目录

0. FPS记录的原理1. 自己的2. 其实yolov5有自带的打印这些参数3. 清风大佬分享的3.1 单个的计算fps函数3.2 整体的完整代码 4. 记录运行B导yolov7-tiny后计算fps的方法

0. FPS记录的原理

参考自：睿智的目标检测21——如何调用摄像头进行目标检测

FPS简单来理解就是图像的刷新频率，也就是每秒多少帧

假设目标检测网络处理1帧要0.02s，此时FPS就是50

#---------------------------分割线-------------------------------- #

也就是说在计算FPS的时候，会强调每秒、每张。因此，在众多博客中计算FPS时，都会注意以下两点：

实现要求每张：将batch-size设置为1实现要求每秒：用1000去除以3个时间之和（1s=1000ms，调用yolov5中的val.py后会计算并打印出pre-process图像预处理、inference推理、NMS非极大值抑制处理这3个ms级时间）

1. 自己的

在yolov5的val.py文件中添加了如下两行代码，即可实现打印：

实现步骤：

在val.py中按住快捷键Ctrl+F搜索Print speeds定位过去在上图中的合适位置添加如下代码：

FPS = 1000 / sum(t)LOGGER.info(f'FPS: { round(FPS, 3)}') 调整好合适参数，直接运行val.py即可（但是要注意一下，batch-size要设置为1）

2. 其实yolov5有自带的打印这些参数

参考链接：查看yolov5/lite各层参数量和各层FLOPs

实现方法：（主要是直接调用的yolov5中已经写好的代码utils/torch_utils.py中的profile等函数）

在终端运行yolo.py时，带上参数--profile，这样可以打印整体的参数量、浮点数运算等在终端运行yolo.py时，带上参数--line-profile，这样可以打印出每层的参数量、浮点数等（这第2种方法，在yolov5-master下载下来的val.py中可实现，如果单独下载的yolov5-v6.1中没有这个--line-profile参数）

3. 清风大佬分享的

3.1 单个的计算fps函数

def compute_speed(model, input_size, device, iteration=100): torch.cuda.set_device(device) cudnn.benchmark = True model.eval() model = model.cuda() input = torch.randn(*input_size, device=device) for _ in range(50): model(input) print('=========Eval Forward Time=========') torch.cuda.synchronize() t_start = time.time() for _ in range(iteration): model(input) torch.cuda.synchronize() elapsed_time = time.time() - t_start speed_time = elapsed_time / iteration * 1000 fps = iteration / elapsed_time print('Elapsed Time: [%.2f s / %d iter]' % (elapsed_time, iteration)) print('Speed Time: %.2f ms / iter FPS: %.2f' % (speed_time, fps)) return speed_time, fps

3.2 整体的完整代码

def compute_speed(model, input_size, device, iteration=100): torch.cuda.set_device(device) cudnn.benchmark = True model.eval() model = model.cuda() input = torch.randn(*input_size, device=device) for _ in range(50): model(input) print('=========Eval Forward Time=========') torch.cuda.synchronize() t_start = time.time() for _ in range(iteration): model(input) torch.cuda.synchronize() elapsed_time = time.time() - t_start speed_time = elapsed_time / iteration * 1000 fps = iteration / elapsed_time print('Elapsed Time: [%.2f s / %d iter]' % (elapsed_time, iteration)) print('Speed Time: %.2f ms / iter FPS: %.2f' % (speed_time, fps)) return speed_time, fpsif __name__ == '__main__': parser = ArgumentParser() parser.add_argument("--size", type=str, default="256,256", help="input size of model") parser.add_argument('--num-channels', type=int, default=3) parser.add_argument('--batch-size', type=int, default=8) parser.add_argument('--classes', type=int, default=2) parser.add_argument('--iter', type=int, default=501) parser.add_argument('--model', type=str, default='deeplabv3plus_mobilenet') parser.add_argument("--gpus", type=str, default="0", help="gpu ids (default: 0)") args = parser.parse_args() h, w = map(int, args.size.split(',')) model = build_model(args.model, num_classes=args.classes) compute_speed(model, (args.batch_size, args.num_channels, h, w), int(args.gpus), iteration=args.iter)

4. 记录运行B导yolov7-tiny后计算fps的方法

B导的yolov7-tiny代码地址：yolov7-tiny-pytorch

兴许他的yolox的fps也可以这样来计算呢，地址为：yolox-pytorch

顺利跑起来的步骤：

在根目录下的summary.py中加入上面3.清风大佬分享的代码，整体如下：

# --------------------------------------------## 该部分代码用于看网络结构# --------------------------------------------#import torchfrom thop import clever_format, profilefrom torch.backends import cudnnimport timefrom nets.yolo import YoloBodydef compute_speed(model, input_size, device, iteration=1000): # 这个iteration的作用是预热cpu torch.cuda.set_device(device) cudnn.benchmark = True model.eval() model = model.cuda() input = torch.randn(*input_size, device=device) for _ in range(50): model(input) print('=========Eval Forward Time=========') torch.cuda.synchronize() t_start = time.time() for _ in range(iteration): model(input) torch.cuda.synchronize() elapsed_time = time.time() - t_start speed_time = elapsed_time / iteration * 1000 fps = iteration / elapsed_time print('Elapsed Time: [%.2f s / %d iter]' % (elapsed_time, iteration)) print('Speed Time: %.2f ms / iter FPS: %.2f' % (speed_time, fps)) return speed_time, fpsif __name__ == "__main__": input_shape = [640, 640] anchors_mask = [[6, 7, 8], [3, 4, 5], [0, 1, 2]] num_classes = 4 device = torch.device("cuda" if torch.cuda.is_available() else "cpu") m = YoloBody(anchors_mask, num_classes, False).to(device) for i in m.children(): print(i) print('==============================') dummy_input = torch.randn(1, 3, input_shape[0], input_shape[1]).to(device) flops, params = profile(m.to(device), (dummy_input,), verbose=False) # --------------------------------------------------------# # flops * 2是因为profile没有将卷积作为两个operations # 有些论文将卷积算乘法、加法两个operations。此时乘2 # 有些论文只考虑乘法的运算次数，忽略加法。此时不乘2 # 本代码选择乘2，参考YOLOX。 # --------------------------------------------------------# flops = flops * 2 flops, params = clever_format([flops, params], "%.3f") print('Total GFLOPS: %s' % (flops)) print('Total params: %s' % (params)) # -------------------------计算fps------------------------ # model = YoloBody(anchors_mask, num_classes, False) speed_time, fps = compute_speed(m, (1, 3, 640, 640), device=0) print(speed_time) print(fps) 然后就报错咯，如下图

问题应该是出在最后那一句报错：AttributeError: 'LeakyReLU' object has no attribute 'total_ ops'

针对2.报的错，清风大佬让我试试【把LeaKy这个激活函数去了】。于是我的操作就是：在nets\backbone.py文件中的15行加入一句代码act = False。如下图：

有个疑问，compute_speed函数中的iteration是什么作用，为什么默认为100？

然后清风大佬就给我解释了：

iteration是用于预热cpu的iteration的值不固定，对结果的影响很小

下图对比了我训练完之后，用iteration=100和iteration=1000的fps结果：

lwd