yolov5实战分析

1、获得模型的推理时间（或者说FPS）

python val.py --data coco.yaml --img 640 --weight runs/train/exp1/weights/best.pt --task speed --batch-size 1

pre-process：图像预处理时间，包括图像保持长宽比缩放和padding填充，通道变换（HWC->CHW）和升维处理等；inference：推理速度，指预处理之后的图像输入模型到模型输出结果的时间；NMS ：你可以理解为后处理时间，对模型输出结果经行转换等；
FPS=1000ms除以这三个时间之和

2、获得模型的大小

要查看YOLO模型的大小和参数量，你可以使用相关的深度学习库和工具，比如TensorFlow、PyTorch或Darknet。
以下是一些常用的方法：

1. 使用Darknet（YOLO的原始实现）
Darknet是YOLO的原始实现，它提供了一个用于训练和测试YOLO模型的工具。

要查看YOLO模型的大小和参数量，你可以在Darknet目录下的命令行中输入以下命令：

./darknet detector calc_network yolov3.cfg yolov3.weights

这里yolov3.cfg是YOLOv3的配置文件，yolov3.weights是训练好的权重文件。上述命令将输出模型的信息，包括总参数量。

2. 使用Python和深度学习库

如果你使用了深度学习库如TensorFlow或PyTorch来实现YOLO，你可以通过加载模型并使用相应的函数来查看模型的大小和参数量。

以下是使用TensorFlow为例：

import tensorflow as tf

model = tf.keras.models.load_model('path_to_your_yolov3_model.h5') # 加载模型

# 查看模型的结构
model.summary()

# 查看模型的总参数量
total_parameters = sum(p.numel() for p in model.trainable_variables)
print(f"Total parameters: {total_parameters}")

请将 path_to_your_yolov3_model.h5 替换成你训练好的YOLO模型的路径。

3. 使用PyTorch

类似地，如果你使用PyTorch来实现YOLO，你可以通过以下方法来查看模型的大小和参数量：

import torch

model = torch.load('path_to_your_yolov3_model.pth') # 加载模型

# 查看模型的结构
print(model)

# 查看模型的总参数量
total_parameters = sum(p.numel() for p in model.parameters())
print(f"Total parameters: {total_parameters}")

请将以下内容替换成你训练好的YOLO模型的路径。

path_to_your_yolov3_model.pth 

记得在使用前先安装相应的库并导入它们。这些方法可以帮助你查看YOLO模型的大小和参数量，以便更好地了解模型的复杂度和资源需求。