《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：
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：
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：
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。
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：
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。
好了，这篇文章就介绍到这里，喜欢的小伙伴感谢给点个赞和关注，更多精彩内容持续更新~~
关于本篇文章大家有任何建议或意见，欢迎在评论区留言交流！
