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）

news2024/11/24 0:43:43

《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：http://www.coloradmin.cn/o/1589100.html

如若内容造成侵权/违法违规/事实不符，请联系多彩编程网进行投诉反馈，一经查实，立即删除！

相关文章

docker-compose yaml指定具体容器网桥ip网段subnet

docker-compose yaml指定具体容器网桥ip网段subnet

docker-compose 启动yaml有时可能的容器网段与宿主机的ip冲突导致宿主机上不了网，这时候可以更改yaml指定subnet 宿主机内网一般是192**，这时候容器可以指定172* version: 3.9 services:coredns:image: coredns/coredns:1.10.0container_name: coredns…
阅读更多...
【面试必备】MySQL索引是什么？怎么设计索引？

【面试必备】MySQL索引是什么？怎么设计索引？

在后端面试中，MySQL的索引是一个常见问题，尤其是最近掀起了去Oracle的风向。作为一个很宽泛的面试题，不仅考验对MySQL整体知识的了解，也方便面试官随着我们的回答逐渐往下延伸问题。众所周知，面试问题的答案&#xff0…
阅读更多...
【力扣题】关于单链表和数组习题

【力扣题】关于单链表和数组习题

🌈 个人主页：白子寰 🔥 分类专栏：python从入门到精通，魔法指针，进阶C，C语言，C语言题集，C语言实现游戏👈 希望得到您的订阅和支持~ 💡 坚持创作博文…
阅读更多...
使用MATLAB的cylinder函数生成圆柱体及其他应用

使用MATLAB的cylinder函数生成圆柱体及其他应用

cylinder 函数是 MATLAB 中的一个内置函数，用于生成表示圆柱体表面的坐标点。这些坐标点可以用于绘制三维图形，如使用 surf 或 mesh 函数进行可视化。 cylinder函数生成单位圆柱体的x、y和z坐标。您可以使用surf或mesh来绘制圆柱形对象，或者…
阅读更多...
1233. 全球变暖---BFS

1233. 全球变暖---BFS

目录 1233. 全球变暖 输入格式 输出格式 数据范围 输入样例1： 输出样例1： 输入样例2： 输出样例2： 思路： 宽搜BFS 模板： 代码： 运行结果： 1233. 全球变暖 你有一张某海域 NN…
阅读更多...
Mongo 报错 Can‘t canonicalize query: BadValue $in needs an array

Mongo 报错 Can‘t canonicalize query: BadValue $in needs an array

一、遇到的问题 Mongo in查询 [ UserId > array($in>$userIds)] $userIds数组不是连续索引，报错Cant canonicalize query: BadValue $in needs an array 二、解决 array_values($userIds) 重新索引一下变成连续索引即可。 Mongo in查询的数组要是连续索…
阅读更多...
WEB3.0：互联网的下一阶段

WEB3.0：互联网的下一阶段

随着互联网的发展，WEB3.0时代正在逐步到来。本文将深入探讨WEB3.0的定义、特点、技术应用以及未来展望，为读者带来全新的思考。 一、什么是WEB3.0？ WEB3.0可以被理解为互联网发展的下一阶段，是当前WEB2.0的升级版。相较于2.0时代…
阅读更多...
react状态管理库---zustand

react状态管理库---zustand

一个简单的，快速的状态管理解决方案，api设计基于函数式和hooks 安装： npm install zustand 基础使用 让我们实现一个非常简单的计数器案例完成我们的第一个store 1- 创建一个counterStore create( ) 有三个参数：函数、布尔值…
阅读更多...
[C++][算法基础]模拟散列表(哈希表)

[C++][算法基础]模拟散列表(哈希表)

维护一个集合，支持如下几种操作： I x，插入一个整数 x；Q x，询问整数 x 是否在集合中出现过； 现在要进行 N 次操作，对于每个询问操作输出对应的结果。 输入格式 第一行包含整数 N，…
阅读更多...
类和对象【一】类和对象简介

类和对象【一】类和对象简介

文章目录 C的类与C语言结构体的区别【引入类】类的定义类体中的成员函数的实现类中的访问限定符C中class和struct的区别 类的作用域类的实例化类中成员的存储位置类的大小 C的类与C语言结构体的区别【引入类】 类里面不仅可以定义变量还可以定义函数 例 类具有封装性【将在该…
阅读更多...
c++ 指针总结

c++ 指针总结

概述 内存地址 在计算机内存中，每个存储单元都有一个唯一的地址(内存编号)。通俗理解，内存就是房间，地址就是门牌号 指针和指针变量 指针（Pointer）是一种特殊的变量类型，它用于存储内存地址。指针的实质…
阅读更多...
libcurl 简单实用

libcurl 简单实用

LibCurl是一个开源的免费的多协议数据传输开源库，该框架具备跨平台性，开源免费，并提供了包括HTTP、FTP、SMTP、POP3等协议的功能，使用libcurl可以方便地进行网络数据传输操作，如发送HTTP请求、下载文件、发送电子邮件等…
阅读更多...
【Linux】UDP编程【上】{诸多编程接口/小白入门式讲解}

【Linux】UDP编程【上】{诸多编程接口/小白入门式讲解}

文章目录 0.预备知识0.1套接字0.2TCP/UDP0.3大小端问题 1.socket 常见API1.1socket1.2各个接口1.3int bind();1.3网络头文件四件套1.4bzero1.5recvfrom1.6sendto() 2.UDP编程2.1服务器编程2.2客户端编程2.3运行测试2.3.1本机通信2.3.2popen2.3.3strcasestr2.3.4回顾C11智能指针…
阅读更多...
dfs板子

dfs板子

递归实现排列 留着明早省赛之前看 #include<iostream> using namespace std; int arr[10010]; int brr[10010]; int n,k; void dfs(int num){if(num > n){for(int i 1;i < n;i){cout << arr[i] << " ";}cout << endl;return;}for(in…
阅读更多...
mysql题目2

mysql题目2

tj11: select sex,count(sex) from t_athletes group by sex; tj12: select name 姓名,TIMESTAMPDIFF(year,birthday,2024-1-1) 年龄 from t_athletes tj13: SELECT * FROM t_athletesWHERE id NOT IN (SELECT aid FROM t_match WHERE sid IN (SELECT id FROM t_sport WHE…
阅读更多...
python 的join函数

python 的join函数

join函数是一个对字符串处理的函数 字符串.join(str)的含义是把字符串加入到str的每一个间隙里面 如 str1234 ,.join(str) #打印的结果为 1,2,3,4
阅读更多...
C语言处理文本模板：格式信函编程

C语言处理文本模板：格式信函编程

开篇 本篇文章的问题来源为《编程珠玑》第3章其中一个问题&#xff0c;格式信函编程。说白了就是先在文件中定义一个文本模版&#xff0c;然后使用数据库中的数据去填充这个模版&#xff0c;最后得到填充后的文本&#xff0c;并输出。 问题概要 在常去的网店键入你的名字和密码…
阅读更多...
动态规划先导片

动态规划先导片

大家知道动规是由前一个状态推导出来的&#xff0c;而贪心是局部直接选最优的&#xff0c;对于刷题来说就够用了。 对于动态规划问题&#xff0c;我将拆解为如下五步曲&#xff0c;这五步都搞清楚了&#xff0c;才能说把动态规划真的掌握了&#xff01; 确定dp数组&#xff0…
阅读更多...
SaaS知识库工具是真的方便，各大企业都在用

SaaS知识库工具是真的方便，各大企业都在用

你可能听说过“SaaS”&#xff0c;但你是否真的知道它是什么以及它是如何工作的&#xff1f;简单来说&#xff0c;SaaS&#xff08;Software as a Service&#xff09;意味着以服务的形式提供软件&#xff0c;这是一种在线订阅并通过互联网使用软件的方式。放心&#xff0c;听起…
阅读更多...
STM32的位操作（相当于51单片机的sbit）

STM32的位操作（相当于51单片机的sbit）

经过一段时间的学习&#xff0c;今天发现STM32的单个端口都有一个32位的地址&#xff0c;这样就可以把这个地址给找出来&#xff0c;进行单个位的操作了&#xff0c;这也没有什么好说的&#xff0c;直接复制粘贴就好了&#xff0c;用到的时候过来复制直接使用就行了。虽然看着挺…
阅读更多...
推荐文章
最新文章

Copyright @ 2022~2023