PyTorch加载预训练模型实例(pretrained)

PyTorch是一个非常流行的深度学习框架，它提供了许多预训练模型，可以用于各种任务，例如图像分类、目标检测、语义分割等。在本教程中，我们将学习如何使用PyTorch加载预训练模型。

加载预训练模型

在PyTorch中，我们可以使用torchvision.models模块来加载预训练模型。该模块提供了许多流行的模型，例如ResNet、VGG、AlexNet等。我们可以使用以下代码来加载一个预训练模型：

import torch
import torchvision.models as models

# 加载预训练模型
model = models.resnet18(pretrained=True)

# 打印模型结构
print(model)

在这个示例中，我们使用models.resnet18()函数来加载一个预训练的ResNet-18模型。我们将pretrained参数设置为True，以加载预训练权重。然后，我们打印了模型的结构。

示例1：使用预训练模型进行图像分类

在这个示例中，我们将使用预训练模型进行图像分类。我们将使用一个预训练的ResNet-18模型来对一张图像进行分类。

import torch
import torchvision.models as models
import torchvision.transforms as transforms
from PIL import Image

# 加载预训练模型
model = models.resnet18(pretrained=True)

# 加载图像并进行预处理
img = Image.open('image.jpg')
transform = transforms.Compose([
    transforms.Resize(256),
    transforms.CenterCrop(224),
    transforms.ToTensor(),
    transforms.Normalize(mean=[0.485, 0.456, 0.406], std=[0.229, 0.224, 0.225])
])
img = transform(img)
img = img.unsqueeze(0)

# 使用模型进行预测
model.eval()
with torch.no_grad():
    output = model(img)

# 打印预测结果
_, predicted = torch.max(output.data, 1)
print(predicted.item())

在这个示例中，我们首先加载了一个预训练的ResNet-18模型。然后，我们加载了一张图像，并使用transforms模块中的函数对图像进行预处理。我们将图像转换为Tensor，并对其进行归一化。然后，我们使用模型进行预测，并打印预测结果。

示例2：使用预训练模型进行目标检测

在这个示例中，我们将使用预训练模型进行目标检测。我们将使用一个预训练的Faster R-CNN模型来对一张图像中的目标进行检测。

import torch
import torchvision.models as models
import torchvision.transforms as transforms
from PIL import Image, ImageDraw

# 加载预训练模型
model = models.detection.fasterrcnn_resnet50_fpn(pretrained=True)

# 加载图像并进行预处理
img = Image.open('image.jpg')
transform = transforms.Compose([
    transforms.ToTensor(),
])
img = transform(img)

# 使用模型进行预测
model.eval()
with torch.no_grad():
    output = model([img])

# 绘制检测结果
img = transforms.ToPILImage()(img)
draw = ImageDraw.Draw(img)
for box in output[0]['boxes']:
    draw.rectangle(box.tolist(), outline='red')
img.show()

在这个示例中，我们首先加载了一个预训练的Faster R-CNN模型。然后，我们加载了一张图像，并使用transforms模块中的函数对图像进行预处理。我们将图像转换为Tensor，并使用模型进行预测。最后，我们使用PIL库中的函数绘制检测结果，并显示图像。