使用thop库对yolo等深度学习模型的FLOPS进行计算

最新推荐文章于 2024-08-06 10:53:28 发布
最新推荐文章于 2024-08-06 10:53:28 发布
阅读量2.9k 收藏 5
点赞数 2
分类专栏： YOLO网络学习 深度学习 目标检测随机 记录 文章标签： 深度学习
本文章内容均来源于收藏别人博客的内容，为了自己快乐，就不注明转载了，因为就算写着玩了，侵权了请联系我删除，抱歉了，看原文请移步最下方！
本文链接：https://blog.csdn.net/weixin_51697369/article/details/123529716
版权
本文介绍了如何利用thop库来计算深度学习模型如YOLO的FLOPS，特别提到了该方法能解决原有计算脚本的bug，以YOLOv5-Lite为例，提供了一种更简便的模型性能评估方式。
摘要由CSDN通过智能技术生成

据说yolov5原来的FLOPS计算脚本有bug，因此这个大神推荐使用thop库进行计算，代码如下：

input = torch.randn(1, 3, 416, 416)
flops, params = thop.profile(model, inputs=(input
最低0.47元/天 解锁文章
沉醉，于风中
关注
专栏目录
【YOLOv8改进[Neck]】使用BiFPN助力V8更优秀
静谧、淡雅
04-17 1908
使用BiFPN助力V8更优秀
YOLOv8改进 | 主干篇 | 低照度增强网络PE-YOLO改进主干（改进暗光条件下的物体检测模型）
Snu77的博客
01-17 4266
本文给大家带来的改进机制是低照度图像增强网络PE-YOLO中的PENet，PENet通过拉普拉斯金字塔将图像分解成多个分辨率的组件，增强图像细节和低频信息。它包括一个细节处理模块（DPM），用于通过上下文分支和边缘分支增强图像细节，以及一个低频增强滤波器（LEF），以捕获低频语义并减少高频噪声。同时该网络的发布版本并不完善，存在二次创新的机会，后期我会将其网络进行二次创新，增强低照度的检测性能。同时该网络发布版本存在Bug我也已经修复。欢迎大家订阅本专栏，本专栏每周更新3-5篇最新机制，更有包含我所有改进的
Yolov5 计算访存量MAC与计算量FLOPS
m0_46093829的博客
12-02 3510
Yolov5 计算访存量MAC与计算量FLOPS
深度学习常用参数量、FLOPs计算公式
m0_61348166的博客
03-28 450
1.参数量：kernel_size（3*3） * in_channel * out_channel/in_channel =kernel_size*out_channel。1.参数量：kernel_size（3*3） * in_channel/G * out_channel/G * G。1.参数量：kernel_size（3*3） * in_channel * out_channel。
DETR，YOLO模型计算量(FLOPs)参数量(Params)
pengxiang1998的博客
08-11 5006
关于计算量(FLOPs)参数量(Params)的一个直观理解，便是计算量对应时间复杂度，参数量对应空间复杂度，即计算量要看网络执行时间的长短，参数量要看占用显存的量。计算量： FLOPs，FLOP时指浮点运算次数，s是指秒，即每秒浮点运算次数的意思，考量一个网络模型的计算量的标准。参数量： Params，是指网络模型中需要训练的参数总数。了解以上概念后，接下来便是如何计算这两个值。一个很常见的方法便是通过ptflos包来实现。这段代码可以说是即插即用。
YoloV1网络尺寸及FlOPS计算
zzzcl112的博客
04-22 2586
以Conv1为例： input：448x448x448 conv ksize：7x7x3（64），strides=2，padding=3 output dimension：(448 + 2 x 3 - 7) / 2 + 1 = 224.5（向下取整）=>>224x224x64 params：7 x 7 x 3 x 64 + 64(biases) = 9.472K FLOPS...
【YOLOv5-6.x】模型参数量param及计算量FLOPs解析
热门推荐
weixin_43799388的博客
04-02 4万+
文章目录前言参数量param和计算量FLOPs简介参数量计算量YOLOv5计算模型参数训练和验证输出模型参数不同的原因分析输出模型参数结果（以YOLOv5s-coco2017为例）参数不同的原因分析Reference 前言 评价一个用深度学习框架搭建的神经网络模型，除了精确度（比如目标检测中常用的map）指标之外，模型复杂度也必须要考虑，通常用正向推理的计算量(FLOPs)和参数个数(Parameters)来描述模型的复杂度。   参数量param和计算量FLOPs简介 参数量 有参数的层主要包
【YOLOv8改进[Backbone]】使用MobileNetV3助力YOLOv8网络结构轻量化并助力涨点
静谧、淡雅
04-19 2227
【YOLOv8改进[Backbone]】使用MobileNetV3助力YOLOv8网络结构轻量化并助力涨点
YOLO8训练遇到的各种报错及解决方案
最新发布
专注于图像领域，主要研究内容包括计算机视觉和深度学习，特别是在图像分类、目标检测和图像生成等方面有深入的研究和实践经验。
08-06 223
在Windows系统中，由于其多进程模型的特殊性，使用多进程加载数据时经常会遇到问题。在Linux系统中，通常可以使用多个子进程进行数据加载，但在Windows系统中必须将进程数设置为单进程来避免错误。此问题可能是当前使用的GPU正在被其他应用程序占用，导致显存不足。需要关闭其他应用程序以释放显存。这是由于Pillow版本问题，最新的10.0版本会产生上述问题。虽然调整后会在一定程度上影响模型的泛化能力并容易导致过拟合，但在必要时可以将。降低PyTorch和CUDA版本。使用device指定GPU。
Yolo-Fastest:Yolo通用目标检测模型与EfficientNet-lite结合使用，计算量仅为230Mflops（0.23Bflops），模型大小为1.3MB
03-17
:high_voltage: Yolo-Fastest :high_voltage: 简单，快速，紧凑，易于移植 适用于所有平台的实时目标检测算法 基于yolo的最快和最小的已知通用目标检测算法 针对ARM移动终端的优化设计，经过优化以支持推理框架 基于RK3399，Raspberry Pi 4b ...和其他嵌入式设备上部署的NCNN，可实现完整的实时30fps + 速度比快45％，参数量减少了56％ 2021.3.16：修复分组卷积在某些旧架构GPU推理耗时异常的问题 中文介绍 2021.9.12：更新NCNN相机演示 参见AlexeyAB / darknet，此版本的darknet修复分组卷积在某些旧架构GPU推理耗时异常的问题（例如1050ti：40ms-> 4ms速度提升10倍），强烈建议使用此仓库框架训练模型 与AlexeyAB / darknet相比，此版本的Darknet解决了一些旧架构GPU中分组卷积异常耗时的推
MobileNet-Yolo：MobileNetV2-YoloV3-Nano：0.5BFlops 3MB华为P40：6msimg，YoloFace-500k：0.1Bflops 420KB
02-05
Yolo-Fastest：更快更强大 此表中NCNN基准未更新最新ARM82数据，最新版本NCNN理论上ARM82会有一倍速度提升，待更新... 添加基于ncnn的106关键点C示例： : ***在某些GPU（例如NVIDIA PASCAL）上并没有很好地支持Darknet Group卷积！ 针对某些Pascalscal例如1080ti在darknet上训练失败/训练异常缓慢/推理速度异常的可以采用Pytorch版yolo3框架训练/推理 MobileNetV2-YOLOv3-Lite＆Nano Darknet 移动推理框架基准测试（4 * ARM_CPU） 网络 挥发性有机化合物含
Python中Thop库的基本介绍和参数说明
dejahu的博客
02-20 3505
THOP（Torch-OpCounter）是一个用于计算PyTorch模型操作数和计算量的工具。通过这个库，开发者可以更好地理解和评估模型的复杂度，这对于模型优化和性能调优是非常有帮助的。具体来说，使用THOP，可以对定义的PyTorch模型进行分析，统计出模型所包含的各种操作的数量以及模型的计算量。这对于理解模型的运行效率、找出可能的性能瓶颈以及优化模型结构都是非常重要的。在Python中使用THOP库的基本步骤包括：首先安装THOP库，这通常可以通过pip命令进行安装；
关于Yolov7-tiny模型瘦身（param、FLOPs）碎碎念
yjcccccc的博客
12-15 9463
优于模型落地需要，yolov7-tiny版本的参数量(Param)为6.2M，FLOPs在输入为320*320下为3.46G，想着还能不能再进行减少这两者或其中之一(精度方面还未做效果验证)。
Pytorch: 采用thop库正确计算模型计算量FLOPs和模型参数Params 【误区更正】
weixin_42627397的博客
05-14 9412
thop 计算flops和params 【重要误区更正】 要注意的是thop返回的第一个element不是FLOPs，而是Macs.而Macs实际上是FLOPs的两倍！！！ 上面这一点要尤其注意，现在百度上所查到的基本所有有关thop计算FLOPs的文章都是错误的！！！
使用thop库分析模型的参数量、运算量、帧率
一只大憨憨的博客
06-12 1294
GFLOPs FLOPs 是浮点运算次数，可以用来衡量算法/模型复杂度GFLOPs。为十亿（1e9）次的浮点运算。Latency 网络前向传播的时间，1 ms=1e-3 s，10.5ms=0.0105s。FPS 每秒传输帧数，FPS=1/Latency，1/0.0105=95.2。Parameters 参数量，指模型含有多少参数。测试模型参数量和Flops。
Pytorch中计算自己模型的FLOPs | thop.profile() 方法 | yolov5s 网络模型参数量、计算量统计
专注于AI领域前沿技术学习与分享：目标检测、图像修复、超分重建、AI工程化
02-07 2万+
Pytorch中计算自己模型的FLOPs pytorch-OpCounter GitHub 主页： https://github.com/Lyken17/pytorch-OpCounter pip install thop 运行该项目评估代码 python benchmark/evaluate_famous_models.py 运行输出如下 Model Params(M) FLOPs(G)
【深度学习笔记】打印模型的FLOPS，使用python的thop库
lanmeiguojj的博客
03-31 902
它是一个用于计算PyTorch模型的FLOPs和参数数量的库。2 导入需要计算 FLOPs 的模型和。
【YOLOv5问题记录】thop库的安装
weixin_51972142的博客
05-05 1万+
YOLOv5问题-thop库的安装
pytorch 模型复杂度计算
10-19
使用thop库，你可以方便地在计算设备上评估深度学习模型的计算量。具体来说，你可以按照以下步骤计算模型的FLOPs和参数数量： 1. 安装thop库：你可以通过pip安装thop库，或者从GitHub上下载源代码并手动安装。 2. ...
评论 2
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