Yolov5系列（一）——网络可视化工具netron

最新推荐文章于 2025-05-02 19:07:48 发布
最新推荐文章于 2025-05-02 19:07:48 发布
阅读量4.1k 收藏 21
点赞数 5
分类专栏： yolov5系列 文章标签： python 开发语言 深度学习 神经网络
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/weixin_51547017/article/details/125513464
版权
这篇博客介绍了如何利用netron工具来可视化yolov5系列的模型。首先，详细阐述了netron工具的功能和Windows系统的安装步骤。接着，讲解了将.pt模型转换为.onnx格式以适应netron的技巧，通过运行export.py脚本并安装onnx。最后，针对可能出现的ONNX导入失败问题，提出了使用pip安装onnx的解决方案。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

一、介绍

netron：网络可视化工具，使用这个软件可以清晰的展示网络模型的每一层的输入输出，网络的整体的架构，而且支持不同的网络框架。
类似下图：
在这里插入图片描述

二、安装步骤（介绍windows系统安装）

（其他版本可以参考博客）

1、打开此链接：Github下载链接

打开上述链接，划到下面 install，选择 windows 下载
在这里插入图片描述

2、选择下图所示Netron-Setup-5.8.9.exe，下载安装

在这里插入图片描述

3、安装成功之后显示如下：

<

最低0.47元/天 解锁文章
利用Netron查看YOLOv5的网络结构
WZT725的博客
04-19 2526
用Netron查看完整的YOLOv5网络结构！
YOLOv5系列(四十) 解读可视化工具Comet，ClearML，wandb，visdom(详尽)
专注于人工智能学习，总结
12-07 2452
Wandb是Weights & Biases的缩写，这款工具能够帮助跟踪你的机器学习项目。它能够自动记录模型训练过程中的超参数和输出指标，然后可视化和比较结果，并快速与同事共享结果。（感受到了yolov5作者对其极大的喜爱）wandb和tensorboard最大区别是tensorboard的数据是存在本地的，wandb是存在wandb远端服务器，wandb会为开发真创建一个账户并生成登陆api的key。运行自己程序之前需要先登陆wandb。
【yolo】使用 Netron 可视化深度学习模型：从 YOLOv1 到 YOLOv8 的探索
songhuangong123的博客
03-21 1012
Netron 是一个用于可视化神经网络模型结构的工具，支持多种深度学习框架的模型文件格式。模型可视化：支持 ONNX、TensorFlow、PyTorch、Keras 等格式，能够以图形化的方式展示模型的网络结构。参数查看：可以查看每一层的输入输出维度、权重参数等详细信息。跨框架支持：方便在不同框架之间进行模型转换和迁移。轻量化与易用性：提供网页版和桌面版，无需复杂配置即可使用。官网地址当我将一个onnx模型拖到网页时，你将得到一幅图。我主要看这个输出，你知道为啥是：198400吗？
YOLOv5目标检测可视化界面：一款强大的开源工具
gitblog_06532的博客
09-20 973
YOLOv5目标检测可视化界面：一款强大的开源工具 目标检测利用PyQT5搭建YOLOv5可视化界面 项目地址: https://gitcode.com/Resource-Bundle-Collection/55246 ...
【yolov5】改进系列——特征图可视化
capsule的博客
10-12 7814
六行代码实现：特征图提取与特征图可视化，可以实现分类网络的特征图可视化最近忙论文，想在yolov5上面做一些改进，看源码看了一段时间，动手改改代码做一些改进，所以做个一系列改进的记录。六行代码实现：特征图提取与特征图可视化，可以实现分类网络得特征图可视化。
YOLOv5转onnx格式文件，并将其用netron可视化
传统图像处理，深度学习，目标检测（分类，检测，分割），多目标追踪，部署等
11-10 3128
yolo目标检测
yolov5的网络结构输入输出讲解，利用netron工具进行分析，详细解释yolov5s的输入输出信息，进行tensorrt加速解析数据，网络模型最后一块中head/prediction的叠加过程讲解
pvmsmfchcs的博客
10-19 2271
name: output output的type: float32[1,25200,85]85=80分类+4个坐标+置信度 25200=80803+40403+20203（不同尺寸的卷积核计算，将计算结果进行拼接）
YOLOv5超详细的入门级教程（代码篇）（一）——网络结构可视化
“知识最大的敌人不是无知，而是错觉”
05-11 4677
Pytorch-YOLOv5Inference模型结构简单网络结构模型详细架构References 先说些废话，好久没写blog，最近一直在忙保研的乱七八糟的事，想要提加权、搞机试、搞科研经历、搞论文，发现自己无法focus在重点上，可以说是非常失败的开学前7周，接下来的两个月会focus在科研经历和论文上，再也不让乱七八糟的事情冲昏自己的头脑了！大不了就六七月份爆肝1个月acm题嘛！！我觉得我还是比较适合一个事情天天爆肝，思路断了之后效率可以说是低得很。 总之，状态在回到正轨上，要开始弯道超车了，哼。
yolov5.zip
07-11
YOLOv5是一种高效、准确的...综上所述，这个压缩包提供了YOLOv5不同规模模型的ONNX转换，以及在Netron中的可视化，对于理解YOLOv5的网络结构、进行模型迁移和优化，以及在各种环境下进行目标检测具有很高的参考价值。
Yolov5目标检测教程——环境配置、模型训练、C#部署
最新发布
Realkite的博客
05-02 1067
YOLOv5目标检测零基础教程：基础、细节、小白适用。
【目标检测-YOLO】YOLOv5-v5.0-yolov5s网络架构详解（第一篇）
博观约取，厚积薄发
03-18 2万+
源码：GitHub - ultralytics/yolov5 at v5.0 由于YOLO v5 代码库在持续更新，如上图，有多个版本，每个版本的网络结构不尽相同。以下内容以 v5.0 为准，网络结构选用 yolov5s。 为了方便画图和理解网络结构，选用可视化工具：Netron 网页版进行可视化， 然后使用PPT作图。 在Releases · ultralytics/yolov5 · GitHub找到 v5.0中的Assets 中的yolov5s.pt并下载该权重。 下图为直接......
深度学习模型结构查看工具 Netron-setup
11-04
深度学习模型结构可视化神器——Netron(支持tf, caffe, keras,mxnet等多种框架).
Netron-Setup-7.3.2.exe
03-11
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： 1.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、Core ML 等，因此可以加载和可视化多种类型的深度学习模型。 2.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。 3.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。 4.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-Setup-5.0.5.exe
08-04
网络模型的可视化工具
Netron-Setup-3.7.3
02-26
Netron-Setup-3.7.3，GitHub开源软件，用来可视化神经网络模型，模型的层、参数等等。
Netron-Setup-4.7.3.exe
01-26
`Netron`是神经网络、深度学习和机器学习模型的可视化工具。`Netron`支持以下模型的可视化： * **`ONNX`**：`.ONNX`，`.pb`，`.pbtxt` * **`Keras`**：`.h5`，`.Keras` * **`TensorFlow Lite`**：`.tflite` * **`Caffe`**：`.caffemodel`，`.prototxt` * **`Darknet`**：`.cfg` * **`Core ML`**：`.mlmodel` * **`MNN`**：`.MNN` * **`MXNet`**：`.model`、`-symbol.json`
Yolov3可视化网络结构图
热门推荐
江南研习社
05-20 5万+
该结构图由netron工具打开制作而成，如想安装netron工具，可移步大白的另一篇文章《网络可视化工具netron详细安装流程》
【学习经验分享NO.17】YOLOv7/YOLOv5完整网络模型可视化netron（含代码）
m0_70388905的博客
12-13 1275
YOLOv7/YOLOv5完整网络模型可视化netron（含代码）
开源项目推荐：基于PyQt5的YoloV5可视化检测工具
gitblog_00100的博客
06-15 495
开源项目推荐：基于PyQt5的YoloV5可视化检测工具 YoloV5_PyQt5Add gui for YoloV5 using PyQt5项目地址:https://gitcode.com/gh_mirrors/yo/YoloV5_PyQt5 在机器视觉领域，实时的目标检测一直是众多开发者关注的热点。今天，我们带来一款融合了高效目标检测算法——YoloV5与强大图形界面库PyQt5的开源项目。...
我正在编辑【python】代码，遇到了 【PyTorch: starting from 'best.pt' with input shape (1, 3, 640, 640) BCHW and output shape(s) (1, 5, 8400) (6.0 MB) Traceback (most recent call last): File "C:\Users\15492\Desktop\ultralytics-main\export.py", line 5, in <module> success = model.export(format="onnx", batch=1) File "C:\Users\15492\Desktop\ultralytics-main\ultralytics\engine\model.py", line 734, in export return Exporter(overrides=args, _callbacks=self.callbacks)(model=self.model) File "D:\Anaconda\envs\yolov8_2\lib\site-packages\torch\utils\_contextlib.py", line 116, in decorate_context return func(*args, **kwargs) File "C:\Users\15492\Desktop\ultralytics-main\ultralytics\engine\exporter.py", line 326, in __call__ f[2], _ = self.export_onnx() File "C:\Users\15492\Desktop\ultralytics-main\ultralytics\engine\exporter.py", line 144, in outer_func raise e File "C:\Users\15492\Desktop\ultralytics-main\ultralytics\engine\exporter.py", line 139, in outer_func f, model = inner_func(*args, **kwargs) File "C:\Users\15492\Desktop\ultralytics-main\ultralytics\engine\exporter.py", line 417, in export_onnx import onnx # noqa ModuleNotFoundError: No module named 'onnx' requirements: Ultralytics requirements ['onnx>=1.12.0', 'onnxslim', 'onnxruntime'] not found, attempting AutoUpdate... requirements: ❌ AutoUpdate skipped (offline) ONNX: export failure ❌ 0.0s: No module named 'onnx'】 ，请帮我检查并改正错误点。我的原始代码如下： 【from ultralytics import YOLO model = YOLO("best.pt") success = model.export(format="onnx", batch=1)】
03-29
<think>嗯，用户在使用YOLO模型导出到ONNX格式时遇到了错误，提示找不到'onnx'模块。首先，我需要分析错误信息。错误日志显示ModuleNotFoundError: No module named 'onnx'，这说明系统环境中确实没有安装ONNX包。用户使用的是Ultralytics的导出功能，而该功能依赖ONNX的相关库，比如onnx、onnxslim和onnxruntime。 接下来，用户提到requirements检测到缺少这些包，并且尝试自动更新失败，可能是因为处于离线状态。所以，解决问题的直接方法应该是手动安装这些缺失的依赖项。需要确认用户是否已经正确安装这些包，如果没有，指导用户通过pip安装。 用户提供的代码本身看起来没有问题，导出ONNX的步骤是正确的。因此，问题根源在于环境配置。需要检查用户的环境是否激活了正确的Python环境，比如使用conda时是否激活了对应的环境。有时候用户可能安装了包到全局环境，而当前使用的是虚拟环境，导致包未找到。 另外，安装onnxruntime时要注意版本兼容性，可能需要指定版本以避免冲突。安装完成后，建议用户重新运行代码，验证是否解决。如果问题依旧，可能需要检查其他依赖或考虑升级Ultralytics库。最后，确保导出时的参数正确，比如输入形状是否符合模型要求，但根据错误信息，当前问题主要还是依赖缺失。</think>根据错误信息和代码分析，问题核心在于缺少ONNX依赖库。以下是逐步解决方案： $\boxed{\text{错误原因分析}}$ 1. 关键错误提示：`ModuleNotFoundError: No module named 'onnx'` 2. 系统检测到未安装Ultralytics要求的依赖项：`['onnx>=1.12.0', 'onnxslim', 'onnxruntime']` 3. 自动更新失败：可能由于网络问题导致无法自动安装 $\boxed{\text{解决方案}}$ 1. $\textcolor{blue}{\text{手动安装缺失的依赖}}$ ```bash # 激活你的conda环境（如果是conda环境） conda activate yolov8_2 # 安装核心依赖 pip install onnx>=1.12.0 onnxslim onnxruntime # 推荐额外安装protobuf（避免后续潜在错误） pip install protobuf==3.20.* ``` 2. $\textcolor{blue}{\text{验证安装}}$ ```python # 在Python中执行以下命令验证 import onnx import onnxruntime print(onnx.__version__) # 应显示 >=1.12.0 ``` 3. $\textcolor{blue}{\text{修改后的代码验证}}$ ```python from ultralytics import YOLO # 加载模型时显式指定输入尺寸（增强兼容性） model = YOLO("best.pt", task="detect") # 明确指定任务类型 # 导出时添加动态维度支持 success = model.export( format="onnx", batch=1, dynamic=True, # 添加动态维度支持 simplify=True # 启用onnx-simplifier ) ``` $\boxed{\text{注意事项}}$ 1. 确保使用的Python环境与conda环境`yolov8_2`一致 2. 如果使用GPU加速，需安装`onnxruntime-gpu`而非`onnxruntime` 3. 输入尺寸`(1, 3, 640, 640)`需要与原始训练配置一致 4. 输出层维度`(1, 5, 8400)`符合YOLOv8的默认输出结构，无需修改 $\boxed{\text{附加建议}}$ 1. 升级Ultralytics库至最新版本： ```bash pip install ultralytics --upgrade ``` 2. 检查CUDA/cuDNN版本与onnxruntime的兼容性 3. 如果导出仍失败，尝试添加`opset=12`参数： ```python success = model.export(format="onnx", batch=1, opset=12) ```
评论 1
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