨不得手脚并用，左右开弓。可惜，还是手速跟不上语速。在经历了漫长的开会一周后，小编决定，要寻找一款将语音文件能够转换成文字的软件。很幸运，在朋友的推荐下，尝试了几款软件，最后决定使用这一款软件。为了帮助和小编一样的朋友，小编决定，将这款软件分享给大家！ 准备...
yolov7代码及6个预训练权重文件（训练文件全）
11-02
该资源包含： 1.yolov7的代码 2.yolov7.pt yolov7x.pt yolov7-w6.pt yolov7-e6.pt yolov7-d6.pt yolov7-e6e.pt等6个预训练权重文件
nougat的权重文件
09-05
标题中的“nougat的权重文件”指的是与Android 7.0系统相关的权重（weight）配置文件。在Android系统中，权重文件通常用于管理系统的资源分配和优先级设定，特别是在内存管理和进程调度方面。 权重文件是系统用来...
pytorch的pth文件转换为weights文件_怎么把动态磁盘转换为基本磁盘，且文件不会丢失？...
weixin_39952800的博客
11-24 1021
Windows磁盘管理存在很多限制，如果要将动态磁盘改为基本磁盘，必须先删除动态磁盘上所有卷。因此，将动态磁盘改为基本磁盘的过程中有文件遗失的风险。好消息是，易我分区管理工具 可以帮你解决这个问题，不用删除卷，动态磁盘一样可以改为基本磁盘。如何使用 易我分区大师 将动态磁盘改基本磁盘易我分区大师将包括简单卷或镜像卷的动态磁盘改为基本磁盘的功能，操作步骤如下：案例 1. 将包含简单卷的动态磁盘转换为...
Win10系统.pt权重使用TenserRTx转.engine权重文件
C957946964的博客
04-14 956
简单来说就是使用tensorrt写了一些通用模型的框架，可以将.pt文件转化成.engine文件，供C++调用。修改D:\work_folder\tensorrtx-master\yolov5目录下的yololayer.h文件，设置成自己的预测类别总数。是一个C/C++编程接口，允许程序员在Linux/UNIX下检索关于文件和目录的信息。，根据自己的CUDA下载合适的版本，选择压缩包文件下载。(GA表示稳定版本，EA表示测试版本)将TensorRT目录下lib下的dll文件放到CUDA的bin目录下。
U版YOLOv3模型转换:pt文件转onnx
sunnygirl's house
05-20 1361
1.安装依赖库 pip install onnx coremltools onnx-simplifier 2.导出onnx python models/export.py --weights yolov5s-best.pt --img 640 --batch 1 在 yolov5s-best.pt 的同级目录生成了 yolov5s-best.onnx、yolov5s-best.mlmodel 和 yolov5s-best.torchscript.pt三个文件。 可以使用netron查看yol
yolo.weights
03-14
基于YOLO算法进行物体检测的权重文件,在jetson tx2上很不好下载，后面还会上传一系列关于深度学习的已经训练好的模型
yolo.h5，YOLOv3转换后的初始权重
06-02
yolo.h5 基于最新的YOLOv3, 通过权重转换生成的文件
【目标检测】yolo_weights_convert
筱
10-20 5997
tensorflow中加载权重常用tf.train.Saver.restore和tf.GraphDef()方法，分别从.ckpt和.pb文件中加载。可是yolo系列官方提供的权重使用.weights文件保存。故本文将简述如何将yolo3.weights转化为.ckpt或者.pb文件 yolo_weights_convert流程： 1、建立网络 2、加载权重 3、将权重保存为.ckpt或者.pb文件...
pt权重转onnx记录
悠悠小船长的博客
11-01 1025
pt权重转onnx记录
评论 4
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