【开箱即用】PyTorch ResNet18 / ResNet50 预训练权重文件:一行命令拉取并加载完整流程

原创2026-11-12 18:34:011,345 阅读

【开箱即用】PyTorch ResNet18 / ResNet50 预训练权重文件:一行命令拉取并加载完整流程

这个仓库托管 PyTorch 官方的 ResNet18、ResNet50 预训练模型权重文件(ImageNet-1K),克隆下来即可加载使用,省去手动翻找官方下载地址的时间。

一行命令拉取全部权重

git clone https://gitcode.com/open-source-toolkit/976b3

克隆后把压缩包解到工作目录即可。两个权重文件的命名规律是 模型名-8位hash.pth,hash 是权重内容的版本指纹:同后缀代表同一份权重,不同后缀则来自不同的训练快照,加载前值得核对一下。

文件名 对应模型
resnet18-5c106cde.pth ResNet18(约 11.7M 参数)
resnet50-19c8e357.pth ResNet50(约 25.6M 参数)

加载权重并验证参数是否对齐

import torch
import torchvision.models as models

m = models.resnet18(weights=None)  # 只建空壳,不触发在线下载
m.load_state_dict(torch.load('resnet18-5c106cde.pth'))  # 关键:逐层对齐权重
print(sum(p.numel() for p in m.parameters()))  # 期望输出 11689112

输出与预期参数量一致,说明加载成功 ✅。另提醒一点:torchvision ≥ 0.13 之后 pretrained 参数已弃用,官方写法是 weights=IMAGENET1K_V1;本例用本地文件,传 weights=None 更干净。

推理直接用,微调只换分类头

  • 场景判断:任务就是 1000 类 ImageNet 分类,或把它当特征提取器 → 直接推理:
    m.eval()
    with torch.no_grad():
        out = m(img)  # 关闭梯度,省显存、结果确定
    
  • 场景判断:数据是别的类别(工业缺陷、医学影像等)→ ResNet 微调入门,只改分类头:
    m.train()
    m.fc = torch.nn.Linear(m.fc.in_features, num_classes)  # 换分类头
    

常见坑:现象 → 解法

  • ⚠️ 推理结果全错或精度骤降 → 检查预处理是否对齐 ImageNet 归一化:mean=[0.485, 0.456, 0.406]、std=[0.229, 0.224, 0.225]
  • ⚠️ load_state_dict 报 size mismatch 或 unexpected keys → torchvision 版本对应的 ResNet 结构变了,升级到与 IMAGENET1K_V1 一致的新版本再建壳
  • ⚠️ 加载后精度比官方数字差 → 确认预处理 pipeline(Resize 256 / CenterCrop 224 / ToTensor / Normalize)逐项一致

权重遵循 PyTorch 官方许可证,商用前请以 PyTorch 官方文档为准。发现问题或有权重更新建议,欢迎直接提 Issue / Pull Request。想继续往下走,可以看看 PyTorch 官方 ResNet 模块 里各变体的参数量对照表。

登录后查看全文
PyTorchResNet18和ResNet50官方预训练模型