【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
【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