TensorRTX项目中的PyTorch模型权重转换问题解析

在深度学习模型部署过程中，我们经常需要将PyTorch训练好的模型转换为其他格式以便在不同平台上运行。TensorRTX作为一个专注于TensorRT实现的项目，提供了将YOLO系列模型转换为TensorRT引擎的工具链。然而，在实际操作中，用户可能会遇到一些转换问题，特别是从PyTorch的.pt文件生成.wts权重文件时出现的错误。

问题现象

当用户尝试使用TensorRTX项目中的gen_wts.py脚本将训练好的YOLO检测模型（best.pt）转换为.wts格式时，会遇到如下错误提示：

_pickle.UnpicklingError: Weights only load failed...

错误信息表明PyTorch在尝试以"weights_only"模式加载模型时失败，并给出了两个解决方案建议。

问题根源

这个问题的根本原因在于PyTorch 2.6版本对torch.load函数的安全机制进行了升级。从PyTorch 2.6开始，weights_only参数的默认值从False改为True。当设置为True时，PyTorch会限制可以反序列化的对象类型，以提高安全性防止恶意代码执行。

在TensorRTX项目中，gen_wts.py脚本需要加载完整的模型结构（包括自定义的DetectionModel类），而不仅仅是模型权重。当weights_only=True时，PyTorch不允许加载这些自定义类，因此导致了反序列化失败。

解决方案

针对这个问题，有以下几种解决方法：

1. 修改gen_wts.py脚本
   最简单的解决方案是修改gen_wts.py脚本中的模型加载代码，显式地将weights_only参数设置为False：

model = torch.load(pt_file, map_location=device, weights_only=False)

2. 使用安全全局变量上下文管理器
   如果出于安全考虑不想完全禁用weights_only检查，可以使用PyTorch提供的安全全局变量机制：

with torch.serialization.safe_globals([ultralytics.nn.tasks.DetectionModel]):
    model = torch.load(pt_file, map_location=device)

3. 降级PyTorch版本
   如果不方便修改代码，也可以考虑将PyTorch降级到2.6之前的版本，这样weights_only默认为False。

技术背景

理解这个问题需要了解PyTorch模型序列化的几个关键点：

1. PyTorch模型保存格式
   PyTorch模型通常保存为.pt或.pth文件，这些文件实际上包含了模型的结构定义和权重参数。完整的模型保存会使用Python的pickle机制序列化整个模型类。

2. weights_only模式
   这是一种安全机制，当设置为True时，PyTorch只允许加载包含基本Python类型和Torch张量的文件，防止潜在的恶意代码执行。

3. 自定义模型类
   YOLO等现代检测模型通常使用自定义的模型类（如DetectionModel），这些类在weights_only=True模式下不被信任，因此加载失败。

最佳实践建议

1. 信任源检查
   只有在确认模型文件来源可信的情况下，才应该使用weights_only=False。对于从不可信来源获取的模型文件，建议保持weights_only=True。

2. 环境一致性
   确保生成.wts文件的环境与后续TensorRT转换环境一致，避免因版本差异导致的问题。

3. 错误处理
   在实际部署脚本中，应该添加适当的错误处理机制，捕获并记录转换过程中的异常。

总结

在TensorRTX项目中进行模型转换时遇到的这个PyTorch权重加载问题，反映了深度学习模型部署过程中版本兼容性和安全性之间的平衡。理解PyTorch的序列化机制和安全策略，能够帮助开发者更有效地解决类似问题。通过合理选择解决方案，我们可以在保证安全性的前提下顺利完成模型格式转换，为后续的TensorRT优化和部署奠定基础。