yolov5检测图片用detect.py

一、检测问题解决

今天在用detect.py以及自己训练的模型检测图片时，遇到了一些问题，在这总结一下子
1、修改代码
看下面这段代码，是yolo.py中的Model类中的forward函数，训练的时候augment=False，而检测时我们得把它改为true,augment=True

    def forward(self, x, augment=True, profile=False):   # 训练：augment=False
        if augment:    # TTA(Test Time Augmentation) 只在测试和检测的时候做的数据增强
            return self.forward_augment(x)  # augmented inference, None
        else:          # 如果是训练的过程则执行else
            return self.forward_once(x, profile)  # single-scale inference, train

2、还有一个特别值得注意的问题是，当你使用你自己的训练模型检测图片时，你的网络模型得用的是和训练时一模一样的，不能修改，不然会报错，因为在检测时，也会执行yolo.py和detect.py文件
例如，我训练模型时用的concat模块是这样的：（common.py文件中）
这是我把原来的concat模块给改了

# biFPN 1
class Concat(nn.Module):
    def __init__(self, c1):
        super(Concat, self).__init__()
        # self.relu = nn.ReLU()
        self.w = nn.Parameter(torch.ones(2, dtype=torch.float32), requires_grad=True)
        self.epsilon = 0.0001
        self.swish = Swish()

    def forward(self, x):
        weight = self.w / (torch.sum(self.w, dim=0) + self.epsilon)
        # Connections for P6_0 and P7_0 to P6_1 respectively
        x = self.swish(weight[0] * x[0] + weight[1] * x[1])
        return x

然而我检测时又用了原来的concat模块：

# 原
 class Concat(nn.Module):
     # Concatenate a list of tensors along dimension
     def __init__(self, dimension=1):
         super(Concat, self).__init__()
         self.d = dimension

     def forward(self, x):
         return torch.cat(x, self.d)

这样的话当然是不行的哈

二、检测疑惑解答

今天，在检测过程中发现出现了网络层数和参数的打印信息，我很疑惑为什么会有这种信息，检测不就是直接拿训练好的模型去检测吗，为什么会有网络信息？？

原来训练好的.pt文件只是一组参数，用它检测图片时还得把它加入到网络模型中，用网络模型去处理检测图片，这也是为什么第一个问题中检测模型要和训练模型完全一致的原因。就好比你拿狗训练的参数要套在猫身上肯定是对不上的咯！