### 加载自定义YOLOv5模型以进行推理或训练 为了实现通过 `torch.hub.load` 方法加载本地的 YOLOv5 自定义模型并支持 ONNX 导出功能，以下是详细的解决方案： #### 使用本地路径替代 GitHub 路径 当使用 `torch.hub.load` 时，默认情况下会尝试从 GitHub 下载指定的存储库。然而，在网络不稳定的情况下可能会遇到“远程连接失败”的错误[^3]。为了避免这一问题，可以通过以下方式修改代码逻辑，使其完全依赖于本地资源。 1. **将仓库复制到本地** 将整个 `ultralytics/yolov5` 存储库下载下来，并放置在一个已知的目录下（例如 `D:\local_yolov5`）。这样可以确保即使没有互联网连接也可以正常工作。 2. **调整 `torch.hub.load` 的参数** 修改 `torch.hub.load` 函数中的第一个参数为本地路径而不是 URL 地址。具体来说，应该提供的是文件系统的绝对路径而非远程地址。例如： ```python import torch # 替换为本地路径 yolov5_path = "D:/local_yolov5" model = torch.hub.load(yolov5_path, 'custom', source='local', path="F:\\GitHub\\yolov5\\runs\\train\\exp20\\weights\\best.pt", device='cpu') ``` 这里需要注意的关键点在于新增加了一个名为 `source='local'` 的选项，它告诉 PyTorch 不要去寻找在线版本而是专注于当前计算机上的副本[^1]。 3. **导出ONNX格式模型** 如果还需要进一步处理比如转换成其他框架可用的形式，则可利用 `export.py` 文件完成此操作前先确认其内部设置无误[^4]。下面展示了一种简单的命令行调用来生成所需的 `.onnx` 文件形式： ```bash python export.py --weights F:\GitHub\yolov5\runs\train\exp20\weights\best.pt --include onnx ``` 此外还可以根据实际需求定制更多细节如输入尺寸大小等额外参数。 --- ### 示例代码片段 ```python import torch # 定义本地YoloV5路径以及预训练权重位置 yolov5_local_dir = r"D:\local_yolov5" weight_file = r"F:\GitHub\yolov5\runs\train\exp20\weights\best.pt" # 创建模型实例 (注意这里的'source'设定了为'local') model = torch.hub.load( repo_or_dir=yolov5_local_dir, model='custom', source='local', path=weight_file, force_reload=False, skip_validation=True, trust_repo=None, verbose=True, pretrained=False, progress=True, device='cuda' ) # 测试图片检测效果 img_url = 'https://ultralytics.com/images/zidane.jpg' results = model(img_url) print(results.pandas().xyxy[0]) # 打印预测框坐标及相关信息 ``` 上述例子展示了如何基于本地安装好的环境构建起完整的对象识别流程，同时保留了灵活性以便后续扩展应用范围。 ---