前言

之前写过一篇博文【目标检测】YOLOv5：标签中文显示/自定义颜色，主要从显示端解决目标中文显示的问题。
本文着重从模型角度，从模型端解决目标中文显示问题。

模型信息解析

正常情况下，可以直接加载模型打印信息，不过打印出的模型信息并不完成。

import torch
if __name__ == '__main__':
    model = torch.load('weights/best.pt')
    print(model)

此时可以通过断点调试的方法查看模型信息。
在这里插入图片描述
正常print出来也是这些内容，不过model、opt、git三个字典信息显示不全。

在模型信息中，除了包括了模型的结构参数外，还包括了模型的其它信息，类别信息名称为model/names

在这里插入图片描述

检测结果中文显示

因此，如果需要在模型端修改类别为中文信息，只需修改model/names里面的内容
例如，我这里将small-vehicle标签改为中文标签汽车，再保存成一个新的模型。

import torch
if __name__ == '__main__':
    model = torch.load('weights/best.pt')
    # print(model)
    model['model'].names[1] = '汽车'
    torch.save(model, "weights/new.pt")

加载新的模型进行检测，可以看到中文标签被完美显示出来：

在这里插入图片描述

模型体积压缩

有了上面的经验不难发现，由于考虑到模型需要用于加载训练，因此携带了git、opt等信息，而对于纯推理任务而言，这些信息并不起作用，属于冗余信息。

因此，可以进一步对模型的冗余信息进行剔除，以减少模型的体积，以便在轻量化的设备中部署。
这里以剔除git、opt为例：

if __name__ == '__main__':
    model = torch.load('weights/best.pt')
    model['git'] = None
    model['opt'] = None
    torch.save(model, "weights/new.pt")