### 加载本地 YOLOv5s 模型的方法 要在 Ubuntu 系统中加载本地的 YOLOv5s 模型，可以遵循以下方式实现。以下是具体的操作说明： #### 1. 安装依赖项 确保已安装 PyTorch 和其他必要的库。如果尚未完成此操作，请执行以下命令来安装所需的 Python 库： ```bash pip install torch torchvision opencv-python numpy ``` 对于特定版本的支持，请确认所使用的 PyTorch 版本与 CUDA 驱动兼容。 #### 2. 下载预训练权重文件 YOLOv5 的官方仓库提供了多个预训练模型（如 `yolov5s.pt`）。如果没有现成的 `.pt` 文件，可以从 GitHub 仓库下载对应模型的权重文件[^1]： ```bash wget https://github.com/ultralytics/yolov5/releases/download/v6.0/yolov5s.pt ``` 将其保存至指定目录，例如 `/path/to/model`. #### 3. 编写加载代码 通过编写简单的 Python 脚本来加载本地存储的 YOLOv5s 权重文件。以下是一个完整的示例代码片段： ```python import torch from models.experimental import attempt_load # 设置设备为 GPU (如果有可用)，否则使用 CPU device = 'cuda' if torch.cuda.is_available() else 'cpu' # 加载模型 model_path = '/path/to/model/yolov5s.pt' model = attempt_load(model_path, map_location=device) # 将模型设置为评估模式 model.eval() print("Model loaded successfully!") ``` 上述代码中的核心函数 `attempt_load()` 是由 YOLOv5 提供的一个工具函数，用于动态加载不同类型的模型结构及其参数[^2]。 #### 4. 测试推理功能 为了验证模型是否正常工作，可以通过输入一张图片来进行预测测试。这里提供了一个简单例子： ```python import cv2 import numpy as np def preprocess_image(image_path): img = cv2.imread(image_path) img = cv2.resize(img, (640, 640)) img = img.transpose(2, 0, 1) # HWC to CHW img = np.ascontiguousarray(img).astype(np.float32) / 255.0 return torch.from_numpy(img).unsqueeze(0).to(device) image_path = "/path/to/test/image.jpg" input_tensor = preprocess_image(image_path) with torch.no_grad(): results = model(input_tensor)[0] print(results.shape) # 输出检测框坐标和其他信息 ``` 这段代码实现了图像读取、尺寸调整以及标准化处理等功能，并调用了模型进行前向传播计算得到结果。 --- ### 注意事项 - 如果计划将该模型部署到 Jetson Nano 设备上，则需额外考虑 TensorRT 的优化过程[^3]。 - 对于某些特殊需求场景下的转换失败情况，可尝试寻找替代方案或者手动修改 gen_wts_yolov5.py 工具脚本[^4]。