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 modelch = self.yaml["ch"] = self.yaml.get("ch", ch)  # input channelsif 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 valueself.model, self.save = parse_model(deepcopy(self.yaml), ch=ch, verbose=verbose)  # model, savelistself.names = {i: f"{i}" for i in range(self.yaml["nc"])}  # default names dictself.inplace = self.yaml.get("inplace", True)# Build stridesm = self.model[-1]  # Detect()if isinstance(m, Detect):  # includes all Detect subclasses like Segment, Pose, OBB, WorldDetects = 256  # 2x min stridem.inplace = self.inplaceforward = 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))])  # forwardself.stride = m.stridem.bias_init()  # only run onceelse:self.stride = torch.Tensor([32])  # default stride for i.e. RTDETR# Init weights, biasesinitialize_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      sigma0                      model.0.conv.weight     False          432        [16, 3, 3, 3]   -0.00404      0.153 torch.float321                        model.0.bn.weight     False           16                 [16]       2.97       1.87 torch.float322                          model.0.bn.bias     False           16                 [16]      0.244       4.17 torch.float323                      model.1.conv.weight     False         4608       [32, 16, 3, 3]  -3.74e-05     0.0646 torch.float324                        model.1.bn.weight     False           32                 [32]       5.01       1.12 torch.float325                          model.1.bn.bias     False           32                 [32]      0.936       1.51 torch.float326                  model.2.cv1.conv.weight     False         1024       [32, 32, 1, 1]    -0.0103     0.0918 torch.float327                    model.2.cv1.bn.weight     False           32                 [32]       2.21       1.39 torch.float328                      model.2.cv1.bn.bias     False           32                 [32]      0.803       1.39 torch.float329                  model.2.cv2.conv.weight     False         1536       [32, 48, 1, 1]   -0.00279     0.0831 torch.float3210                    model.2.cv2.bn.weight     False           32                 [32]       1.21      0.576 torch.float3211                      model.2.cv2.bn.bias     False           32                 [32]      0.542       1.13 torch.float3212              model.2.m.0.cv1.conv.weight     False         2304       [16, 16, 3, 3]  -0.000871     0.0574 torch.float3213                model.2.m.0.cv1.bn.weight     False           16                 [16]       2.36      0.713 torch.float3214                  model.2.m.0.cv1.bn.bias     False           16                 [16]       1.02       1.71 torch.float3215              model.2.m.0.cv2.conv.weight     False         2304       [16, 16, 3, 3]   -0.00071       0.05 torch.float3216                model.2.m.0.cv2.bn.weight     False           16                 [16]       2.11      0.519 torch.float3217                  model.2.m.0.cv2.bn.bias     False           16                 [16]       0.92        1.9 torch.float3218                      model.3.conv.weight     False        18432       [64, 32, 3, 3]   -0.00137     0.0347 torch.float3219                        model.3.bn.weight     False           64                 [64]      0.818      0.206 torch.float3220                          model.3.bn.bias     False           64                 [64]      0.249      0.936 torch.float3221                  model.4.cv1.conv.weight     False         4096       [64, 64, 1, 1]   -0.00235     0.0553 torch.float3222                    model.4.cv1.bn.weight     False           64                 [64]      0.824      0.359 torch.float3223                      model.4.cv1.bn.bias     False           64                 [64]       0.26      0.779 torch.float3224                  model.4.cv2.conv.weight     False         8192      [64, 128, 1, 1]    -0.0019     0.0474 torch.float3225                    model.4.cv2.bn.weight     False           64                 [64]      0.718       0.21 torch.float3226                      model.4.cv2.bn.bias     False           64                 [64]      -0.05      0.754 torch.float3227              model.4.m.0.cv1.conv.weight     False         9216       [32, 32, 3, 3]   -0.00178     0.0368 torch.float3228                model.4.m.0.cv1.bn.weight     False           32                 [32]      0.751      0.154 torch.float3229                  model.4.m.0.cv1.bn.bias     False           32                 [32]     -0.263      0.629 torch.float3230              model.4.m.0.cv2.conv.weight     False         9216       [32, 32, 3, 3]   -0.00156     0.0346 torch.float3231                model.4.m.0.cv2.bn.weight     False           32                 [32]      0.769      0.203 torch.float3232                  model.4.m.0.cv2.bn.bias     False           32                 [32]      0.183      0.694 torch.float3233              model.4.m.1.cv1.conv.weight     False         9216       [32, 32, 3, 3]   -0.00209     0.0339 torch.float3234                model.4.m.1.cv1.bn.weight     False           32                 [32]      0.686      0.106 torch.float3235                  model.4.m.1.cv1.bn.bias     False           32                 [32]      -0.82      0.469 torch.float3236              model.4.m.1.cv2.conv.weight     False         9216       [32, 32, 3, 3]   -0.00253     0.0309 torch.float3237                model.4.m.1.cv2.bn.weight     False           32                 [32]       1.05      0.242 torch.float3238                  model.4.m.1.cv2.bn.bias     False           32                 [32]      0.523      0.868 torch.float3239                      model.5.conv.weight     False        73728      [128, 64, 3, 3]  -0.000612     0.0224 torch.float3240                        model.5.bn.weight     False          128                [128]      0.821      0.231 torch.float3241                          model.5.bn.bias     False          128                [128]     -0.235      0.678 torch.float3242                  model.6.cv1.conv.weight     False        16384     [128, 128, 1, 1]   -0.00307     0.0347 torch.float3243                    model.6.cv1.bn.weight     False          128                [128]      0.895      0.398 torch.float3244                      model.6.cv1.bn.bias     False          128                [128]     -0.134      0.746 torch.float3245                  model.6.cv2.conv.weight     False        32768     [128, 256, 1, 1]   -0.00204     0.0303 torch.float3246                    model.6.cv2.bn.weight     False          128                [128]      0.773      0.205 torch.float3247                      model.6.cv2.bn.bias     False          128                [128]     -0.584      0.755 torch.float3248              model.6.m.0.cv1.conv.weight     False        36864       [64, 64, 3, 3]   -0.00186     0.0232 torch.float3249                model.6.m.0.cv1.bn.weight     False           64                 [64]       1.06      0.176 torch.float3250                  model.6.m.0.cv1.bn.bias     False           64                 [64]     -0.915      0.598 torch.float3251              model.6.m.0.cv2.conv.weight     False        36864       [64, 64, 3, 3]   -0.00196     0.0221 torch.float3252                model.6.m.0.cv2.bn.weight     False           64                 [64]      0.833       0.25 torch.float3253                  model.6.m.0.cv2.bn.bias     False           64                 [64]    -0.0806      0.526 torch.float3254              model.6.m.1.cv1.conv.weight     False        36864       [64, 64, 3, 3]   -0.00194     0.0225 torch.float3255                model.6.m.1.cv1.bn.weight     False           64                 [64]      0.916      0.178 torch.float3256                  model.6.m.1.cv1.bn.bias     False           64                 [64]      -1.13      0.732 torch.float3257              model.6.m.1.cv2.conv.weight     False        36864       [64, 64, 3, 3]   -0.00147     0.0213 torch.float3258                model.6.m.1.cv2.bn.weight     False           64                 [64]       1.18      0.278 torch.float3259                  model.6.m.1.cv2.bn.bias     False           64                 [64]      0.206      0.767 torch.float3260                      model.7.conv.weight     False       294912     [256, 128, 3, 3]  -0.000707     0.0142 torch.float3261                        model.7.bn.weight     False          256                [256]      0.961      0.197 torch.float3262                          model.7.bn.bias     False          256                [256]     -0.718      0.451 torch.float3263                  model.8.cv1.conv.weight     False        65536     [256, 256, 1, 1]   -0.00323     0.0224 torch.float3264                    model.8.cv1.bn.weight     False          256                [256]       1.14       0.33 torch.float3265                      model.8.cv1.bn.bias     False          256                [256]     -0.734      0.573 torch.float3266                  model.8.cv2.conv.weight     False        98304     [256, 384, 1, 1]   -0.00194     0.0198 torch.float3267                    model.8.cv2.bn.weight     False          256                [256]       1.19      0.223 torch.float3268                      model.8.cv2.bn.bias     False          256                [256]     -0.689      0.486 torch.float3269              model.8.m.0.cv1.conv.weight     False       147456     [128, 128, 3, 3]    -0.0011     0.0152 torch.float3270                model.8.m.0.cv1.bn.weight     False          128                [128]       1.14      0.205 torch.float3271                  model.8.m.0.cv1.bn.bias     False          128                [128]     -0.821       0.72 torch.float3272              model.8.m.0.cv2.conv.weight     False       147456     [128, 128, 3, 3]   -0.00112     0.0151 torch.float3273                model.8.m.0.cv2.bn.weight     False          128                [128]       1.65      0.369 torch.float3274                  model.8.m.0.cv2.bn.bias     False          128                [128]       -0.2      0.606 torch.float3275                  model.9.cv1.conv.weight     False        32768     [128, 256, 1, 1]   -0.00452     0.0257 torch.float3276                    model.9.cv1.bn.weight     False          128                [128]      0.926      0.251 torch.float3277                      model.9.cv1.bn.bias     False          128                [128]       1.43      0.654 torch.float3278                  model.9.cv2.conv.weight     False       131072     [256, 512, 1, 1]  -0.000201      0.018 torch.float3279                    model.9.cv2.bn.weight     False          256                [256]      0.936      0.257 torch.float3280                      model.9.cv2.bn.bias     False          256                [256]      -1.27      0.828 torch.float3281                 model.12.cv1.conv.weight     False        49152     [128, 384, 1, 1]   -0.00243     0.0255 torch.float3282                   model.12.cv1.bn.weight     False          128                [128]       0.87      0.224 torch.float3283                     model.12.cv1.bn.bias     False          128                [128]     -0.373      0.821 torch.float3284                 model.12.cv2.conv.weight     False        24576     [128, 192, 1, 1]   -0.00462     0.0284 torch.float3285                   model.12.cv2.bn.weight     False          128                [128]       0.73      0.201 torch.float3286                     model.12.cv2.bn.bias     False          128                [128]     -0.281      0.661 torch.float3287             model.12.m.0.cv1.conv.weight     False        36864       [64, 64, 3, 3]    -0.0022     0.0224 torch.float3288               model.12.m.0.cv1.bn.weight     False           64                 [64]      0.832      0.134 torch.float3289                 model.12.m.0.cv1.bn.bias     False           64                 [64]     -0.841      0.611 torch.float3290             model.12.m.0.cv2.conv.weight     False        36864       [64, 64, 3, 3]  -0.000787     0.0213 torch.float3291               model.12.m.0.cv2.bn.weight     False           64                 [64]      0.824      0.182 torch.float3292                 model.12.m.0.cv2.bn.bias     False           64                 [64]     -0.107      0.636 torch.float3293                 model.15.cv1.conv.weight     False        12288      [64, 192, 1, 1]   -0.00189     0.0321 torch.float3294                   model.15.cv1.bn.weight     False           64                 [64]      0.536      0.215 torch.float3295                     model.15.cv1.bn.bias     False           64                 [64]       0.16      0.967 torch.float3296                 model.15.cv2.conv.weight     False         6144       [64, 96, 1, 1]   -0.00124     0.0364 torch.float3297                   model.15.cv2.bn.weight     False           64                 [64]      0.561      0.275 torch.float3298                     model.15.cv2.bn.bias     False           64                 [64]      0.127      0.942 torch.float3299             model.15.m.0.cv1.conv.weight     False         9216       [32, 32, 3, 3]   -0.00236     0.0306 torch.float32100               model.15.m.0.cv1.bn.weight     False           32                 [32]      0.663       0.14 torch.float32101                 model.15.m.0.cv1.bn.bias     False           32                 [32]     -0.567      0.583 torch.float32102             model.15.m.0.cv2.conv.weight     False         9216       [32, 32, 3, 3]   -0.00152     0.0289 torch.float32103               model.15.m.0.cv2.bn.weight     False           32                 [32]      0.741      0.161 torch.float32104                 model.15.m.0.cv2.bn.bias     False           32                 [32]       0.21      0.786 torch.float32105                     model.16.conv.weight     False        36864       [64, 64, 3, 3]  -0.000977     0.0176 torch.float32106                       model.16.bn.weight     False           64                 [64]      0.842      0.216 torch.float32107                         model.16.bn.bias     False           64                 [64]     -0.389      0.592 torch.float32108                 model.18.cv1.conv.weight     False        24576     [128, 192, 1, 1]   -0.00217     0.0241 torch.float32109                   model.18.cv1.bn.weight     False          128                [128]      0.876      0.208 torch.float32110                     model.18.cv1.bn.bias     False          128                [128]     -0.307      0.611 torch.float32111                 model.18.cv2.conv.weight     False        24576     [128, 192, 1, 1]   -0.00254     0.0237 torch.float32112                   model.18.cv2.bn.weight     False          128                [128]      0.726      0.297 torch.float32113                     model.18.cv2.bn.bias     False          128                [128]     -0.434      0.761 torch.float32114             model.18.m.0.cv1.conv.weight     False        36864       [64, 64, 3, 3]   -0.00257     0.0203 torch.float32115               model.18.m.0.cv1.bn.weight     False           64                 [64]      0.798      0.175 torch.float32116                 model.18.m.0.cv1.bn.bias     False           64                 [64]     -0.773      0.493 torch.float32117             model.18.m.0.cv2.conv.weight     False        36864       [64, 64, 3, 3]    -0.0014     0.0195 torch.float32118               model.18.m.0.cv2.bn.weight     False           64                 [64]       1.19      0.285 torch.float32119                 model.18.m.0.cv2.bn.bias     False           64                 [64]      -0.07      0.668 torch.float32120                     model.19.conv.weight     False       147456     [128, 128, 3, 3]  -0.000819     0.0118 torch.float32121                       model.19.bn.weight     False          128                [128]      0.876       0.21 torch.float32122                         model.19.bn.bias     False          128                [128]     -0.508      0.365 torch.float32123                 model.21.cv1.conv.weight     False        98304     [256, 384, 1, 1]   -0.00166     0.0159 torch.float32124                   model.21.cv1.bn.weight     False          256                [256]       1.06      0.225 torch.float32125                     model.21.cv1.bn.bias     False          256                [256]     -0.592      0.579 torch.float32126                 model.21.cv2.conv.weight     False        98304     [256, 384, 1, 1]   -0.00257     0.0148 torch.float32127                   model.21.cv2.bn.weight     False          256                [256]       1.03      0.317 torch.float32128                     model.21.cv2.bn.bias     False          256                [256]     -0.893      0.491 torch.float32129             model.21.m.0.cv1.conv.weight     False       147456     [128, 128, 3, 3]   -0.00142     0.0129 torch.float32130               model.21.m.0.cv1.bn.weight     False          128                [128]       1.03      0.223 torch.float32131                 model.21.m.0.cv1.bn.bias     False          128                [128]      -0.96      0.618 torch.float32132             model.21.m.0.cv2.conv.weight     False       147456     [128, 128, 3, 3]   -0.00124     0.0128 torch.float32133               model.21.m.0.cv2.bn.weight     False          128                [128]       1.35      0.253 torch.float32134                 model.21.m.0.cv2.bn.bias     False          128                [128]     -0.553      0.516 torch.float32135             model.22.cv2.0.0.conv.weight     False        36864       [64, 64, 3, 3]   -0.00193     0.0181 torch.float32136               model.22.cv2.0.0.bn.weight     False           64                 [64]       0.88      0.351 torch.float32137                 model.22.cv2.0.0.bn.bias     False           64                 [64]     -0.492      0.707 torch.float32138             model.22.cv2.0.1.conv.weight     False        36864       [64, 64, 3, 3]   -0.00163     0.0178 torch.float32139               model.22.cv2.0.1.bn.weight     False           64                 [64]       2.41       1.04 torch.float32140                 model.22.cv2.0.1.bn.bias     False           64                 [64]      0.922      0.757 torch.float32141                  model.22.cv2.0.2.weight     False         4096       [64, 64, 1, 1]   -0.00542     0.0553 torch.float32142                    model.22.cv2.0.2.bias     False           64                 [64]      0.997       1.39 torch.float32143             model.22.cv2.1.0.conv.weight     False        73728      [64, 128, 3, 3]    -0.0017      0.014 torch.float32144               model.22.cv2.1.0.bn.weight     False           64                 [64]       1.28      0.485 torch.float32145                 model.22.cv2.1.0.bn.bias     False           64                 [64]     -0.389       0.68 torch.float32146             model.22.cv2.1.1.conv.weight     False        36864       [64, 64, 3, 3]   -0.00128     0.0167 torch.float32147               model.22.cv2.1.1.bn.weight     False           64                 [64]       2.56          1 torch.float32148                 model.22.cv2.1.1.bn.bias     False           64                 [64]      0.855      0.564 torch.float32149                  model.22.cv2.1.2.weight     False         4096       [64, 64, 1, 1]   -0.00756     0.0594 torch.float32150                    model.22.cv2.1.2.bias     False           64                 [64]      0.992       1.32 torch.float32151             model.22.cv2.2.0.conv.weight     False       147456      [64, 256, 3, 3]  -0.000553     0.0115 torch.float32152               model.22.cv2.2.0.bn.weight     False           64                 [64]       1.55      0.413 torch.float32153                 model.22.cv2.2.0.bn.bias     False           64                 [64]     -0.259       0.62 torch.float32154             model.22.cv2.2.1.conv.weight     False        36864       [64, 64, 3, 3]   -0.00065     0.0149 torch.float32155               model.22.cv2.2.1.bn.weight     False           64                 [64]       2.95      0.852 torch.float32156                 model.22.cv2.2.1.bn.bias     False           64                 [64]      0.822      0.556 torch.float32157                  model.22.cv2.2.2.weight     False         4096       [64, 64, 1, 1]   -0.00674     0.0609 torch.float32158                    model.22.cv2.2.2.bias     False           64                 [64]       0.99       1.33 torch.float32159             model.22.cv3.0.0.conv.weight     False        36864       [64, 64, 3, 3]   -0.00138     0.0275 torch.float32160               model.22.cv3.0.0.bn.weight     False           64                 [64]          1    0.00984 torch.float32161                 model.22.cv3.0.0.bn.bias     False           64                 [64]    0.00709     0.0156 torch.float32162             model.22.cv3.0.1.conv.weight     False        36864       [64, 64, 3, 3]   -0.00549     0.0281 torch.float32163               model.22.cv3.0.1.bn.weight     False           64                 [64]       1.01     0.0248 torch.float32164                 model.22.cv3.0.1.bn.bias     False           64                 [64]     0.0356     0.0581 torch.float32165                  model.22.cv3.0.2.weight     False           64        [1, 64, 1, 1]    -0.0297     0.0872 torch.float32166                    model.22.cv3.0.2.bias     False            1                  [1]       -7.2        nan torch.float32167             model.22.cv3.1.0.conv.weight     False        73728      [64, 128, 3, 3]   -0.00178     0.0217 torch.float32168               model.22.cv3.1.0.bn.weight     False           64                 [64]          1     0.0165 torch.float32169                 model.22.cv3.1.0.bn.bias     False           64                 [64]    0.00244     0.0185 torch.float32170             model.22.cv3.1.1.conv.weight     False        36864       [64, 64, 3, 3]   -0.00481     0.0278 torch.float32171               model.22.cv3.1.1.bn.weight     False           64                 [64]       1.02     0.0239 torch.float32172                 model.22.cv3.1.1.bn.bias     False           64                 [64]     0.0411     0.0545 torch.float32173                  model.22.cv3.1.2.weight     False           64        [1, 64, 1, 1]    -0.0327      0.104 torch.float32174                    model.22.cv3.1.2.bias     False            1                  [1]       -5.8        nan torch.float32175             model.22.cv3.2.0.conv.weight     False       147456      [64, 256, 3, 3]  -0.000784     0.0158 torch.float32176               model.22.cv3.2.0.bn.weight     False           64                 [64]          1    0.00871 torch.float32177                 model.22.cv3.2.0.bn.bias     False           64                 [64]    0.00025     0.0116 torch.float32178             model.22.cv3.2.1.conv.weight     False        36864       [64, 64, 3, 3]   -0.00326     0.0272 torch.float32179               model.22.cv3.2.1.bn.weight     False           64                 [64]       1.06     0.0776 torch.float32180                 model.22.cv3.2.1.bn.bias     False           64                 [64]      0.048     0.0988 torch.float32181                  model.22.cv3.2.2.weight     False           64        [1, 64, 1, 1]    -0.0661      0.101 torch.float32182                    model.22.cv3.2.2.bias     False            1                  [1]      -4.48        nan torch.float32183                 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.rhkb.cn/news/306350.html

如若内容造成侵权/违法违规/事实不符，请联系长河编程网进行投诉反馈email:809451989@qq.com，一经查实，立即删除！

相关文章

Python3.7编程之病毒

Python3.7编程之病毒

基础篇 什么是病毒 病毒，指的是一些通过非法手段获取系统的一些权限，然后进行破坏或者盗取。 病毒分为两类： 1、破坏型 这类病毒往往会将系统弄的乱七八糟，比如把你的U盘删光，把你的系统背景调成黑客图片&#xff0c…
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...
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...
abap 字符超过255的显示

abap 字符超过255的显示

大家都知道SAP ALV的一个单元格最大显示的长度就是255 意思就是你的这个字段在内表里面即使是超过255位，也无法只能显示255 如果客户的需求是需要看到完整的消息内容， 最简单的就是将整个程序的数据右键导出到excle中去查看 如果客户执意需要在ALV中…
阅读更多...
python+django教师业绩考评考核评分系统flask

python+django教师业绩考评考核评分系统flask

在设计过程中，将参照一下国内外的一些同类网站，借鉴下他们的一些布局框架，将课题要求的基本功能合理地组织起来，形成友好、高效的交互过程。开发的具体步骤为： 　　第一步，进行系统的可行性分析&#xff0c…
阅读更多...
佛山市人工智能产业生态交流会：实在智能Agent引领“智造浪潮”

佛山市人工智能产业生态交流会：实在智能Agent引领“智造浪潮”

制造业，实体经济的核心，技术创新的先锋，供给侧结构性改革的关键。在新一轮产业竞争中，数字化转型成为制造业升级的必由之路，是引领未来的重要抓手。 为促进数字经济赋能实体经济，加快人工智能技术的推广应用…
阅读更多...
汇编入门--基础知识（1）

汇编入门--基础知识（1）

1.汇编语言的概念 汇编语言是一种低级编程语言，它与计算机的机器语言非常接近，但比机器语言更易于人类阅读和理解。汇编语言是用一系列的助记符来表示机器语言的操作码和操作数。每种计算机体系结构（如x86、ARM等）都有自己的汇编语…
阅读更多...
CCD机器视觉在工业生产中起到什么作用？

CCD机器视觉在工业生产中起到什么作用？

CCD机器视觉尺寸测量是基于相对测量方法，通过可追溯性、放大校准、自动边缘提升和屏幕图像测量来计算实际尺寸。在精密测量中，放大倍数必须达到35倍或更高，才能达到微米级的精度。此时，视线宽度小于5mm。对于大于5mm的物体&#x…
阅读更多...
小型时间继电器ST3PA-C DC24V 带插座PF085A 导轨安装 JOSEF约瑟

小型时间继电器ST3PA-C DC24V 带插座PF085A 导轨安装 JOSEF约瑟

ST3P系列时间继电器 系列型号 ST3PF-2Z(JSZ3F-2Z) 5s AC110V ST3PF(JSZ3F) 10s AC48V ST3PC-1(AH3-3) 5s DC24V ST3PC-1(AH3-3) 2h AC220V ST3PC-F(JSZ3C-F) AC380V ST3PA-E(JSZ3A-E) DC24V ST3PA-F(JSZ3A-F) DC24V ST3PF(JSZ3F) 10s AC36V ST3PC-1(AH3-3) 10s AC24V ST3PC-1…
阅读更多...
Linux使用C语言实现Socket编程

Linux使用C语言实现Socket编程

Socket编程 这一个课程的笔记 相关文章 协议 Socket编程 高并发服务器实现 线程池 网络套接字 socket: （电源）插座（电器上的）插口，插孔，管座 在通信过程中, 套接字是成对存在的, 一个客户端的套接字, 一个…
阅读更多...
【算法】求{1，2，3}序列的全排列，邻里交换法（Java）

【算法】求{1，2，3}序列的全排列，邻里交换法（Java）

【算法】求{1，2，3}序列的全排列，邻里交换法（Java） 代码如下： public class Main{static int count;static int a[] {1,2,3};public static void main(String[] args) {f(a,0);System.out.println(count);}p…
阅读更多...
MAC苹果电脑如何使用Homebrew安装iperf3

MAC苹果电脑如何使用Homebrew安装iperf3

一、打开mac终端 找到这个终端打开 二、终端输入安装Homebrew命令 Homebrew官网地址：https://brew.sh/ 复制这个命令粘贴到mac的终端窗口，然后按回车键 /bin/bash -c "$(curl -fsSL https://raw.githubusercontent.com/Homebrew/install/HEAD/in…
阅读更多...
未来汽车硬件安全的需求(1)

未来汽车硬件安全的需求(1)

目录 1.概述 2.EVITA 2.1 EVITA HSM 2.2 EVITA保护范围 3.市场变化对车载网络安全的影响 3.1 非侵入式攻击的风险 3.2 量子计算机的蛮力攻击 3.3 整车E/E架构的变化 3.4 网络安全标准和认证 3.5 汽车工业的网络安全措施 4.汽车安全控制器 4.1 TPM2.0 4.2 安全控…
阅读更多...
数据分析案例（一）：地区收入的PCA主成分分析

数据分析案例（一）：地区收入的PCA主成分分析

练习1 地区收入的PCA主成分分析 0.变量说明 1.导包操作 核心思路：导入基础数据操作库包，PCA、k-means 库包，数据可视化库包 import pandas as pd import numpy as np from sklearn.decomposition import PCA from sklearn.preprocessing i…
阅读更多...
Go语言中channel和互斥锁的应用场景

Go语言中channel和互斥锁的应用场景

面对一个并发问题，我们的解决方案是使用channel还是互斥锁来实现并不总是很清晰。因为Go提倡使用通信来共享内存，所以一个常见的错误就是总是强制使用channel,不管实际情况如何。但是我们应该把这两种选择作为互补手段。 首先，简单回顾一下Go语言中的channel:channel是一种交…
阅读更多...
软件设计师-基础知识科目-算法设计与分析8

软件设计师-基础知识科目-算法设计与分析8

八、算法设计与分析： 常见算法： 回溯方法： 用深度优先的探索问题的解空间。应用场景：N皇后问题。（背） 分支界限法： 用广度优先的探索问题的解空间，采用的是分支界限法算法设计策…
阅读更多...
小程序开发SSL证书下载和安装

小程序开发SSL证书下载和安装

在开发小程序时，确保数据的安全传输至关重要，而实现这一目标的关键在于正确获取与安装SSL证书。以下详细介绍了从获取到安装SSL证书的完整流程，以助您为小程序构建可靠的加密通信环境。 一、小程序SSL证书类型选择： 域名验证型D…
阅读更多...
互联网轻量级框架整合之设计模式

互联网轻量级框架整合之设计模式

反射技术 Java的反射技术能够通过配置类的全限定名、方法和参数完成对象的初始化，甚至反射某些方法，大大的增强了Java的可配置型，这也是Spring IoC的底层原理，Java的反射技术覆盖面很广，包括对象构建、反射方法、注解、…
阅读更多...
备战蓝桥杯---刷杂题2

备战蓝桥杯---刷杂题2

显然我们直接看前一半&#xff0c;然后我们按照斜行看&#xff0c;我们发现斜行是递增的&#xff0c;而同一行从左向右也是递增的&#xff0c;因此我们可以直接二分&#xff0c;同时我们发现对称轴的数为Ck,2k. 我们从16斜行枚举即可 #include<bits/stdc.h> using name…
阅读更多...
YOLOV5训练KITTI数据集实践

YOLOV5训练KITTI数据集实践

目录 一、YOLOV5下载安装二、KITTI数据集三、标签格式转换四、修改配置文件五、训练六、测试 一、YOLOV5下载安装 git clone https://github.com/ultralytics/yolov5.git conda create -n yolov5 python3.8 -y conda activate yolov5 cd yolov5 pip install -r requirements.t…
阅读更多...
最新文章
推荐文章

Copyright @ 2022~2023