YOLOv8打印模型结构配置信息并查看网络模型详细参数:参数量、计算量(GFLOPS)

《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------》

在这里插入图片描述

前言

本文主要介绍如何打印并且查看YOLOv8网络模型的网络结构配置信息、每一层结构详细信息、以及参数量、计算量等模型相关信息。 该方法同样适用于改进后的模型网络结构信息及相关参数查看。可用于不同模型进行参数量、计算量等对比使用。

查看配置文件结构信息

在这里插入图片描述
在每次进行YOLOv8模型训练前,都会打印相应的模型结构信息,如上图。但是如何自己能够直接打印出上述网络结构配置信息呢?,博主通过查看源码发现,信息是在源码DetectionModel类中,打印出来的。因此我们直接使用该类,传入我们自己的模型配置文件,运行该类即可,代码如下:

class DetectionModel(BaseModel):
    """YOLOv8 detection model."""

    def __init__(self, cfg="yolov8n.yaml", ch=3, nc=None, verbose=True):  # model, input channels, number of classes
        """Initialize the YOLOv8 detection model with the given config and parameters."""
        super().__init__()
        self.yaml = cfg if isinstance(cfg, dict) else yaml_model_load(cfg)  # cfg dict

        # Define model
        ch = self.yaml["ch"] = self.yaml.get("ch", ch)  # input channels
        if nc and nc != self.yaml["nc"]:
            LOGGER.info(f"Overriding model.yaml nc={self.yaml['nc']} with nc={nc}")
            self.yaml["nc"] = nc  # override YAML value
        self.model, self.save = parse_model(deepcopy(self.yaml), ch=ch, verbose=verbose)  # model, savelist
        self.names = {i: f"{i}" for i in range(self.yaml["nc"])}  # default names dict
        self.inplace = self.yaml.get("inplace", True)

        # Build strides
        m = self.model[-1]  # Detect()
        if isinstance(m, Detect):  # includes all Detect subclasses like Segment, Pose, OBB, WorldDetect
            s = 256  # 2x min stride
            m.inplace = self.inplace
            forward = lambda x: self.forward(x)[0] if isinstance(m, (Segment, Pose, OBB)) else self.forward(x)
            m.stride = torch.tensor([s / x.shape[-2] for x in forward(torch.zeros(1, ch, s, s))])  # forward
            self.stride = m.stride
            m.bias_init()  # only run once
        else:
            self.stride = torch.Tensor([32])  # default stride for i.e. RTDETR

        # Init weights, biases
        initialize_weights(self)
        if verbose:
            self.info()
            LOGGER.info("")

# 模型网络结构配置文件路径
yaml_path = 'ultralytics/cfg/models/v8/yolov8n.yaml'
# 改进的模型结构路径
# yaml_path = 'ultralytics/cfg/models/v8/yolov8n-CBAM.yaml'  
# 传入模型网络结构配置文件cfg, nc为模型检测类别数
DetectionModel(cfg=yaml_path,nc=5)

运行代码后,打印结果如下:
在这里插入图片描述
打印结果说明:
可以看到模型配置文件一共有23行,params为每一层的参数量大小,module为每一层的结构名称,arguments为每一层结构需要传入的参数。最后一行summary为总的信息参数,模型一共有225层,参参数量(parameters)为:3157200,计算量GFLOPs为:8.9.

查看详细的网络结构

上面只是打印出了网络配置文件每一层相关的信息,如果我们想看更加细致的每一步信息,可以直接使用model.info()来进行查看,代码如下:

加载训练好的模型或者网络结构配置文件

from ultralytics import YOLO
# 加载训练好的模型或者网络结构配置文件
model = YOLO('best.pt')
# model = YOLO('ultralytics/cfg/models/v8/yolov8n.yaml')

打印模型参数信息:

# 打印模型参数信息
print(model.info())

结果如下:
在这里插入图片描述
打印模型每一层结构信息:
在上面代码中加入detailed参数即可。

print(model.info(detailed=True))

打印信息如下:

layer                                     name  gradient   parameters                shape         mu      sigma
    0                      model.0.conv.weight     False          432        [16, 3, 3, 3]   -0.00404      0.153 torch.float32
    1                        model.0.bn.weight     False           16                 [16]       2.97       1.87 torch.float32
    2                          model.0.bn.bias     False           16                 [16]      0.244       4.17 torch.float32
    3                      model.1.conv.weight     False         4608       [32, 16, 3, 3]  -3.74e-05     0.0646 torch.float32
    4                        model.1.bn.weight     False           32                 [32]       5.01       1.12 torch.float32
    5                          model.1.bn.bias     False           32                 [32]      0.936       1.51 torch.float32
    6                  model.2.cv1.conv.weight     False         1024       [32, 32, 1, 1]    -0.0103     0.0918 torch.float32
    7                    model.2.cv1.bn.weight     False           32                 [32]       2.21       1.39 torch.float32
    8                      model.2.cv1.bn.bias     False           32                 [32]      0.803       1.39 torch.float32
    9                  model.2.cv2.conv.weight     False         1536       [32, 48, 1, 1]   -0.00279     0.0831 torch.float32
   10                    model.2.cv2.bn.weight     False           32                 [32]       1.21      0.576 torch.float32
   11                      model.2.cv2.bn.bias     False           32                 [32]      0.542       1.13 torch.float32
   12              model.2.m.0.cv1.conv.weight     False         2304       [16, 16, 3, 3]  -0.000871     0.0574 torch.float32
   13                model.2.m.0.cv1.bn.weight     False           16                 [16]       2.36      0.713 torch.float32
   14                  model.2.m.0.cv1.bn.bias     False           16                 [16]       1.02       1.71 torch.float32
   15              model.2.m.0.cv2.conv.weight     False         2304       [16, 16, 3, 3]   -0.00071       0.05 torch.float32
   16                model.2.m.0.cv2.bn.weight     False           16                 [16]       2.11      0.519 torch.float32
   17                  model.2.m.0.cv2.bn.bias     False           16                 [16]       0.92        1.9 torch.float32
   18                      model.3.conv.weight     False        18432       [64, 32, 3, 3]   -0.00137     0.0347 torch.float32
   19                        model.3.bn.weight     False           64                 [64]      0.818      0.206 torch.float32
   20                          model.3.bn.bias     False           64                 [64]      0.249      0.936 torch.float32
   21                  model.4.cv1.conv.weight     False         4096       [64, 64, 1, 1]   -0.00235     0.0553 torch.float32
   22                    model.4.cv1.bn.weight     False           64                 [64]      0.824      0.359 torch.float32
   23                      model.4.cv1.bn.bias     False           64                 [64]       0.26      0.779 torch.float32
   24                  model.4.cv2.conv.weight     False         8192      [64, 128, 1, 1]    -0.0019     0.0474 torch.float32
   25                    model.4.cv2.bn.weight     False           64                 [64]      0.718       0.21 torch.float32
   26                      model.4.cv2.bn.bias     False           64                 [64]      -0.05      0.754 torch.float32
   27              model.4.m.0.cv1.conv.weight     False         9216       [32, 32, 3, 3]   -0.00178     0.0368 torch.float32
   28                model.4.m.0.cv1.bn.weight     False           32                 [32]      0.751      0.154 torch.float32
   29                  model.4.m.0.cv1.bn.bias     False           32                 [32]     -0.263      0.629 torch.float32
   30              model.4.m.0.cv2.conv.weight     False         9216       [32, 32, 3, 3]   -0.00156     0.0346 torch.float32
   31                model.4.m.0.cv2.bn.weight     False           32                 [32]      0.769      0.203 torch.float32
   32                  model.4.m.0.cv2.bn.bias     False           32                 [32]      0.183      0.694 torch.float32
   33              model.4.m.1.cv1.conv.weight     False         9216       [32, 32, 3, 3]   -0.00209     0.0339 torch.float32
   34                model.4.m.1.cv1.bn.weight     False           32                 [32]      0.686      0.106 torch.float32
   35                  model.4.m.1.cv1.bn.bias     False           32                 [32]      -0.82      0.469 torch.float32
   36              model.4.m.1.cv2.conv.weight     False         9216       [32, 32, 3, 3]   -0.00253     0.0309 torch.float32
   37                model.4.m.1.cv2.bn.weight     False           32                 [32]       1.05      0.242 torch.float32
   38                  model.4.m.1.cv2.bn.bias     False           32                 [32]      0.523      0.868 torch.float32
   39                      model.5.conv.weight     False        73728      [128, 64, 3, 3]  -0.000612     0.0224 torch.float32
   40                        model.5.bn.weight     False          128                [128]      0.821      0.231 torch.float32
   41                          model.5.bn.bias     False          128                [128]     -0.235      0.678 torch.float32
   42                  model.6.cv1.conv.weight     False        16384     [128, 128, 1, 1]   -0.00307     0.0347 torch.float32
   43                    model.6.cv1.bn.weight     False          128                [128]      0.895      0.398 torch.float32
   44                      model.6.cv1.bn.bias     False          128                [128]     -0.134      0.746 torch.float32
   45                  model.6.cv2.conv.weight     False        32768     [128, 256, 1, 1]   -0.00204     0.0303 torch.float32
   46                    model.6.cv2.bn.weight     False          128                [128]      0.773      0.205 torch.float32
   47                      model.6.cv2.bn.bias     False          128                [128]     -0.584      0.755 torch.float32
   48              model.6.m.0.cv1.conv.weight     False        36864       [64, 64, 3, 3]   -0.00186     0.0232 torch.float32
   49                model.6.m.0.cv1.bn.weight     False           64                 [64]       1.06      0.176 torch.float32
   50                  model.6.m.0.cv1.bn.bias     False           64                 [64]     -0.915      0.598 torch.float32
   51              model.6.m.0.cv2.conv.weight     False        36864       [64, 64, 3, 3]   -0.00196     0.0221 torch.float32
   52                model.6.m.0.cv2.bn.weight     False           64                 [64]      0.833       0.25 torch.float32
   53                  model.6.m.0.cv2.bn.bias     False           64                 [64]    -0.0806      0.526 torch.float32
   54              model.6.m.1.cv1.conv.weight     False        36864       [64, 64, 3, 3]   -0.00194     0.0225 torch.float32
   55                model.6.m.1.cv1.bn.weight     False           64                 [64]      0.916      0.178 torch.float32
   56                  model.6.m.1.cv1.bn.bias     False           64                 [64]      -1.13      0.732 torch.float32
   57              model.6.m.1.cv2.conv.weight     False        36864       [64, 64, 3, 3]   -0.00147     0.0213 torch.float32
   58                model.6.m.1.cv2.bn.weight     False           64                 [64]       1.18      0.278 torch.float32
   59                  model.6.m.1.cv2.bn.bias     False           64                 [64]      0.206      0.767 torch.float32
   60                      model.7.conv.weight     False       294912     [256, 128, 3, 3]  -0.000707     0.0142 torch.float32
   61                        model.7.bn.weight     False          256                [256]      0.961      0.197 torch.float32
   62                          model.7.bn.bias     False          256                [256]     -0.718      0.451 torch.float32
   63                  model.8.cv1.conv.weight     False        65536     [256, 256, 1, 1]   -0.00323     0.0224 torch.float32
   64                    model.8.cv1.bn.weight     False          256                [256]       1.14       0.33 torch.float32
   65                      model.8.cv1.bn.bias     False          256                [256]     -0.734      0.573 torch.float32
   66                  model.8.cv2.conv.weight     False        98304     [256, 384, 1, 1]   -0.00194     0.0198 torch.float32
   67                    model.8.cv2.bn.weight     False          256                [256]       1.19      0.223 torch.float32
   68                      model.8.cv2.bn.bias     False          256                [256]     -0.689      0.486 torch.float32
   69              model.8.m.0.cv1.conv.weight     False       147456     [128, 128, 3, 3]    -0.0011     0.0152 torch.float32
   70                model.8.m.0.cv1.bn.weight     False          128                [128]       1.14      0.205 torch.float32
   71                  model.8.m.0.cv1.bn.bias     False          128                [128]     -0.821       0.72 torch.float32
   72              model.8.m.0.cv2.conv.weight     False       147456     [128, 128, 3, 3]   -0.00112     0.0151 torch.float32
   73                model.8.m.0.cv2.bn.weight     False          128                [128]       1.65      0.369 torch.float32
   74                  model.8.m.0.cv2.bn.bias     False          128                [128]       -0.2      0.606 torch.float32
   75                  model.9.cv1.conv.weight     False        32768     [128, 256, 1, 1]   -0.00452     0.0257 torch.float32
   76                    model.9.cv1.bn.weight     False          128                [128]      0.926      0.251 torch.float32
   77                      model.9.cv1.bn.bias     False          128                [128]       1.43      0.654 torch.float32
   78                  model.9.cv2.conv.weight     False       131072     [256, 512, 1, 1]  -0.000201      0.018 torch.float32
   79                    model.9.cv2.bn.weight     False          256                [256]      0.936      0.257 torch.float32
   80                      model.9.cv2.bn.bias     False          256                [256]      -1.27      0.828 torch.float32
   81                 model.12.cv1.conv.weight     False        49152     [128, 384, 1, 1]   -0.00243     0.0255 torch.float32
   82                   model.12.cv1.bn.weight     False          128                [128]       0.87      0.224 torch.float32
   83                     model.12.cv1.bn.bias     False          128                [128]     -0.373      0.821 torch.float32
   84                 model.12.cv2.conv.weight     False        24576     [128, 192, 1, 1]   -0.00462     0.0284 torch.float32
   85                   model.12.cv2.bn.weight     False          128                [128]       0.73      0.201 torch.float32
   86                     model.12.cv2.bn.bias     False          128                [128]     -0.281      0.661 torch.float32
   87             model.12.m.0.cv1.conv.weight     False        36864       [64, 64, 3, 3]    -0.0022     0.0224 torch.float32
   88               model.12.m.0.cv1.bn.weight     False           64                 [64]      0.832      0.134 torch.float32
   89                 model.12.m.0.cv1.bn.bias     False           64                 [64]     -0.841      0.611 torch.float32
   90             model.12.m.0.cv2.conv.weight     False        36864       [64, 64, 3, 3]  -0.000787     0.0213 torch.float32
   91               model.12.m.0.cv2.bn.weight     False           64                 [64]      0.824      0.182 torch.float32
   92                 model.12.m.0.cv2.bn.bias     False           64                 [64]     -0.107      0.636 torch.float32
   93                 model.15.cv1.conv.weight     False        12288      [64, 192, 1, 1]   -0.00189     0.0321 torch.float32
   94                   model.15.cv1.bn.weight     False           64                 [64]      0.536      0.215 torch.float32
   95                     model.15.cv1.bn.bias     False           64                 [64]       0.16      0.967 torch.float32
   96                 model.15.cv2.conv.weight     False         6144       [64, 96, 1, 1]   -0.00124     0.0364 torch.float32
   97                   model.15.cv2.bn.weight     False           64                 [64]      0.561      0.275 torch.float32
   98                     model.15.cv2.bn.bias     False           64                 [64]      0.127      0.942 torch.float32
   99             model.15.m.0.cv1.conv.weight     False         9216       [32, 32, 3, 3]   -0.00236     0.0306 torch.float32
  100               model.15.m.0.cv1.bn.weight     False           32                 [32]      0.663       0.14 torch.float32
  101                 model.15.m.0.cv1.bn.bias     False           32                 [32]     -0.567      0.583 torch.float32
  102             model.15.m.0.cv2.conv.weight     False         9216       [32, 32, 3, 3]   -0.00152     0.0289 torch.float32
  103               model.15.m.0.cv2.bn.weight     False           32                 [32]      0.741      0.161 torch.float32
  104                 model.15.m.0.cv2.bn.bias     False           32                 [32]       0.21      0.786 torch.float32
  105                     model.16.conv.weight     False        36864       [64, 64, 3, 3]  -0.000977     0.0176 torch.float32
  106                       model.16.bn.weight     False           64                 [64]      0.842      0.216 torch.float32
  107                         model.16.bn.bias     False           64                 [64]     -0.389      0.592 torch.float32
  108                 model.18.cv1.conv.weight     False        24576     [128, 192, 1, 1]   -0.00217     0.0241 torch.float32
  109                   model.18.cv1.bn.weight     False          128                [128]      0.876      0.208 torch.float32
  110                     model.18.cv1.bn.bias     False          128                [128]     -0.307      0.611 torch.float32
  111                 model.18.cv2.conv.weight     False        24576     [128, 192, 1, 1]   -0.00254     0.0237 torch.float32
  112                   model.18.cv2.bn.weight     False          128                [128]      0.726      0.297 torch.float32
  113                     model.18.cv2.bn.bias     False          128                [128]     -0.434      0.761 torch.float32
  114             model.18.m.0.cv1.conv.weight     False        36864       [64, 64, 3, 3]   -0.00257     0.0203 torch.float32
  115               model.18.m.0.cv1.bn.weight     False           64                 [64]      0.798      0.175 torch.float32
  116                 model.18.m.0.cv1.bn.bias     False           64                 [64]     -0.773      0.493 torch.float32
  117             model.18.m.0.cv2.conv.weight     False        36864       [64, 64, 3, 3]    -0.0014     0.0195 torch.float32
  118               model.18.m.0.cv2.bn.weight     False           64                 [64]       1.19      0.285 torch.float32
  119                 model.18.m.0.cv2.bn.bias     False           64                 [64]      -0.07      0.668 torch.float32
  120                     model.19.conv.weight     False       147456     [128, 128, 3, 3]  -0.000819     0.0118 torch.float32
  121                       model.19.bn.weight     False          128                [128]      0.876       0.21 torch.float32
  122                         model.19.bn.bias     False          128                [128]     -0.508      0.365 torch.float32
  123                 model.21.cv1.conv.weight     False        98304     [256, 384, 1, 1]   -0.00166     0.0159 torch.float32
  124                   model.21.cv1.bn.weight     False          256                [256]       1.06      0.225 torch.float32
  125                     model.21.cv1.bn.bias     False          256                [256]     -0.592      0.579 torch.float32
  126                 model.21.cv2.conv.weight     False        98304     [256, 384, 1, 1]   -0.00257     0.0148 torch.float32
  127                   model.21.cv2.bn.weight     False          256                [256]       1.03      0.317 torch.float32
  128                     model.21.cv2.bn.bias     False          256                [256]     -0.893      0.491 torch.float32
  129             model.21.m.0.cv1.conv.weight     False       147456     [128, 128, 3, 3]   -0.00142     0.0129 torch.float32
  130               model.21.m.0.cv1.bn.weight     False          128                [128]       1.03      0.223 torch.float32
  131                 model.21.m.0.cv1.bn.bias     False          128                [128]      -0.96      0.618 torch.float32
  132             model.21.m.0.cv2.conv.weight     False       147456     [128, 128, 3, 3]   -0.00124     0.0128 torch.float32
  133               model.21.m.0.cv2.bn.weight     False          128                [128]       1.35      0.253 torch.float32
  134                 model.21.m.0.cv2.bn.bias     False          128                [128]     -0.553      0.516 torch.float32
  135             model.22.cv2.0.0.conv.weight     False        36864       [64, 64, 3, 3]   -0.00193     0.0181 torch.float32
  136               model.22.cv2.0.0.bn.weight     False           64                 [64]       0.88      0.351 torch.float32
  137                 model.22.cv2.0.0.bn.bias     False           64                 [64]     -0.492      0.707 torch.float32
  138             model.22.cv2.0.1.conv.weight     False        36864       [64, 64, 3, 3]   -0.00163     0.0178 torch.float32
  139               model.22.cv2.0.1.bn.weight     False           64                 [64]       2.41       1.04 torch.float32
  140                 model.22.cv2.0.1.bn.bias     False           64                 [64]      0.922      0.757 torch.float32
  141                  model.22.cv2.0.2.weight     False         4096       [64, 64, 1, 1]   -0.00542     0.0553 torch.float32
  142                    model.22.cv2.0.2.bias     False           64                 [64]      0.997       1.39 torch.float32
  143             model.22.cv2.1.0.conv.weight     False        73728      [64, 128, 3, 3]    -0.0017      0.014 torch.float32
  144               model.22.cv2.1.0.bn.weight     False           64                 [64]       1.28      0.485 torch.float32
  145                 model.22.cv2.1.0.bn.bias     False           64                 [64]     -0.389       0.68 torch.float32
  146             model.22.cv2.1.1.conv.weight     False        36864       [64, 64, 3, 3]   -0.00128     0.0167 torch.float32
  147               model.22.cv2.1.1.bn.weight     False           64                 [64]       2.56          1 torch.float32
  148                 model.22.cv2.1.1.bn.bias     False           64                 [64]      0.855      0.564 torch.float32
  149                  model.22.cv2.1.2.weight     False         4096       [64, 64, 1, 1]   -0.00756     0.0594 torch.float32
  150                    model.22.cv2.1.2.bias     False           64                 [64]      0.992       1.32 torch.float32
  151             model.22.cv2.2.0.conv.weight     False       147456      [64, 256, 3, 3]  -0.000553     0.0115 torch.float32
  152               model.22.cv2.2.0.bn.weight     False           64                 [64]       1.55      0.413 torch.float32
  153                 model.22.cv2.2.0.bn.bias     False           64                 [64]     -0.259       0.62 torch.float32
  154             model.22.cv2.2.1.conv.weight     False        36864       [64, 64, 3, 3]   -0.00065     0.0149 torch.float32
  155               model.22.cv2.2.1.bn.weight     False           64                 [64]       2.95      0.852 torch.float32
  156                 model.22.cv2.2.1.bn.bias     False           64                 [64]      0.822      0.556 torch.float32
  157                  model.22.cv2.2.2.weight     False         4096       [64, 64, 1, 1]   -0.00674     0.0609 torch.float32
  158                    model.22.cv2.2.2.bias     False           64                 [64]       0.99       1.33 torch.float32
  159             model.22.cv3.0.0.conv.weight     False        36864       [64, 64, 3, 3]   -0.00138     0.0275 torch.float32
  160               model.22.cv3.0.0.bn.weight     False           64                 [64]          1    0.00984 torch.float32
  161                 model.22.cv3.0.0.bn.bias     False           64                 [64]    0.00709     0.0156 torch.float32
  162             model.22.cv3.0.1.conv.weight     False        36864       [64, 64, 3, 3]   -0.00549     0.0281 torch.float32
  163               model.22.cv3.0.1.bn.weight     False           64                 [64]       1.01     0.0248 torch.float32
  164                 model.22.cv3.0.1.bn.bias     False           64                 [64]     0.0356     0.0581 torch.float32
  165                  model.22.cv3.0.2.weight     False           64        [1, 64, 1, 1]    -0.0297     0.0872 torch.float32
  166                    model.22.cv3.0.2.bias     False            1                  [1]       -7.2        nan torch.float32
  167             model.22.cv3.1.0.conv.weight     False        73728      [64, 128, 3, 3]   -0.00178     0.0217 torch.float32
  168               model.22.cv3.1.0.bn.weight     False           64                 [64]          1     0.0165 torch.float32
  169                 model.22.cv3.1.0.bn.bias     False           64                 [64]    0.00244     0.0185 torch.float32
  170             model.22.cv3.1.1.conv.weight     False        36864       [64, 64, 3, 3]   -0.00481     0.0278 torch.float32
  171               model.22.cv3.1.1.bn.weight     False           64                 [64]       1.02     0.0239 torch.float32
  172                 model.22.cv3.1.1.bn.bias     False           64                 [64]     0.0411     0.0545 torch.float32
  173                  model.22.cv3.1.2.weight     False           64        [1, 64, 1, 1]    -0.0327      0.104 torch.float32
  174                    model.22.cv3.1.2.bias     False            1                  [1]       -5.8        nan torch.float32
  175             model.22.cv3.2.0.conv.weight     False       147456      [64, 256, 3, 3]  -0.000784     0.0158 torch.float32
  176               model.22.cv3.2.0.bn.weight     False           64                 [64]          1    0.00871 torch.float32
  177                 model.22.cv3.2.0.bn.bias     False           64                 [64]    0.00025     0.0116 torch.float32
  178             model.22.cv3.2.1.conv.weight     False        36864       [64, 64, 3, 3]   -0.00326     0.0272 torch.float32
  179               model.22.cv3.2.1.bn.weight     False           64                 [64]       1.06     0.0776 torch.float32
  180                 model.22.cv3.2.1.bn.bias     False           64                 [64]      0.048     0.0988 torch.float32
  181                  model.22.cv3.2.2.weight     False           64        [1, 64, 1, 1]    -0.0661      0.101 torch.float32
  182                    model.22.cv3.2.2.bias     False            1                  [1]      -4.48        nan torch.float32
  183                 model.22.dfl.conv.weight     False           16        [1, 16, 1, 1]        7.5       4.76 torch.float32
Model summary: 225 layers, 3011043 parameters, 0 gradients, 8.2 GFLOPs
(225, 3011043, 0, 8.1941504)

可以看到,打印出了模型每一层网络结构的名字、参数量以及该层的结构形状。

本文方法同样适用于ultralytics框架的其他模型结构,使用方法相同,可用于不同模型进行参数量、计算量等对比使用。

为方便大家学习使用,本文涉及到的所有代码均已打包好。免费获取方式如下:

关注下方名片GZH:【阿旭算法与机器学习】,发送【知识点】即可免费获取


如果文章对你有帮助,麻烦动动你的小手,给点个赞,鼓励一下吧,谢谢~~~

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!

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处:/a/537934.html

如若内容造成侵权/违法违规/事实不符,请联系我们进行投诉反馈qq邮箱809451989@qq.com,一经查实,立即删除!

相关文章

LeetCode-1143. 最长公共子序列【字符串 动态规划】

LeetCode-1143. 最长公共子序列【字符串 动态规划】 题目描述:解题思路一:动规五部曲解题思路二:1维DP解题思路三:0 题目描述: 给定两个字符串 text1 和 text2,返回这两个字符串的最长 公共子序列 的长度。…

TSINGSEE青犀AI智能分析网关V4吸烟/抽烟检测算法介绍及应用

抽烟检测AI算法是一种基于计算机视觉和深度学习技术的先进工具,旨在准确识别并监测个体是否抽烟。该算法通过训练大量图像数据,使模型能够识别出抽烟行为的关键特征,如烟雾、手部动作和口部形态等。 在原理上,抽烟检测AI算法主要…

【目标检测数据集】城市街道垃圾堆相关数据集

一、GarbageOverflow:城市街道垃圾堆数据集 该垃圾堆数据集是通过爬虫从网上进行爬取得到的,一共包含1188张图片,有2个类别,分别为[overflow, No Overflow],两个标签的数量分别为1734个标签和414个标签。部分数据集及…

中国历年GDP统计-探数API统计

数据介绍 时间维度:1978年-2021年 单位:亿元 该数据来源于国家统计局发布的中国统计年鉴2021,为按当年价格计算的中国历年GDP以及人均GDP。 数据说明: 数据来源于国家统计局。

【更新】全国省级-新质生产力数据集(2010-2022年)

01、数据简介 新质生产力,又称为新型生产力,是指在现代科技和经济社会发展的推动下,由新的生产要素、生产方式、生产关系等构成的具有新质特点的生产力。这种生产力突破了传统生产力的局限,具有更高的效率和创造力,是…

题目 2694: 蓝桥杯2022年第十三届决赛真题-最大数字【暴力解法】

最大数字 原题链接 🥰提交结果 思路 对于每一位,我我们都要尽力到达 9 所以我们去遍历每一位, 如果是 9 直接跳过这一位 如果可以上调到 9 我们将这一位上调到 9 ,并且在a 中减去对应的次数 同样的,如果可以下调到 9,我…

黄金基金和黄金有什么区别?

黄金基金本质上是一种投资工具,它通过间接投资黄金或与其紧密相关的金融衍生品来反映黄金市场的表现。不同于直接持有实物黄金,投资者购买黄金基金并不涉及实体黄金的保管问题,而是将资金交由专业的基金管理人管理,由他们代表投资…

Input DropDown 拼接成 select组件(基于antd和react)

前言:为什么不直接用select,还要舍近求远搞inputdropdown这种缝合怪,是因为antd的select不支持选中项再编辑,效果如图 比如:选中的lucy文案变成了placeholder不能再编辑了 封装此组件虽然比较简单,但还是有…

一文读懂Partisia Blockchain,被严重低估的隐私区块链生态

在今年 3 月,隐私公链 Partisia Blockchain 迎来了重要的进展,该生态通证 $MPC 上线了交易所,目前 $MPC 通证可以在 Kucoin、Gate、BitMart、Bitfinex、Bitture 等平台交易,并将在不久后上线 MEXC 平台。 在上个月上线市场至今&am…

中颖51芯片学习4. 可编程计数器阵列PCA0

中颖51芯片学习4. 可编程计数器阵列PCA0 一、PCA介绍1. PCA简介2. SH79F9476的PCA0特性3. PCA0 功能4. 时钟5. PCA0原理框图6. 工作方式 二、PCA0寄存器1. PCA0标志寄存器2. PCA使能寄存器3. PCA0方式寄存器4. P0CPMn PCA捕捉/比较寄存器5. P0FORCE强制输出控制寄存器6. PCA0计…

期货量化交易软件:MQL5 中的范畴论 (第 15 部分)函子与图论

概述 在上一篇文章中,我们目睹了前期文章中涵盖的概念(如线性序)如何视作范畴,以及为什么它们的“态射”在与其它范畴相关时即构成函子。在本文中,我们赫兹量化软件将阐述来自前期文章中的概括,即通过查看…

三方库移植之NAPI开发[2]C/C++与JS的数据类型转

通过NAPI框架进行C/C与JS数据类型的转换 OpenHarmony NAPI将ECMAScript标准中定义的Boolean、Null、Undefined、Number、BigInt、String、Symbol和Object八种数据类型,以及函数对应的Function类型,统一封装成napi_value类型,下文中表述为JS类…

基于LNMP部署wordpress

目录 一.环境准备 二.配置源并安装 三.配置Nginx 四.配置数据库 五.上传源码并替换 六.打开浏览器,输入虚拟机ip访问安装部署 七.扩展增加主题 一.环境准备 centos7虚拟机 关闭防火墙和seliunx stop firewalld #关闭防火墙 setenforce 0 …

隐身打击云函数CDN对抗 | 应急响应

0x00 简介 在攻防演练中,使用云函数来隐藏 C&C 的 ip 地址已经成为了一种“标配” 在应急处置过程中,我们经常遇到 netstat -pantu | grep ip 无法找到安全设备关于红队外联的告警的情况 由于 C&C 的 ip 地址是一直变化的,所以常…

基于深度学习的智能停车场车牌识别计费系统(完整程序+训练数据集+开题报告+论文))

摘要 本篇论文研究的是基于车牌识别技术的智能停车场管理系统,采用基于深度学习的车牌识别算法,通过卷积神经网络对车牌图像进行处理和分析,实现车牌字符的识别和车牌信息的提取。同时,本文还设计了一个智能停车场管理系统…

【网安播报】GitHub上的恶意Visual Studio 项目推送 Keyzetsu 恶意软件

1、GitHub 上的恶意 Visual Studio 项目推送 Keyzetsu 恶意软件 威胁行为者正在滥用 GitHub 自动化功能和恶意 Visual Studio 项目来推送“Keyzetsu”恶意软件的新变种并窃取加密货币付款。攻击者创建了GitHub 存储库,并使用各种方法来人为地提高其在平台上的受欢迎…

计费管理系统

武汉理工大学程序设计综合实验作业,没有完全按照要求的文件来写,仅供参考。 目录 菜单说明 大致思路说明 代码实现 func.h 用于存放各种功能函数的声明 tool.h 用于存放相关工具函数的声明 func.c 用于存放各种功能函数的定义 tool.c 用于存放相…

网站如果在日益变化的网络攻击中寻到一线生机

一、引言 在数字化浪潮席卷全球的今天,网络空间早已成为国家安全、经济发展和社会稳定的战略高地。然而,这片看似平静的虚拟世界,实则暗流涌动,网络攻击层出不穷,手段日益翻新,给网站的安全运营带来了前所…

蓝桥杯2022年第十三届省赛真题-最优清零方案 java

样例输入、输出: 输入1: 4 2 1 2 3 4输出1 6输入2: 4 2 1 2 3 4输出2 6解法: 滑动窗口解法如下。主要思路就是:用长度为k的滑动窗口,每遇到连续k个不为0的数,记录这k个数中的最小值为min&…

Nerf-Studio复现笔记

文章目录 1. Env2. Train3. Custom data3.1 Prepare3.2 Render and eval3.3 Results 4. Summary 1. Env The configuration process was smooth on Linux, but there are some problems with tiny_cuda_nn and colmap in Windows. // According to the installation document…