当前位置： 首页 > news >正文

Torchvision 0.26：深度学习视觉库全面解析

news 2026/4/21 6:47:40

torchvision — Torchvision 0.26 documentation

Models and pre-trained weights — Torchvision 0.26 documentation

VGG — Torchvision 0.26 documentation

Torchvision 0.26是 PyTorch 生态中专门用于计算机视觉（Computer Vision）的核心库文档。在 2026 年的背景下，它已经成为了一个高度成熟的工具包，涵盖了从数据加载、图像增强到最前沿模型调用的全流程。

该网页内容主要可以划分为以下6 大核心板块：

1. Transforms (数据变换与增强)

这是文档中变动最频繁也最重要的部分。在 0.26 版本中，V2 Transforms已经完全取代了旧版。

  • 多模态支持：V2 变换不仅支持图片（Image），还原生支持视频（Video）、边界框（Bounding Boxes）、掩码（Masks）。

  • 高性能：大部分变换支持在 GPU 上直接运行（通过 Tensor 驱动）。

  • 常用操作：包括RandomResizedCrop、Normalize、ColorJitter以及强大的AutoAugment。

2. Models (预训练模型库)

文档提供了大量工业界和学术界主流的架构，并且附带了在 ImageNet 或其他大型数据集上的预训练权重。

  • 架构涵盖：

    • 分类：从经典 ResNet 到最新的Vision Transformers (ViT)和Swin Transformer。

    • 检测与分割：Faster R-CNN, Mask R-CNN, DeepLabV3 等。

    • 视频处理：MViT, Video ResNet。

  • Weights API：使用Weights枚举类来更精确地调用特定版本的模型参数（如ResNet50_Weights.IMAGENET1K_V2）。

3. Datasets (内置数据集)

它内置了加载主流视觉数据集的接口，省去了用户手动写爬虫或解析器的麻烦。

  • 经典集：MNIST, CIFAR10, ImageNet。

  • 特定任务集：COCO (目标检测), Cityscapes (语义分割), Kinetics (视频)。

  • 标准格式：所有数据集都能完美配合 PyTorch 的DataLoader使用。

4. Operators (底层算子)

这一章主要面向需要自定义高性能层的高级开发者。

  • 视觉算子：如NMS (非极大值抑制)、RoIAlign (感兴趣区域对齐)、各种IoU (交并比)计算。

  • 这些算子通常是用 C++/CUDA 实现的，速度极快，是构建目标检测算法的基石。

5. IO (输入输出)

专门负责图像和视频的高速读取与解码。

  • torchvision.io：提供read_image和read_video函数，直接将磁盘文件读取为 GPU 友好的 Tensor 格式，不再需要通过 PIL 或 OpenCV 中转。

6. Training References (训练参考脚本)

这是 0.26 文档中非常有价值的一部分，它提供了官方用来训练那些预训练模型的原始脚本。

  • 如果你想复现官方的精度，或者学习如何编写专业的分布式训练代码，这些参考脚本是最佳示例。

在 Torchvision 0.26 的文档中，“Models and pre-trained weights” 页面是整个库的“核心仓库”。它不仅提供了各种先进的深度学习架构，还提供了在海量数据上训练好的“大脑”（权重）。

以下是该页面的深度解析：

1. 核心理念：模型 = 骨架 + 灵魂

文档将模型分为两个部分：

  • 模型架构 (Architectures)：即神经网络的结构代码（如 ResNet, ViT）。

  • 预训练权重 (Pre-trained Weights)：在特定数据集（如 ImageNet）上训练得到的参数。

2. 全新的 Weights API (重点)

在旧版本中，我们通常使用pretrained=True。但在 0.26 文档中，这种方式已被弃用，取而代之的是更加透明和灵活的Weights Enum API。

为什么要改？

  • 版本控制：一个模型可能有多个版本的权重（比如 ResNet50 有 V1 和更强的 V2）。

  • 自动配套增强：新 API 可以直接告诉你这个权重需要什么样的预处理（缩放、归一化参数）。

代码对比：

# ❌ 旧方式 (不推荐) model = torchvision.models.resnet50(pretrained=True) # ✅ 新方式 (推荐) from torchvision.models import resnet50, ResNet50_Weights model = resnet50(weights=ResNet50_Weights.IMAGENET1K_V2)

3. 模型大类

文档根据任务目标将模型分成了几大阵营：

任务类型代表模型应用场景
图像分类ResNet, EfficientNet,ViT (Vision Transformer), Swin识别图片里是什么
目标检测Faster R-CNN, SSD, RetinaNet,DETR找出物体的位置并打框
实例分割Mask R-CNN, DeepLabV3像素级抠图
视频分类MViT, Video ResNet识别动作（如挥手、跑步）
光流估计RAFT跟踪物体在两帧间的运动

4. 自动预处理 (Transforms)

这是 0.26 版本最贴心的改进。不同的预训练模型对输入图片的要求不同（有的要求 $224 \times 224$，有的要求 $232 \times 232$）。

文档通过weights.transforms()提供了自动化的预处理逻辑：

# 获取该权重对应的预处理步骤 weights = ResNet50_Weights.DEFAULT preprocess = weights.transforms() # 直接应用到图片 img_transformed = preprocess(img)

这保证了你的推理过程与官方训练过程完全一致，避免了因归一化参数不匹配导致的精度下降。

5. 性能度量指标

文档中为每个模型都列出了详细的表格，包含：

  • Acc@1 / Acc@5：在 ImageNet 上的分类准确率。

  • Params：参数量（模型占多大内存）。

  • GFLOPS：计算量（运行有多快）。

6. 如何选择模型？

  • 追求速度（移动端/嵌入式）：选择MobileNetV3或ShuffleNetV2。

  • 追求精度（研究/高配服务器）：选择ConvNeXt或ViT_H（大型视觉 Transformer）。

  • 平衡性最好：ResNet家族或RegNet。

Torchvision 0.26 文档中关于VGG的部分介绍了一系列由牛津大学视觉几何组（Visual Geometry Group）开发的经典卷积神经网络架构。虽然 VGG 诞生于 2014 年，但由于其结构的规整性和易用性，它至今仍是特征提取和迁移学习的常用基准。

以下是该文档页面的核心内容讲解：

1. VGG 的核心设计理念

VGG 最大的贡献是证明了增加网络深度并使用**极小的卷积核（$3 \times 3$）**能有效提升图像识别的效果。

  • 堆叠卷积层：两个 $3 \times 3$ 卷积层的感受野等同于一个 $5 \times 5$ 卷积层，但参数量更少且引入了更多非线性变换。

  • 统一结构：整个网络几乎全部由 $3 \times 3$ 卷积、步长为 2 的 $2 \times 2$ 最大池化层以及最后三个全连接层组成。

2. 文档中提供的模型变体

Torchvision 提供了多种深度的 VGG 版本，主要分为两类：

标准版 (Standard)

  • VGG11: 8 个卷积层 + 3 个全连接层。

  • VGG13: 10 个卷积层 + 3 个全连接层。

  • VGG16: 13 个卷积层 + 3 个全连接层（最常用）。

  • VGG19: 16 个卷积层 + 3 个全连接层。

带批归一化版 (With Batch Normalization)

在模型名称后加上_bn（如vgg16_bn）。

  • 优势：在卷积层和激活函数之间加入了 Batch Norm 层，能够加速模型收敛并提高训练稳定性。在实际应用中，强烈建议优先使用带_bn的版本。

3. 如何调用预训练权重

在 0.26 文档中，调用方式遵循新的 Weights API 规范：

from torchvision.models import vgg16, VGG16_Weights # 1. 加载默认的最佳权重 (通常是 IMAGENET1K_V1) model = vgg16(weights=VGG16_Weights.DEFAULT) # 2. 或者加载带 Batch Normalization 的版本 from torchvision.models import vgg16_bn, VGG16_BN_Weights model_bn = vgg16_bn(weights=VGG16_BN_Weights.IMAGENET1K_V1)

4. 关键参数与性能

文档中列出了这些模型的详细规格，帮助你根据硬件条件进行选择：

  • 参数量 (Params)：VGG 是著名的“显存杀手”。VGG16 大约有1.38 亿个参数，远高于 ResNet50（约 2500 万），主要原因在于其最后三个巨大的全连接层。

  • 计算量 (GFLOPS)：计算开销也相对较大。

  • 输入要求：期望输入为 $224 \times 224$ 的三通道图片，且需要经过特定的均值和标准差归一化处理（可以通过weights.transforms()自动获取）。

5. VGG 的优缺点对比

优点缺点
结构极其简洁：非常适合作为初学者理解 CNN 的第一个模型。体积巨大：权重文件通常超过 500MB，不适合移动端部署。
特征提取能力强：其卷积层的特征表达非常细腻，常用于感知损失（Perceptual Loss）。训练速度慢：由于参数量巨大，且早期版本没有 BN，收敛较慢。

演示

import torchvision # train_data = torchvision.datasets.ImageNet("../data_image_net", split='train', download=True, # transform=torchvision.transforms.ToTensor()) from torch import nn # 加载 VGG16 模型，pretrained=False 表示只加载模型结构，参数是随机初始化的 vgg16_false = torchvision.models.vgg16(pretrained=False) # 加载 VGG16 模型，pretrained=True 表示加载模型结构的同时，也加载在 ImageNet 数据集上训练好的权重 vgg16_true = torchvision.models.vgg16(pretrained=True) # 打印预训练模型的结构，你会看到它分为 features（卷积层）、avgpool（池化层）和 classifier（全连接层）三部分 print(vgg16_true) # 加载 CIFAR10 数据集。注意：CIFAR10 只有 10 个类别，而原生的 VGG16 是为 ImageNet 的 1000 个类别设计的 train_data = torchvision.datasets.CIFAR10('../data', train=True, transform=torchvision.transforms.ToTensor(), download=True) # 方法一：利用 add_module 在 classifier 这个 Sequential 容器的末尾追加一个新的线性层 # 该操作将 1000 个输出映射到 10 个输出，原有的 1000 个输出节点变成了隐藏层的一部分 vgg16_true.classifier.add_module('add_linear', nn.Linear(1000, 10)) print(vgg16_true) # 打印未经过修改的随机初始化模型 print(vgg16_false) # 方法二：通过索引 [6] 直接访问 classifier 中的最后一层，并将其替换为一个新的线性层 # 这种方法直接去掉了原有的 1000 类输出层，将其替换为 10 类输出层 vgg16_false.classifier[6] = nn.Linear(4096, 10) print(vgg16_false)

这段代码演示了如何加载经典的VGG16模型，并展示了两种对预训练模型进行“手术”的方法：追加新层和直接修改现有层。这在迁移学习（Transfer Learning）中是非常基础且实用的技巧。

1. 库引用与模型加载

  • vgg16_false: 你得到的是一个“空壳”。它有复杂的 VGG 架构，但里面的权重全是乱序的数字。如果你现在用它跑预测，结果和瞎猜没区别。

  • vgg16_true: 你得到的是一个“博学的老教授”。它已经看过了数百万张图片，能够识别狗、猫、救护车等 1000 种物体。在 0.26 版本的 torchvision 中，官方更推荐使用weights=VGG16_Weights.DEFAULT。

2. VGG16 的三段式结构

当你print(vgg16_true)时，请特别留意其结构：

  1. features: 卷积层。负责从图片中提取边缘、纹理等特征。

  2. avgpool: 自适应平均池化。将特征图尺寸统一。

  3. classifier: 分类器。由 7 层组成（索引 0-6）。索引为 6 的那一层通常是Linear(4096, 1000)。

3. 为什么要修改模型？

原生 VGG16 的输出维度是1000，但CIFAR10数据集只有10类。如果你不修改模型，计算损失函数（Loss）时会因为维度不匹配（1000 vs 10）而直接报错报错。

4. 两种“微创手术”方案对比
操作方式代码实现逻辑效果适用场景
追加 (Add)add_module('name', layer)在最后多加一关。原来的第 1000 类输出变成了一个特征转换层。当你觉得原有的 1000 类分类信息对你的新任务也有辅助作用时。
替换 (Modify)classifier[6] = layer拆掉旧层，换上新层。输入依然是 4096，输出变为 10。最常用。直接改变网络最后一层的输出维度，结构更简洁，计算量略小。
5. 数据的加载

  • torchvision.datasets.CIFAR10: 这里下载了 5 万张 $32 \times 32$ 的图片。虽然 VGG16 原生设计是处理 $224 \times 224$ 图片的，但在代码层面，只要全连接层的输入（那层 4096）能对上，代码就能跑通。不过，通常建议在transform里加一个Resize((224, 224))来获得更好的效果。

http://www.jsqmd.com/news/675251/

相关文章：

  • gte-base-zh快速部署指南：xinference启动gte-base-zh及WebUI操作
  • 从晶体管到指令集：用Logisim还原MIPS处理器设计精髓
  • 后端Web进阶（Springboot）
  • **Vue 3 Composition API 实战：从零搭建可复用的权
  • 机器人半马跑出50分26秒，制造业老板该关心什么？
  • Hypnos-i1-8B实操手册：tail -f日志实时监控+常见错误码速查表
  • 免费小说下载器终极指南：如何轻松保存你喜欢的网络小说
  • Fastdata极数：中国租车行业年度报告2025
  • 邦芒宝典：职场小白必须修炼的六种能力
  • Phi-3.5-mini-instruct开源可部署：支持模型热更新不中断服务
  • 哪个视频下载器好
  • fre:ac音频转换器终极指南：5大核心功能带你轻松玩转音频格式转换
  • nli-MiniLM2-L6-H768惊艳效果：小模型在长尾领域（如生物医学）NLI表现突破
  • TREX手操器2026推荐，全能运维新标杆
  • 3个关键问题：为什么你的Windows播放器需要LAV Filters解码器？
  • 安卓虚拟相机终极指南：用VCAM实现摄像头视频替换的完整教程
  • PyTorch 2.8镜像惊艳案例：脑电波信号→意识活动可视化视频生成
  • Windows更新修复终极指南：一键解决卡顿、失败、错误代码问题
  • RWKV-7 (1.5B World)镜像免配置：预置常用Prompt模板（客服/教育/编程）
  • 天阳科技面对 RWA 趋势有哪些技术储备？
  • 蓝桥杯单片机CT107D平台实战：用PCF8591做个简易电压监控器（附IIC驱动移植避坑指南）
  • 2026年Agent将不再是“会聊天的模型外壳”！收藏，小白程序员必看！
  • HTML函数在系统更新后变卡是硬件老化吗_软硬兼容性排查【方法】
  • 算法题解：单链表的高效实现（含经典致命错误深度剖析）
  • Hypnos-i1-8B镜像免配置：开箱即用的8B推理环境（GGUF+Safetensors）
  • 2026年公司地址变更指南：这五份资料缺一不可
  • real-anime-z实战教程：用‘电影感构图+高度细节’生成专业级动漫封面
  • 5个关键步骤：在Windows 10上完美部署Android子系统的完整实战指南
  • 阿里中文语音识别模型实测：Speech Seaco Paraformer一键部署，会议录音秒转文字
  • 2026年质量好的广东汽车电磁阀/AMT电磁阀/汽车电磁阀多家厂家对比分析 - 行业平台推荐