【FLOPS】各种模型统计FLOPs

### 计算并打印 mmsegmentation 中模型的 FLOPs 为了在 `mmsegmentation` 框架中计算并打印模型的 FLOPs，可以利用第三方库如 `thop` 或者使用内置工具来实现这一目标。下面提供了一种通过 `thop` 库的方法。 #### 安装依赖项 首先需要安装 `thop` 库用于分析神经网络中的参数量和FLOPs： ```bash pip install thop ``` #### 修改配置文件或脚本以支持FLOPs统计 接着可以在测试或者验证阶段加入如下代码片段以便于获取所需信息： ```python from mmseg.apis import init_segmentor, inference_segmentor import torch from thop import profile config_file = 'path/to/your/config.py' checkpoint_file = 'path/to/your/checkpoint.pth' model = init_segmentor(config_file, checkpoint_file, device='cuda:0') input_shape = (1, 3, 512, 512) # 输入张量形状调整为实际使用的尺寸 dummy_input = torch.randn(input_shape).to('cuda') flops, params = profile(model, inputs=(dummy_input,), verbose=False) print(f"FLOPs: {flops / 1e9:.2f} G") # 将结果转换成十亿单位表示 print(f"Parameters: {params / 1e6:.2f} M") ``` 这段代码初始化了一个分割模型实例，并创建了适当大小的虚拟输入数据来进行前向传播操作；之后调用了 `profile()` 函数来评估整个过程中涉及了多少次浮点数运算以及有多少可训练参数[^1]。 #### 注意事项 当执行上述过程时需要注意几点： - 确认所选输入图像分辨率与训练期间保持一致； - 如果模型中有条件分支逻辑，则可能会影响最终得到的结果准确性； - 对某些特殊层（比如动态卷积）的支持程度可能会有所不同，具体取决于版本更新情况。