pytorch中torchvision读取预训练模型

最新推荐文章于 2025-03-11 08:14:05 发布

海洋之心

最新推荐文章于 2025-03-11 08:14:05 发布

阅读量1.8k

点赞数 1

分类专栏： PyTorch 文章标签： pytorch 深度学习神经网络人工智能

本文链接：https://blog.csdn.net/m0_47256162/article/details/127831580

版权

PyTorch 专栏收录该内容

79 篇文章

订阅专栏

在pytorch的torchvision中提供了许多深度学习领域各种经典的网络结构以及预训练模型，这些模型接口都被封装在torchvision.models中。

如图像分类的AlexNet、DenseNet、ResNet、MobileNet等
在这里插入图片描述
语义分割任务：DeepLabV3、FCN、LRASPP等以及目标检测任务：Faster R-CNN、FCOS、RetinaNet、SSD、SSDlite等。

在这里插入图片描述

对于这些模型都是已经训练好的，我们可以使用他们进行迁移学习，在此基础上根据需求对网络的结构进行修改，对于图像分类任务通常是修改最后的输出层，只需要把输出层的维数修改为我们目标任务即可。

resnet = torchvision.models.resnet152(pretrained=True)

detection = torch.models.detection.maskrcnn_resnet50_fpn(pretrained=True)

vit = torchvision.models.vision_transformer.vit_b_16(pretrained=True)

关注博主即可阅读全文

确定要放弃本次机会？

福利倒计时

: :

立减 ¥

普通VIP年卡可用

立即使用

海洋之心

关注关注

1
点赞
踩
6

收藏

觉得还不错? 一键收藏
0
评论
分享

复制链接

分享到 QQ

分享到新浪微博

扫一扫
打赏
打赏
打赏举报

举报

专栏目录

Pytorch加载torchvision从本地下载好的预训练模型的简单解决方案

weixin_43178406的博客

11-21

1万+

本文主要介绍了Pytorch加载torchvision从本地下载好的预训练模型的简单解决方案，希望能对新手有所帮助。之所以从本地加载下载好的模型，是因为默认是从Pytorch官网进行下载，但是它并不支持断点续传，而且单线程下载速度很慢，所以要么出现RemoteDisconnected如下图所示，要么出现半途下载中断的情况。但遗憾的是网上已有的解决方案是让修改源码，但这样非常不优雅，而且对新手不友好。个人找到了比较简单而且有效的解决方案，特意分享给大家，希望能对大家有所帮助。 1. 问题描述 2. 解决方案

【pytorch】预训练模型的使用

一起来学深度学习鸭的博客

10-28

1200

pytorch自带有一些高级的复杂模型，我们可以通过调用，例如就调用了densenet169的预训练模型。见获取详细信息。

参与评论您还未登录，请先登录后发表或查看评论

PyTorch源码解读之torchvision.models

最新发布

2401_88440984的博客

03-11

736

PyTorch和torchvision为例，如何使用预训练的ResNet模型来训练水稻虫害分类数据集 14类从数据准备到模型训练、评估全流程

【小白学PyTorch】5 torchvision预训练模型与数据集全览

忽逢桃林的博客

09-01

1282

内容来自微信公众号【机器学习炼丹术】，一个AI专业研究生的学习分享公众号。文章目录：文章目录torchvision1 torchvision.datssets2 torchvision.models模型比较 torchvision 官网上的介绍（翻墙）：The torchvision package consists of popular datasets, model architectures, and common image transformations for computer visio

使用PyTorch中的torchvision读取预训练模型

PzBlockchain的博客

09-25

137

在深度学习中，迁移学习是一种常用的技术，它允许我们利用在大规模数据集上预训练的模型，来解决小规模数据集上的任务。PyTorch提供了torchvision库，其中包含了一些常用的计算机视觉模型，并且这些模型已经在大规模图像数据上进行了预训练。根据不同的任务需求，可以选择合适的预训练模型，并根据实际情况进行微调或调整。通过加载预训练模型，我们可以利用已有的大规模数据集上的知识，加速和改善我们在小规模数据集上的任务。安装完成后，我们可以开始使用torchvision中的预训练模型。表示加载预训练的模型参数。

PyTorch中使用torchvision读取预训练模型

YovcGit的博客

09-20

128

PyTorch作为一个流行的深度学习框架，提供了torchvision库来简化加载和使用经过预训练的模型的过程。在本文中，我们将介绍如何使用torchvision库来加载和应用预训练模型，并提供相应的源代码。加载预训练模型的第一步是选择所需的模型。torchvision库中提供了一系列经过预训练的模型，包括经典的卷积神经网络（如ResNet、VGG、AlexNet）以及一些常用的图像生成模型（如GAN和VAE）。可以根据任务的需求选择合适的模型，并使用类似的代码加载和应用预训练模型。

pytorch——torchvision预训练模型与数据集全览

weixin_45833008的博客

09-17

9260

torchvision预训练模型与数据集全览 pytorch5 torchvision预训练模型与数据集全览torchvision预训练模型与数据集全览torchvisiontorchvision.datssetstorchvision.models模型比较 torchvision 官网介绍： The torchvision package consists of popular datasets, model architectures, and common image transformations

pytorch efficient-b0预训练模型训练

06-18

在PyTorch中进行Efficient-B0预训练模型的训练是一项复杂的任务，涉及到深度学习、计算机视觉和优化算法等多个领域的知识。Efficient-B0是EfficientNet系列模型的一个变种，由Google研究者提出，旨在通过合理的网络...

使用 PyTorch 中的 torchvision 模块加载预训练的 Mask R-CNN 模型

03-25

torchvision 模块是 PyTorch 的一部分，主要负责图像处理任务，如数据集的下载、预处理以及预训练模型的提供。在本教程中，我们将深入探讨如何使用 torchvision 模块加载预训练的 Mask R-CNN 模型，这是一种用于...

vision-transformer-pytorch:带有预训练模型的Pytorch版本的Vision Transformer（ViT）。这是CASL（https

04-13

视觉变压器-火炬视觉变压器的Pytorch实现。提供了预先训练的pytorch权重，这些权重是从原始jax /亚麻权重转换而来的。这是和的项目。介绍 Pytorch实施的论文。我们提供从预训练的jax /亚麻模型转换而来的预训练的pytorch权重。我们还提供微调和评估脚本。获得了与类似的结果。安装创建环境： conda create --name vit --file requirements.txt conda activate vit 可用型号我们提供，这些是从原始jax / flax wieghts转换而来的。您可以下载它们并将文件放在“ weights / pytorch”下以使用它们。否则，您可以下载，并将这些帧放在“ weights / jax”下以使用它们。我们将在线为您转换权重。数据集当前支持三个数据集：ImageNet2012，CI

vit-pytorch-pretrained-weights-master.zip

09-18

在自己的图像数据集上训练测试ViT-B16模型，以及position-embdding可视化-亲测可用（预训练权重链接https://pan.baidu.com/s/19dGGjU6nz3Nhns7fELeXfQ 提取码：mnw5）

Python库 | vit-pytorch-0.9.3.tar.gz

04-19

资源分类：Python库所属语言：Python 资源全名：vit-pytorch-0.9.3.tar.gz 资源来源：官方安装方法：https://lanzao.blog.csdn.net/article/details/101784059

动手学gluon系列之读取预训练模型----多种方法读取预训练模型进行finetune

小菜鸟的AI之路

05-14

2913

本文主要是博主学习gluon时候的一些总结，共勉，如有错误，欢迎指正 gluon主要有3个方法得到预训练模型： gluon自身的model_zoo gluoncv提供的model_zoo mxnet提供的预训练模型（.params ，.json）下面分别就这三个方面进行介绍一：读取gluon model_zoo提供的模型，并进行finetune gluon提供的model主要在gluon...

pytorch调用预训练模型

init_bin的博客

08-20

5656

１．pytorch提供以下模型 AlexNet: AlexNet variant from the “One weird trick” paper. VGG: VGG-11, VGG-13, VGG-16, VGG-19 (with and without batch normalization) ResNet: ResNet-18, ResNet-34, ResNet-50, ResNet...

pytorch 之加载不同形式的预训练模型

qq_41368074的博客

06-11

1329

我们在学习pytorch时，不可避免的要加载不同的预训练模型。而且pytorch下的预训练模型有很多种形式，我们又该如何加载呢。今天，我就为大家介绍三种常用的模型形式以及其加载方式。 1.pt形式，这种形式的模型使我们较为常见的形式，保存的直接就是权重。 if __name__=='__main__': with torch.no_grad(): model=InceptionI3d(num_classes=400,in_channels = 3) if not

torchvision中的resnet的实现

liupc的学习笔记

05-24

3666

一、ResNet网络模型详解 1.1 整体结构可以看到，resnet34主要就是由layer1-4组成。而这4个layer分别就是由3、4、6、3个BasicBlock堆叠而成。 BasicBlock有两种：右边虚线的BasicBlock主要用在layer2-4的第一块。作用就是要保证主分支和shortcut的输出特征shape相同。 1.2详细介绍前面：输入图片尺寸：224*224*3 conv1：输入通道是3，输出通道是...

使用PyTorch中的预训练模型进行图像分类

u013679159的博客

02-10

1万+

PyTorch的TorchVision模块中包含多个用于图像分类的预训练模型，TorchVision包由流行的数据集、模型结构和用于计算机视觉的通用图像转换函数组成。一般来讲，如果你进入计算机视觉和使用PyTorch，TorchVision可以提供还多便利的操作！ 1、使用预训练模型进行图像分类 预训练模型是在像ImageNet这样的大型基准数据集上训练得到的神经网络模型。深度学习社区从这些...

pytorch如何加载pytorch预训练模型

01-28

### 如何在 PyTorch 中加载预训练模型为了在 PyTorch 中加载预训练模型，通常有两种主要方式：一种是从官方提供的预训练权重文件中直接加载；另一种则是通过自定义路径加载本地保存的模型。下面分别介绍这两种方法并提供相应的代码实例。 #### 方法一：从官方资源加载预训练模型许多流行的神经网络架构已经在 torchvision.models 或其他库中实现了，并附带了 ImageNet 数据集上的预训练参数。只需指定 `pretrained=True` 即可轻松获取这些预训练好的模型。 ```python import torch from torchvision import models model = models.resnet18(pretrained=True) # 加载 ResNet-18 预训练模型 ``` 此段代码展示了如何利用 torchvision 库中的 resnet18 函数来创建一个带有 ImageNet 上预训练权重的 ResNet-18 模型[^1]。 #### 方法二：从本地磁盘加载已保存的模型当需要恢复之前训练过的特定版本的模型时，则可以采用这种方式。这涉及到先序列化（即保存）整个模型的状态字典到硬盘上，在后续运行期间再反序列化回来。 ```python # 假设 'checkpoint.pth' 是先前保存的一个检查点文件名 checkpoint_path = "path/to/checkpoint.pth" device = torch.device('cuda') if torch.cuda.is_available() else torch.device('cpu') # 初始化相同结构的新模型对象 model = TheModelClass(*args, **kwargs) # 将模型移动至 GPU (如果可用的话) model.to(device) # 使用 map_location 参数确保即使是在不同设备间也能正确读取数据 state_dict = torch.load(checkpoint_path, map_location=device)[^2] # 载入状态字典更新当前模型参数 model.load_state_dict(state_dict) # 设置为评估模式 model.eval() ``` 上述代码片段说明了怎样使用 `torch.load()` 来处理可能存在于 CPU 和 GPU 不同环境之间的兼容性问题，同时也强调了设置好目标计算平台的重要性。