1. PyTorch Hub简单使用

官方介绍：Towards Reproducible Research with PyTorch Hub

可重复性是许多研究领域的基本要求，包括基于机器学习技术的研究领域。然而，许多机器学习出版物要么不可复制，要么难以复制。随着研究出版物数量的持续增长，包括现在在arXiv上托管的数万篇论文以及向会议提交的前所未有的高水平论文，研究可重复性比以往任何时候都更加重要。虽然这些出版物中的许多都附有代码和训练有素的模型，这很有帮助，但仍然留有许多步骤供用户自己弄清楚。

我们很高兴地宣布 PyTorch Hub 的可用性，这是一个简单的 API和工作流，为提高机器学习研究的可重复性提供了基本构建块。PyTorch Hub包含一个经过预训练的模型存储库，专门设计用于促进研究的可重复性并支持新的研究。它还内置了对Colab的支持，与Papers With Code集成，目前包含广泛的模型集，包括分类和分割、生成、Transformers等。

PyTorch Hub的使用简单到不能再简单，不需要下载模型，只用了一个torch.hub.load()就完成了对图像分类模型AlexNet的调用。

PyTorch Hub允许用户对已发布的模型执行以下操作：

1、查询可用的模型;

2、加载模型;

3、查询模型中可用的方法。

下面直接进行实例操作：

1.1 探索可用模型

用户可以使用torch.hub.list()这个API列出repo中所有可用的入口点。比如你想知道PyTorch Hub中有哪些可用的计算机视觉模型：

torch.hub.list('pytorch/vision')

输出：

Downloading: "https://github.com/pytorch/vision/zipball/main" to /root/.cache/torch/hub/main.zip
/root/.cache/torch/hub/pytorch_vision_main/torchvision/io/image.py:13: UserWarning: Failed to load image Python extension: 
  warn(f"Failed to load image Python extension: {e}")
['alexnet',
 'convnext_base',
 'convnext_large',
 'convnext_small',
 'convnext_tiny',
 'deeplabv3_mobilenet_v3_large',
 'deeplabv3_resnet101',
 'deeplabv3_resnet50',
  ......

1.2 加载模型

现在我们知道 Hub 中有哪些模型可用，如果想加载上述的其中一个模型，只需要load一下即可

model = torch.hub.load('pytorch/vision', 'deeplabv3_resnet101', pretrained=True)

至于如何获得此模型的详细帮助信息，可以使用下面的API：

print(torch.hub.help('pytorch/vision', 'deeplabv3_resnet101'))

如果模型的发布者后续加入错误修复和性能改进，用户也可以非常简单地获取更新，确保自己用到的是最新版本:

model = torch.hub.load('pytorch/vision', 'deeplabv3_resnet101', pretrained=True, force_reload=True)

对于另外一部分用户来说，稳定性更加重要，他们有时候需要调用特定分支的代码。例如pytorch_GAN_zoo的hub分支:

model = torch.hub.load('facebookresearch/pytorch_GAN_zoo:hub', 'DCGAN', pretrained=True)

1.3 查看模型的可用方法

从PyTorch Hub加载模型后，你可以用dir(model)查看模型的所有可用方法。不过这其实只是python的一个内置函数，dir内置函数可以返回对象或者当前作用域内的属性列表

dir(model)
# 输出：
['forward'
...
'to'
'state_dict',
]
# 比如
>>> import math
>>> math
<module 'math' (built-in)>
>>> dir(math)
['__doc__', '__loader__', '__name__', '__package__', '__spec__', 'acos', 'acosh', 'asin', 'asinh', 'atan', 'atan2', 'atanh', 'ceil', 'copysign', 'cos', 'cosh', 'degrees', 'e', 'erf', 'erfc', 'exp', 'expm1', 'fabs', 'factorial', 'floor', 'fmod', 'frexp', 'fsum', 'gamma', 'gcd', 'hypot', 'inf', 'isclose', 'isfinite', 'isinf', 'isnan', 'ldexp', 'lgamma', 'log', 'log10', 'log1p', 'log2', 'modf', 'nan', 'pi', 'pow', 'radians', 'sin', 'sinh', 'sqrt', 'tan', 'tanh', 'trunc']

如果你对forward方法感兴趣，使用help(model.forward) 了解运行运行该方法所需的参数，这个help的指令其实也只是python的一个内置函数而已。对于其他库的函数同样可以使用。

help(model.forward)

1.4 其他指令

torch.hub.download_url_to_file：将给定 URL 处的对象下载到本地路径

torch.hub.download_url_to_file('https://s3.amazonaws.com/pytorch/models/resnet18-5c106cde.pth', '/tmp/temporary_file')

torch.hub.load_state_dict_from_url：在给定的 URL 处加载 Torch 序列化对象。ps：如果下载的文件是 zip 文件，则会自动解压缩。如果对象已经存在于model_dir中，则将其反序列化并返回。

state_dict = torch.hub.load_state_dict_from_url('https://s3.amazonaws.com/pytorch/models/resnet18-5c106cde.pth')

torch.hub.get_dir：获取用于存储下载模型和权重的 Torch Hub 缓存目录

torch.hub.set_dir：可选择设置用于保存下载模型和权重的 Torch Hub 目录

1.5 其他探索方式

PyTorch Hub 中可用的模型也支持Colab，并直接链接到Papers With Code，您只需单击一下即可开始使用。比如下面paper with code，找到一片文章的代码，如下所示：

如果其支持pytorch hub操作的话，就可以直接查询其所支持的模型：

torch.hub.list('facebookresearch/pytorch_GAN_zoo')
# 输出：
Downloading: "https://github.com/facebookresearch/pytorch_GAN_zoo/zipball/main" to /root/.cache/torch/hub/main.zip
['DCGAN', 'PGAN', 'StyleGAN']

下面直接挑选 PGAN 这个模型进行人脸生成的例子：模型的输入是形状为 (N，512) 的噪声向量，其中 N 是要生成的图像数量。它可以使用函数 .buildNoiseData 来构造。该模型有一个 .test 函数，它接收噪声向量并生成图像。

import torch
import torchvision
import matplotlib.pyplot as plt
# 一行命令加载模型
model = torch.hub.load('facebookresearch/pytorch_GAN_zoo:hub',
             'PGAN', model_name='celebAHQ-512',
              pretrained=True, useGPU=True)
# 获取生成图像
num_images = 64
noise, _ = model.buildNoiseData(num_images)
with torch.no_grad():
    generated_images = model.test(noise)
# 显示并排版图像
grid = torchvision.utils.make_grid(generated_images.clamp(min=-1, max=1), nrow=8, scale_each=True, normalize=True)
plt.figure(figsize=(12, 12))
plt.imshow(grid.permute(1, 2, 0).cpu().numpy())

输出64张生成的人头图像，结果如下所示：

ps：以上代码我都是在Colab上进行的，偷了个懒，懒得专门新建一个项目了。而且是基于官方的Colab稍微更改。

2. PyTorch Hub加载YOLOv5

本想这继续在Colab中尝试调用的，但是出现报错了各种无法debug的环境，是项目本身的问题，只能远程调用服务器的环境，在jupyter notebook中测试了。

以下内容参考官方资料：https://github.com/ultralytics/yolov5/issues/36

简单实例

从 PyTorch Hub 加载预训练的 YOLOv5s 模型，model并传递图像进行推理。其中yolov5s是最轻最快的 YOLOv5 型号。

import torch
import os
# 设置在0卡上
os.environ["CUDA_VISIBLE_DEVICES"] = '0'
# 1. 模型加载
model = torch.hub.load('ultralytics/yolov5', 'yolov5s', force_reload=True)
model.cuda()
# print(model)
# set image
image = 'https://ultralytics.com/images/zidane.jpg'
# Inference
print('start inference image...')
results = model(image)
# 2. 推理结果处理
print(results.pandas().xyxy[0])

输出结果：

Downloading: "https://github.com/ultralytics/yolov5/archive/master.zip" to /home/fs/.cache/torch/hub/master.zip
requirements: tqdm>=4.64.0 not found and is required by YOLOv5, attempting auto-update...
requirements: 'pip install tqdm>=4.64.0' skipped (offline)
YOLOv5 🚀 2022-8-6 Python-3.9.7 torch-1.11.0+cu102 CUDA:0 (Tesla T4, 15110MiB)
Fusing layers... 
YOLOv5s summary: 213 layers, 7225885 parameters, 0 gradients
Adding AutoShape... 
start inference image...
         xmin        ymin         xmax        ymax  confidence  class    name
0  742.974854   48.395416  1141.844482  720.000000    0.881052      0  person
1  442.007629  437.522400   496.653992  709.973572    0.675213     27     tie
2  123.024139  193.287354   715.662231  719.723877    0.665814      0  person
3  982.803162  308.417358  1027.365845  419.987000    0.260075     27     tie

在上面的操作中，yolov5的pytorch hub调用其实主要分为两个操作方面：一个是模型的加载方面，另外一个是推理结果的处理上面。

批量处理实例

此示例显示了PIL和OpenCV图像源的批量推理。可以打印到控制台，保存到，在支持的环境中显示到屏幕上，并以张量或pandas数据帧的形式返回。

import cv2
import torch
from PIL import Image
# Model
model = torch.hub.load('ultralytics/yolov5', 'yolov5s')
# Images
for f in 'zidane.jpg', 'bus.jpg':
    torch.hub.download_url_to_file('https://ultralytics.com/images/' + f, f)  # download 2 images
im1 = Image.open('zidane.jpg')  # PIL image
im2 = cv2.imread('bus.jpg')[..., ::-1]  # OpenCV image (BGR to RGB)
imgs = [im1, im2]  # batch of images
# Inference
results = model(imgs, size=640)  # includes NMS
# Results
results.print()  
results.save()  # or .show()
results.xyxy[0]  # im1 predictions (tensor)
results.pandas().xyxy[0]  # im1 predictions (pandas)
#      xmin    ymin    xmax   ymax  confidence  class    name
# 0  749.50   43.50  1148.0  704.5    0.874023      0  person
# 1  433.50  433.50   517.5  714.5    0.687988     27     tie
# 2  114.75  195.75  1095.0  708.0    0.624512      0  person
# 3  986.00  304.00  1028.0  420.0    0.286865     27     tie

2.1 模型加载处理

模型设置

YOLOv5 模型包含各种推理属性，例如置信度阈值、IoU 阈值等，可以通过以下方式设置

model = torch.hub.load('ultralytics/yolov5', 'yolov5s')
model.conf = 0.25  # NMS confidence threshold
      iou = 0.45  # NMS IoU threshold
      agnostic = False  # NMS class-agnostic
      multi_label = False  # NMS multiple labels per box
      classes = None  # (optional list) filter by class, i.e. = [0, 15, 16] for COCO persons, cats and dogs
      max_det = 1000  # maximum number of detections per image
      amp = False  # Automatic Mixed Precision (AMP) inference
results = model(im, size=320)  # custom inference size

设备设置

模型创建后可以转移到任何设备，在推理之前，输入图像会自动传输到正确的模型设备。

model.cpu()  # CPU
model.cuda()  # GPU
model.to(device)  # i.e. device=torch.device(0)
# 模型也可以直接在任何device
model = torch.hub.load('ultralytics/yolov5', 'yolov5s', device='cpu')  # load on CPU

静默设置

模型可以静默加载 _verbose=False

model = torch.hub.load('ultralytics/yolov5', 'yolov5s', _verbose=False)  # load silently

输入通道设置

要加载具有 4 个输入通道而不是默认的 3 个输入通道的预训练 YOLOv5s 模型，在这种情况下，模型将由预训练的权重组成，除了第一个输入层，它不再与预训练的输入层具有相同的形状。输入层将保持由随机权重初始化。

model = torch.hub.load('ultralytics/yolov5', 'yolov5s', channels=4)

类别数设置

要加载具有 10 个输出类而不是默认的 80 个输出类的预训练 YOLOv5s 模型。在这种情况下，模型将由预训练的权重组成，除了输出层，它们不再与预训练的输出层具有相同的形状。输出层将保持由随机权重初始化。

model = torch.hub.load('ultralytics/yolov5', 'yolov5s', classes=10)

强制重新加载设置

如果您在上述步骤中遇到问题，force_reload=True 通过丢弃现有缓存并强制从 PyTorch Hub 重新下载最新的 YOLOv5 版本，设置可能会有所帮助。

实践证明不添加这个参数一般都会报错，所以这里推荐直接加上。

model = torch.hub.load('ultralytics/yolov5', 'yolov5s', force_reload=True)  # force reload`在这里插入代码片`

训练设置

要加载 YOLOv5 模型进行训练而不是推理，请设置 autoshape=False . 要加载具有随机初始化权重的模型（从头开始训练），请使用 pretrained=False. 在这种情况下，您必须提供自己的训练脚本。

model = torch.hub.load('ultralytics/yolov5', 'yolov5s', autoshape=False)  # load pretrained
model = torch.hub.load('ultralytics/yolov5', 'yolov5s', autoshape=False, pretrained=False)  # load scratch

但是，如果是想自定义的训练yolov5的模型，就没有必要用pytorch hub了，因为pytorch hub的主要目的就是为了最简便的让你可以调用已经训练好的模型来进行任务的处理。

自定义模型设置

对于使用自己数据集而训练出来的模型，同样可以加载这些训练好的自定义模型权重。此示例使用 PyTorch Hub 加载自定义 20 类VOC训练的YOLOv5s 模型 'best.pt'。

model = torch.hub.load('ultralytics/yolov5', 'custom', path='path/to/best.pt')  # local model
model = torch.hub.load('path/to/yolov5', 'custom', path='path/to/best.pt', source='local')  # local repo

TensorRT、ONNX 和 OpenVINO 模型

PyTorch Hub 支持对大多数 YOLOv5 导出格式进行推理，包括自定义训练模型。（这方面我暂时不了解）

model = torch.hub.load('ultralytics/yolov5', 'custom', path='yolov5s.engine')  # TensorRT
model = torch.hub.load('ultralytics/yolov5', 'custom', path='yolov5s.onnx')  # ONNX
model = torch.hub.load('ultralytics/yolov5', 'custom', path='yolov5s_openvino_model/')  # OpenVINO
model = torch.hub.load('ultralytics/yolov5', 'custom', path='yolov5s.torchscript')  # TorchScript
model = torch.hub.load('ultralytics/yolov5', 'custom', path='yolov5s.mlmodel')  # CoreML (macOS-only)
model = torch.hub.load('ultralytics/yolov5', 'custom', path='yolov5s.tflite')  # TFLite

2.2 推理结果处理

推理设置

可以自定义图像的推理大小

model = torch.hub.load('ultralytics/yolov5', 'yolov5s')
results = model(im, size=320)  # custom inference size

截图推理设置

要在桌面屏幕上运行推理

import torch
from PIL import ImageGrab
# Model
model = torch.hub.load('ultralytics/yolov5', 'yolov5s')
# Image
im = ImageGrab.grab()  # take a screenshot
# Inference
results = model(im)

裁剪结果设置

结果可以返回并保存为检测作物

results = model(im)  # inference
crops = results.crop(save=True)  # cropped detections dictionary

在对应的 run/detect/run 目录下，就会保留对于的被裁减无的图像，这里以人图像为例。

裁剪人物1：

裁剪人物2：

表格（pandas）结果设置

结果可以作为 Pandas DataFrames返回

results = model(im)  # inference
out = results.pandas().xyxy[0]  # Pandas DataFrame
print(out)

结果输出：

xmin        ymin         xmax        ymax  confidence  class    name
0  742.974854   48.395416  1141.844482  720.000000    0.881052      0  person
1  442.007629  437.522400   496.653992  709.973572    0.675213     27     tie
2  123.024139  193.287354   715.662231  719.723877    0.665814      0  person
3  982.803162  308.417358  1027.365845  419.987000    0.260075     27     tie

排序（sort）结果设置

结果可以按列排序，即从左到右（x轴）排序车牌数字检测

results = model(im)  # inference
out = results.pandas().xyxy[0].sort_values('xmin')  # sorted left-right
print(out)

结果输出：

xmin        ymin         xmax        ymax  confidence  class    name
2  123.024139  193.287354   715.662231  719.723877    0.665814      0  person
1  442.007629  437.522400   496.653992  709.973572    0.675213     27     tie
0  742.974854   48.395416  1141.844482  720.000000    0.881052      0  person
3  982.803162  308.417358  1027.365845  419.987000    0.260075     27     tie

JSON结果设置

.pandas() 使用该 .to_json() 方法转换为数据帧后，可以以 JSON 格式返回结果。可以使用orient参数修改 JSON 格式。

results = model(im)  # inference
out = results.pandas().xyxy[0].to_json(orient="records")   # JSON img1 predictions
print(out)

结果输出：

[
{"xmin":749.5,"ymin":43.5,"xmax":1148.0,"ymax":704.5,"confidence":0.8740234375,"class":0,"name":"person"},
{"xmin":433.5,"ymin":433.5,"xmax":517.5,"ymax":714.5,"confidence":0.6879882812,"class":27,"name":"tie"},
{"xmin":115.25,"ymin":195.75,"xmax":1096.0,"ymax":708.0,"confidence":0.6254882812,"class":0,"name":"person"},
{"xmin":986.0,"ymin":304.0,"xmax":1028.0,"ymax":420.0,"confidence":0.2873535156,"class":27,"name":"tie"}
]

参考资料：

1. PyTorch Hub发布！一行代码调用所有模型：torch.hub

2. PyTorch Hub发布！一行代码调用最潮模型，图灵奖得主强

3. PyTorch Hub官方介绍博客

4. 测试版PyTorch Hub

5. PyTorch Hub的GitHub主页

6. Load YOLOv5 from PyTorch Hub

YOLOv5的Tricks | 【Trick10】从PyTorch Hub加载YOLOv5

1. PyTorch Hub简单使用

1.1 探索可用模型

1.2 加载模型

1.3 查看模型的可用方法

1.4 其他指令

1.5 其他探索方式

2. PyTorch Hub加载YOLOv5

2.1 模型加载处理

2.2 推理结果处理

热门文章

最新文章

相关课程

相关电子书

推荐镜像