目标检测模型大小计算，模型复杂度（参数换算公式）

最新推荐文章于 2024-09-27 16:53:49 发布
最新推荐文章于 2024-09-27 16:53:49 发布
阅读量3.5k 收藏 20
点赞数 5
文章标签： 目标检测 深度学习 计算机视觉
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/qq_45294476/article/details/125824258
版权
本文介绍了如何计算目标检测模型的大小，特别是当模型输出只包含参数量时。作者分享了一个估算模型大小的公式：参数量*2/1024/1024，基于float16占2个字节进行换算。这个方法经过验证，对于估算模型文件大小较为准确，有助于在模型优化和资源管理中进行比较。
摘要由CSDN通过智能技术生成

目标检测模型大小计算，模型复杂度（参数换算公式）

最近在做目标检测的时候需要对比模型大小，因为有的模型输出结果不包括模型大小，只输出参数量如图
在这里插入图片描述

或者这种
在这里插入图片描述
，而这时候保存的每个epoch的pt文件不仅仅是参数权重的大小，而是整个checkpoint，包括优化器等等其他内容。
我因此也是苦恼了好久才找到一个通过参数量来估算模型大小的方法，或者说公式，经过我对比许多模型的计算结果来看是比较准确的，
参数换算公式: 参数量 * 2 / 1024 /1024（一个float16占2个字节， 1024个字节为1k）

纯粹ss
关注
OpenPCDet官网全部模型+3D目标检测
09-04
《OpenPCDet: 3D目标检测模型与技术解析》 OpenPCDet是一个开源的3D目标检测框架，专门用于处理点云数据，为自动驾驶、机器人导航等领域提供强大的视觉感知能力。该框架集成了多种先进的3D目标检测算法，如...
基于深度学习的目标检测算法对比分析（RCNN、SPP、YOLO、SSD、FPN、RetinaNet）
技术改变世界
03-27 9635
目录 (1)RCNN与SPP的比较 (2)RCNN→ Fast RCNN→ Faster RCNN (3)YOLO与RCNN类方法比较 (4) YOLO与SSD的比较 (5)YOLO v1→YOLO v2→YOLO v3 (6)FPN、RetinaNet、Mask R-CNN、YOLOv3 FPN（2017_CVPR） RetinaNet(2017_ICCV)...
几个目标检测算法的比较——yolov4,yolov4-tiny,faster-rcnn
hexiao260的博客
08-12 2万+
本文主要记录了本人在使用目标检测算法的过程中遇到的问题以及解决方法
大模型-模型预训练-模型参数量计算
最新发布
sgliquangang的专栏
09-27 218
解码器的每一层都包含一个多头自注意力层，查询、键、值三个组成变换矩阵，1个包含H²个参数，共3H²个参数，同事还需要1个额外的线性变换来将多头自注意力机制的输出拼接成最终的输出，有需要H²个参数，总共需要4LH²个参数。由三个线性变换组成，中间有一个非线性激活函数，前两个线性变换将输入从H维映射到H´维度，需要2HH´个参数，最后一个线性变换将输出从H´维映射回H维，需要HH´个参数，总共需要3HH´个参数。词表大小为V，每个单次映射到一个H维的向量，且输入嵌入层只有一层，因此有VH个参数。
目标检测模型mAP计算方法与对比步骤——对比原模型与量化模型之间的mAP
知来者逆的博客
06-07 3403
转换或者量化模型是为了提高模型推理速度，但往往会对模型精度产生影响，这里演示了验证与评估模型转换与部署在mAP上的对比
模型大小 与参数量计算
热门推荐
jacke121的专栏
05-18 2万+
1.model size 就是模型的大小，我们一般使用参数量parameter来衡量，注意，它的单位是个。但是由于很多模型参数量太大，所以一般取一个更方便的单位：兆(M)来衡量。比如ResNet-152的参数量可以达到60 million = 0.0006M。有些时候，model size在实际计算时除了包含参数量以外，还包括网络架构信息和优化器信息等。比如存储一个一般的CNN模型(ImageNet训练)需要大于300MB。 M和MB的换算关系： 比如说我有一个模型参数量是1M，在一般的深度学...
目标检测-深度学习算法总结（从R-CNN到......最新..........)
weixin_44474718的博客
04-20 8825
版权声明：本文为博主原创文章，未经博主允许不得转载。 仅作为个人笔记： ● R-CNN（2013.11）：二阶基础 ● OverFeat：（2014） 主要特征：集成的处理识别（Recognition）、定位（Localization）、检测（Detection）三个问题，做到一个网络解决所有问题。并且通过一个卷积网络，实现对输入支持多尺度（multiscale）、滑动窗口的变换。学习FCN、...
基于megengine的FCOS的目标检测模型，主干网络ResNext101
10-17
在这个场景中，我们关注的是一个基于MegEngine框架实现的FCOS（Fully Convolutional One-Stage Object Detection）目标检测模型，该模型的主干网络是ResNext101。下面将详细介绍这个模型的组成部分以及其在目标检测...
基于megengine的freeanchor的目标检测模型，主干网络ResNext101
10-17
FreeAnchor的目标检测模型摒弃了传统的预定义锚点大小和比例，转而引入了一个自适应的学习过程，通过训练数据来学习合适的锚点。这种设计使得模型能够更好地适应不同尺度和形状的目标，从而提高检测精度。FreeAnchor...
基于megengine的retinanet的目标检测模型，主干网络ResNext101
10-17
RetinaNet是一种在该领域广泛采用的检测模型，由Lin等人于2017年提出，它解决了传统检测器（如Faster R-CNN）中的类别不平衡问题。本项目是基于MegEngine深度学习框架实现的RetinaNet，采用了ResNext101作为主干网络...
目标检测算法（R-CNN，fast R-CNN，faster R-CNN，yolo，SSD，yoloV2，yoloV3，yoloV4,yoloV5,yoloV6，yoloV7）
m0_46406029的博客
12-17 1万+
目标检测算法（R-CNN，fast R-CNN，faster R-CNN，yolo，SSD，yoloV2，yoloV3，yoloV4,yoloV5,yoloV6，yoloV7）
分类和目标检测的性能评价指标【转载】
Jensen Lee的博客
05-13 1371
文章目录1.mAP (mean Avearage Precision)2. FLOPs （浮点运算数）3. 模型参数大小 对于深度学习的网络模型，希望其速度快，内存小，精度高。因此需要量化指标来评价这些性能，常用的指标有：mAP（平均准确度均值，精度指标）， FPS（每秒处理的图片数量或每张图片处理需要时间，同样硬件条件下的速度指标） ， 模型参数大小（内存大小指标）。 1.mAP (mean Avearage Precision) mAP指的是各类别的AP平均值，而AP指PR曲线的面积（precision
目标检测params,flops计算
YANJINING
10-13 2004
目标检测params,flops计算 参数数量用params表示，关系到模型大小，单位通常为M，通常参数用float32表示，所以模型大小是参数数量的4倍。 理论计算量用FLOPs或者M-Adds表示，这里用FLOPs写起来简单，关系到算法速度，大模型的单位通常为G，小模型通道为M。注意两点： 理论计算量通常只考虑乘加操作(Multi-Adds)的数量，而且只考虑CONV和FC等参数层的计算量，忽略BatchNorm和PReLU等等。一般情况，CONV和FC层也会忽略仅纯加操作的计算量，如bias偏置加和s
【论文】模型大小计算方式（或者叫做权重大小/体积？）单位是MB
孟孟单单的博客
04-03 4654
可以说成：整个权重文件包含了网络结构和参数，那么这个训练好的权重文件可直接使用，用于嵌入到某些平台或设备上就可以使用了，如果没有训练好的参数，单纯就一个网络结构那在应用中也是没有作用的。那就可以说成是：网络结构定义好了就是一个模型，可用于训练。
【目标检测系列】目标检测算法综述
gbz3300255的博客
04-10 5609
一，目标检测算法分类： 目前目标检测算法大体分为3类。 1.传统方法：如adaboost+harr hog+ svm 等。传统方法流程一般为穷举搜索框，提取特征如hog harr lbp等，过分类器如adaboost ，svm等。缺点不详细说了。 2.候选区域框+深度学习方法：如R-CNN SPP-net Fast-RCNN Faster-RCNN R-FCN RCNN介绍...
【计算机视觉 | 目标检测】术语理解3：Precision、Recall、F1-score、mAP、IoU 和 AP
wzk4869的博客
05-19 8233
【计算机视觉 | 目标检测】术语理解3：Precision、Recall、F1-score、mAP、IoU 和 AP
CNN 模型的参数（parameters）数量和浮点运算数量（FLOPs）是怎么计算的
求真、务实
11-26 8448
CNN 模型所需的计算力（flops）和参数（parameters）数量是怎么计算的？ #1 首先说明一下概念 1、FLOPS FLOPS：注意全大写，是floating point operations per second的缩写，意指每秒浮点运算次数，理解为计算速度（。是一个衡量硬件性能的指标。 2、FLOPs FLOPs：注意s小写，是floating point operations的缩写（s表复数），意指浮点运算数，理解为计算量。可以用来衡量算法/模型的复杂度。 #FLOPS FLOPS：即“每秒
Parameters参数量、FLOPs浮点运算次数、FPS每秒传输帧数等计算量衡量指标解析
wouderw的博客
10-28 2549
（ FLOPs低 ≠ FPS高，最典型的例子就是EfficientNet，EfficientNet使用了大量的低FLOPs、高数据读写量的操作，即深度可分离卷积操作。参数量指的是模型所包含的参数的数量，比如我们模型中使用到的卷积、全连接里面的权值矩阵对应的每一个数字，都是参数量的组成。来看一下这幅图，这是YoloX中的消融实验图，它给出了五个指标，各位同学自己在写论文的时候，一般这么多指标就够了。目前大部分的轻量级模型在对比模型速度时用的指标是FLOPs，这个指标主要衡量的就是卷积层的乘法操作。
基于改进YOLOV5s模型的煤矸目标检测技术研究
2. YOLOV5s模型：是一种基于深度学习的目标检测模型，能够实时检测图像或视频中的目标对象。 3. 改进YOLOV5s模型：是指对YOLOV5s模型的改进，以提高模型的检测精度和检测速度。 4. 自校正卷积（SCC）：是一种特征...
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