怎样加载yolov5的本地yolov5s.pt模型，并在模型的输入和输出包装一个permute层并保存新模型的完整代码

在PyTorch中，YOLOv5是一个流行的物体检测模型，它的预训练模型通常是`.pt`文件格式。为了加载YOLOv5s.pt模型并在输入和输出添加`permute`层，你可以按照以下步骤操作：

首先，你需要安装`torchvision`库，如果还没有安装可以使用以下命令：

pip install torchvision

然后，在Python代码中进行以下操作：

import torch
from torchvision.ops import roi_align
# 导入YOLOv5模块（假设已经下载到本地）
from yolov5.models.common import Detect
from yolov5.models.yolo import YOLO

# 加载预训练模型
model = YOLO('yolov5s')  # 使用's', 'm', 'l'选择大小，这里是'yolov5s'
state_dict = torch.load('yolov5s.pt', map_location='cpu')  # 将模型从GPU迁移到CPU
model.load_state_dict(state_dict)

# 创建一个新的模型，将输入和输出通过permute层
new_model = Detect(model.backbone)  # 取出YOLOv5s的backbone部分
input_shape = (3, model.img_size, model.img_size)
output_shape = (model.num_classes, 7 + model.num_classes, input_shape[0], -1)  # 预设输出形状，7是bbox信息，num_classes是类别数

new_model.input_size = input_shape[-2:]  # 更新输入尺寸
new_model.output_size = output_shape[-2:]  # 更新输出尺寸
new_model.roi_layer = roi_align((input_shape[0], new_model.output_size[0]), (new_model.output_size[1], new_model.output_size[0]))  # 添加ROI Align层
new_model.permute = lambda x: x.permute(0, 2, 3, 1)  # 添加permute层

# 检查模型结构
print(new_model)

# 保存新的模型
new_state_dict = new_model.state_dict()
torch.save(new_state_dict, 'new_yolov5s_permute.pt')