超级会员免费看
本文介绍了在工业项目中遇到的多个版本Yolov5模型共存导致的加载错误问题，详细分析了错误原因，包括网络结构和检测层的差异。为了解决这个问题，提出了使用jit.trace方法进行模型导出和加载。实验证明，该方法在yolov5-face-master和Yolov5_DeepSort_Pytorch项目中均能正常运行。在推理时，给出了具体的代码变动策略。
在做工业项目时，yolov5是比较好的检测算法，
但是如果一个项目中需要多个版本的yolov5检测项目，检测不同的物体，
加载不同版本的网络会报错
self.weights='yolov5s.pth'
model = torch.load(self.weights)
stride = int(model.stride.max()) # model stride原因有：
1.网络结构不一样，比如激活函数不一样，层内容不一样
2.检测层Detect不一样。
解决方法：jit.trace方式。
导出：
self.model.model[-1].export = True
self.model.eval()
self.model=self.model.float()
x = torch.randn(1, 3, 544, 960).float().cuda()
traced_cell = torch.jit.trace(self.model, (x))
torch.jit.save(traced_cell, "jit_face_detect.pth"
订阅专栏 解锁全文
1488
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
