【手把手教学】如何可视化YOLOv8深度学习的网络结构并保存

简介: 【手把手教学】如何可视化YOLOv8深度学习的网络结构并保存

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:

  1. 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。
  2. 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。
  3. 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。
  4. 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。

相关文章
|
2月前
|
机器学习/深度学习 编解码 TensorFlow
RT-DETR改进策略【模型轻量化】| 替换骨干网络为EfficientNet v1 高效的移动倒置瓶颈结构
RT-DETR改进策略【模型轻量化】| 替换骨干网络为EfficientNet v1 高效的移动倒置瓶颈结构
105 0
RT-DETR改进策略【模型轻量化】| 替换骨干网络为EfficientNet v1 高效的移动倒置瓶颈结构
|
2月前
|
机器学习/深度学习 自动驾驶 计算机视觉
RT-DETR改进策略【模型轻量化】| 替换骨干网络为 GhostNet V1 基于 Ghost Module 和 Ghost Bottlenecks的轻量化网络结构
RT-DETR改进策略【模型轻量化】| 替换骨干网络为 GhostNet V1 基于 Ghost Module 和 Ghost Bottlenecks的轻量化网络结构
128 61
RT-DETR改进策略【模型轻量化】| 替换骨干网络为 GhostNet V1 基于 Ghost Module 和 Ghost Bottlenecks的轻量化网络结构
|
2月前
|
机器学习/深度学习 编解码 TensorFlow
YOLOv11改进策略【模型轻量化】| 替换骨干网络为EfficientNet v1 高效的移动倒置瓶颈结构
YOLOv11改进策略【模型轻量化】| 替换骨干网络为EfficientNet v1 高效的移动倒置瓶颈结构
111 14
YOLOv11改进策略【模型轻量化】| 替换骨干网络为EfficientNet v1 高效的移动倒置瓶颈结构
|
2月前
|
机器学习/深度学习 自动驾驶 计算机视觉
YOLOv11改进策略【模型轻量化】| 替换骨干网络为 GhostNet V1 基于 Ghost Module 和 Ghost Bottlenecks的轻量化网络结构
YOLOv11改进策略【模型轻量化】| 替换骨干网络为 GhostNet V1 基于 Ghost Module 和 Ghost Bottlenecks的轻量化网络结构
184 13
|
5月前
|
机器学习/深度学习 自然语言处理 语音技术
Python在深度学习领域的应用,重点讲解了神经网络的基础概念、基本结构、训练过程及优化技巧
本文介绍了Python在深度学习领域的应用,重点讲解了神经网络的基础概念、基本结构、训练过程及优化技巧,并通过TensorFlow和PyTorch等库展示了实现神经网络的具体示例,涵盖图像识别、语音识别等多个应用场景。
150 8
|
3月前
|
机器学习/深度学习 运维 安全
深度学习在安全事件检测中的应用:守护数字世界的利器
深度学习在安全事件检测中的应用:守护数字世界的利器
117 22
|
4月前
|
机器学习/深度学习 传感器 数据采集
深度学习在故障检测中的应用:从理论到实践
深度学习在故障检测中的应用:从理论到实践
280 6
|
2月前
|
机器学习/深度学习 人工智能 运维
深度学习在流量监控中的革命性应用
深度学习在流量监控中的革命性应用
92 40
|
2月前
|
机器学习/深度学习 运维 资源调度
深度学习在资源利用率优化中的应用:让服务器更聪明
深度学习在资源利用率优化中的应用:让服务器更聪明
121 6
|
2月前
|
机器学习/深度学习 自然语言处理 监控
深入探索:深度学习在时间序列预测中的强大应用与实现
时间序列分析是数据科学和机器学习中一个重要的研究领域,广泛应用于金融市场、天气预报、能源管理、交通预测、健康监控等多个领域。时间序列数据具有顺序相关性,通常展示出时间上较强的依赖性,因此简单的传统回归模型往往不能捕捉其中复杂的动态特征。深度学习通过其非线性建模能力和层次结构的特征提取能力,能够有效地捕捉复杂的时间相关性和非线性动态变化模式,从而在时间序列分析中展现出极大的潜力。

热门文章

最新文章