yolov5部署误差

### 解决YOLOv5部署时出现的误差问题

#### 一、确认环境配置一致性
确保用于训练和推断的环境一致至关重要。任何差异都可能导致模型行为的变化，进而引发误差。这包括但不限于Python版本、CUDA版本以及PyTorch或其他依赖库的具体版本号[^2]。

#### 二、输入数据预处理校准
检查并调整输入图像到网络前后的预处理过程。不同阶段可能采用不同的缩放方式或归一化策略，这些细微差别会显著影响预测精度。特别是当默认设置下的识别分辨率为1280而非早期版本中的640时，更需谨慎对待这一环节。

#### 三、优化器状态迁移
如果是在已有基础上继续训练或是微调现有模型，则应特别注意保存与加载优化器的状态字典(optimizer state dict)，以保持学习率调度等超参数的一致性，从而减少因突变引起的结果偏差[^1]。

#### 四、量化感知训练(QAT)
对于希望进一步提升效率而不损失太多性能的应用场景来说，可以考虑引入量化感知训练技术。通过模拟低精度运算效果来进行反向传播更新权值，使得最终导出为INT8甚至更低位宽形式后仍能维持较高水准的表现力[^3]。

#### 五、探索前沿研究进展
关注领域内最新动态也很重要。尽管某些先进方法尚未被直接集成至官方发布版中，但从学术论文里借鉴灵感或许能够带来意想不到的效果改进路径。例如利用BNSF机制实施更为精细有效的剪枝操作来减轻过拟合倾向的同时提高计算资源利用率[^4]。

import torch
from models.experimental import attempt_load

# 加载模型及其对应的最优权重文件
model = attempt_load('yolov5s.pt', map_location=torch.device('cpu'))

# 设置模型评估模式
model.eval()

def preprocess_image(image_path, img_size=1280):
    """自定义图片预处理函数"""
    from pathlib import Path
    import cv2
    
    path = Path(image_path)
    img0 = cv2.imread(str(path))  # BGR
    assert img0 is not None, f'Image Not Found {path}'

    h0, w0 = img0.shape[:2]

    r = min(img_size / max(h0, w0), 1.0)  # 缩放比例
    new_unpad = int(round(w0 * r)), int(round(h0 * r))
    
    dw, dh = (img_size - new_unpad[0]) % 32, (img_size - new_unpad[1]) % 32  # 填充宽度高度
    top, bottom = int(dh // 2), int(dh - dh // 2)
    left, right = int(dw // 2), int(dw - dw // 2)

    img = cv2.resize(img0, new_unpad, interpolation=cv2.INTER_LINEAR)
    img = cv2.copyMakeBorder(img, top, bottom, left, right,
                             cv2.BORDER_CONSTANT, value=(114, 114, 114))

    img = img[:, :, ::-1].transpose(2, 0, 1)  # 转换颜色通道顺序并转置维度
    img = np.ascontiguousarray(img)

    return img.astype(np.float32)/255., (h0, w0), img.shape[:2], (left, top)


image_tensor, original_shape, padded_shape, padding_offset = preprocess_image('./data/images/bus.jpg')
input_data = image_tensor.unsqueeze_(0)  # 添加批次维度

with torch.no_grad():
    pred_results = model(input_data)[0]
print(pred_results)