【手把手教学】如何可视化YOLOv8深度学习的网络结构并保存

最新推荐文章于 2024-10-13 20:47:49 发布

阿_旭

最新推荐文章于 2024-10-13 20:47:49 发布

阅读量4k

点赞数 31

分类专栏：深度学习知识点文章标签： YOLO 深度学习人工智能网络结构可视化 AI

本文链接：https://blog.csdn.net/qq_42589613/article/details/137044754

版权

深度学习知识点专栏收录该内容

51 篇文章 38 订阅

订阅专栏

《博主简介》

小伙伴们好，我是阿旭。专注于人工智能、AIGC、python、计算机视觉相关分享研究。
✌更多学习资源，可关注公-仲-hao:【阿旭算法与机器学习】，共同学习交流~
👍感谢小伙伴们点赞、关注！

《------往期经典推荐------》

一、AI应用软件开发实战专栏【链接】

项目名称	项目名称
1.【人脸识别与管理系统开发】	2.【车牌识别与自动收费管理系统开发】
3.【手势识别系统开发】	4.【人脸面部活体检测系统开发】
5.【图片风格快速迁移软件开发】	6.【人脸表表情识别系统】
7.【YOLOv8多目标识别与自动标注软件开发】	8.【基于YOLOv8深度学习的行人跌倒检测系统】
9.【基于YOLOv8深度学习的PCB板缺陷检测系统】	10.【基于YOLOv8深度学习的生活垃圾分类目标检测系统】
11.【基于YOLOv8深度学习的安全帽目标检测系统】	12.【基于YOLOv8深度学习的120种犬类检测与识别系统】
13.【基于YOLOv8深度学习的路面坑洞检测系统】	14.【基于YOLOv8深度学习的火焰烟雾检测系统】
15.【基于YOLOv8深度学习的钢材表面缺陷检测系统】	16.【基于YOLOv8深度学习的舰船目标分类检测系统】
17.【基于YOLOv8深度学习的西红柿成熟度检测系统】	18.【基于YOLOv8深度学习的血细胞检测与计数系统】
19.【基于YOLOv8深度学习的吸烟/抽烟行为检测系统】	20.【基于YOLOv8深度学习的水稻害虫检测与识别系统】
21.【基于YOLOv8深度学习的高精度车辆行人检测与计数系统】	22.【基于YOLOv8深度学习的路面标志线检测与识别系统】
23.【基于YOLOv8深度学习的智能小麦害虫检测识别系统】	24.【基于YOLOv8深度学习的智能玉米害虫检测识别系统】
25.【基于YOLOv8深度学习的200种鸟类智能检测与识别系统】	26.【基于YOLOv8深度学习的45种交通标志智能检测与识别系统】
27.【基于YOLOv8深度学习的人脸面部表情识别系统】	28.【基于YOLOv8深度学习的苹果叶片病害智能诊断系统】
29.【基于YOLOv8深度学习的智能肺炎诊断系统】	30.【基于YOLOv8深度学习的葡萄簇目标检测系统】
31.【基于YOLOv8深度学习的100种中草药智能识别系统】	32.【基于YOLOv8深度学习的102种花卉智能识别系统】
33.【基于YOLOv8深度学习的100种蝴蝶智能识别系统】	34.【基于YOLOv8深度学习的水稻叶片病害智能诊断系统】
35.【基于YOLOv8与ByteTrack的车辆行人多目标检测与追踪系统】	36.【基于YOLOv8深度学习的智能草莓病害检测与分割系统】
37.【基于YOLOv8深度学习的复杂场景下船舶目标检测系统】	38.【基于YOLOv8深度学习的农作物幼苗与杂草检测系统】
39.【基于YOLOv8深度学习的智能道路裂缝检测与分析系统】	40.【基于YOLOv8深度学习的葡萄病害智能诊断与防治系统】
41.【基于YOLOv8深度学习的遥感地理空间物体检测系统】	42.【基于YOLOv8深度学习的无人机视角地面物体检测系统】
43.【基于YOLOv8深度学习的木薯病害智能诊断与防治系统】	44.【基于YOLOv8深度学习的野外火焰烟雾检测系统】
45.【基于YOLOv8深度学习的脑肿瘤智能检测系统】	46.【基于YOLOv8深度学习的玉米叶片病害智能诊断与防治系统】
47.【基于YOLOv8深度学习的橙子病害智能诊断与防治系统】

二、机器学习实战专栏【链接】，已更新31期，欢迎关注，持续更新中~~
三、深度学习【Pytorch】专栏【链接】
四、【Stable Diffusion绘画系列】专栏【链接】
五、YOLOv8改进专栏【链接】，持续更新中~~
六、YOLO性能对比专栏【链接】，持续更新中~

《------正文------》

前言

最近，有很多小伙伴问我如何查看自己训练好的网络模型结构和详细信息，那我在这篇文章将详细介绍如何将YOLOv8网络结构可视化，并且查看详细信息，希望能给大家带来帮助。对于其他深度学习网络模型，也同样可以通过类似的方式使用Netron进行查看。

1.将.pt模型转为.onnx模型

首先，我们需要加载自己训练好的yolov8网络模型best.pt文件。然后，使用model.expert方法将其转为.onnx格式的模型文件。代码如下：

from ultralytics import YOLO
# 加载训练好的模型
model = YOLO("runs/train/weights/best.pt")
# 将模型转为onnx格式
success = model.export(format='onnx')

运行上述代码后，就会在best.pt文件所在的目录下生成同名的.onnx格式文件，如下图：
在这里插入图片描述

2. 使用Netron可视化网络结构

2.1 Netron简介

Netron 是一个开源的模型可视化工具，用于可视化深度学习模型的结构和参数。它可以加载和显示多种框架和模型格式，包括ONNX（Open Neural Network Exchange）、TensorFlow、Keras、Caffe、Core ML 等。通过图形界面，用户可以直观地查看模型的网络结构、层级关系、参数等信息。

Netron 的主要特点包括：

多框架和多格式支持：Netron 支持常见的深度学习框架和模型格式，包括ONNX、TensorFlow、Keras、Caffe、CoreML 等，因此可以加载和可视化多种类型的深度学习模型。
直观的可视化界面：Netron提供一个直观的图形界面，以树状结构展示模型的网络层次和参数。用户可以浏览模型的结构、查看各层的输入输出尺寸、参数数量等，帮助理解模型的组成和特性。
跨平台支持：Netron 可以运行在多种操作系统上，包括 Windows、macOS 和 Linux，方便用户在不同环境中使用。
快速加载和渲染：Netron 的设计优化了模型的加载和渲染过程，使得大型模型的可视化也能够在短时间内完成。
Netron 是一个简单但功能强大的模型可视化工具，对于深度学习开发者和研究人员来说，它可以提供有价值的模型分析和理解工具，帮助他们更好地理解和调试深度学习模型。

2.2 网络结构可视化

我们打开Netron地址: https://netron.app，打开后界面如下：
在这里插入图片描述
点击箭头处，选择我们转换好的best.onnx文件，然后点击打开：

打开后显示结果如下，界面会显示模型的整个网络结构，如下所示：

点击网络结构中某个节点，会在界面右侧显示出改节点的详细信息，例如卷积核的大小，卷积核的具体参数等。如下图：
在这里插入图片描述

同时也提供了将网络结构保存为图片的功能，左侧点击expert可将整个结构保存为.png或者.svg图片。
在这里插入图片描述

但是，从显示网络结构中我们可以看到，图中没有显示特征图的维度，只有输入数据的维度（3，640，640）。在netron中，如果想看到特征图的维度，需要在导出为onnx的时候，同时加上特征图维度信息。这个操作需要onnx库的帮助，可以通过pip install onnx进行安装。具体代码如下：

# 增加特征图维度信息
    model_file = 'runs/train/weights/best.onnx'
    # 加载刚转换好的best.onnx文件
    onnx_model = onnx.load(model_file)
    # 重新保存为best2.onnx文件
    onnx.save(onnx.shape_inference.infer_shapes(onnx_model), 'runs/train/weights/best2.onnx')

运行代码后，在best.onnx同目录下会生成一个best2.onnx文件，然后我们重新在https://netron.app打开best2.onnx文件：
在这里插入图片描述

这次我们可以看到相比之前显示的内容，多了一个增加维度信息的步骤。此时可视化图中就能完整显示所有特征图的维度了。然后我们将其保存为.png图片，如下所示：

通过上述，操作我们就可以清楚的看到整个网络结构，并且可以查看每个网络节点的详细信息，希望能够帮助到大家。