手把手教你分析深度学习目标检测模型------以YOLOv5为例
我们常常会接触各类预训练模型，但很多时候只知道"模型能做什么"，却不清楚"模型内部在做什么"。今天，我们就以经典的YOLOv5目标检测模型为例，结合Netron可视化工具，一步步教你如何完整分析一个深度学习模型，从输入到输出、从宏观到微观，读懂模型的每一个细节。
一、先明确核心：模型的定位与核心功能
分析模型前，首先要明确模型的核心用途------我们本次分析的YOLOv5模型，是一款主流的目标检测模型，核心功能是：输入一张图片，通过模型内部的特征提取与计算，最终输出带有目标边界框（bbox）、目标类别和置信度的检测结果，直白地说，就是让计算机"看到"图片里有什么、在什么位置。
这也是我们分析模型的核心逻辑：从"输入什么"出发，拆解"模型做了什么"，最终理解"输出什么、怎么用"，形成完整的分析闭环。
二、准备工作：模型输入前的预处理
深度学习模型对输入数据有严格的格式要求，并非直接输入原始图片就能运行，这一步是模型分析的基础，也是我们容易忽略的细节。
以本次分析的YOLOv5模型为例，它要求的输入数据格式为：float32[1, 3, 640, 640]，我们逐一对这个格式进行解读，这也是所有深度学习模型输入格式的通用分析方法：
- float32：数据类型，代表输入的每个像素值都是32位浮点数，这是深度学习模型中最常用的数据类型，保证计算精度的同时兼顾效率；
- 1：批量大小（batch size），表示一次输入1张图片进行推理，实际应用中可调整为批量输入（如[8, 3, 640, 640]表示一次输入8张图）；
- 3：输入通道数，对应RGB彩色图像的3个通道（红色R、绿色G、蓝色B），如果是灰度图，通道数则为1；3 个通道（R、G、B），每个通道都是 640×640 的 "灰度图"，每个通道里的每个像素点，都用 32 位浮点数存储亮度值，3 个通道的亮度值叠加，形成彩色像素。
- 640×640：输入图像的高度和宽度，即模型要求将原始图片缩放至640像素×640像素，确保输入尺寸统一，这是目标检测模型的常见输入分辨率。
哈哈，是不是看到这里感觉有点头晕，都不知道这些是什么，也不知道这个参数是怎么来的？且看下面分析
三、核心工具：用Netron可视化模型内部结构
分析模型内部结构，我们不需要手动拆解代码，借助Netron可视化工具就能直观看到模型的每一个节点、每一层计算------Netron是一款专门用于可视化ONNX、TensorFlow等格式模型的工具，操作简单，无需编程基础，是深度学习学生分析模型的必备工具。
使用方法非常简单：打开官网（https://netron.app/），上传模型文件（本次分析的YOLOv5模型为ONNX格式），即可自动生成模型的可视化结构图，我们可以通过这个图，从宏观到微观，逐步拆解模型。
模型分析第一步：宏观概览------读懂模型的输入、输出与规模
上传模型后，首先看到的是模型的"全局视图"（对应参考图1），这一步的核心是掌握3个关键信息：模型参数量、输入、输出，快速建立对模型的整体认知。
这里就可以看到模型的输入输出要求是什么了。
1. 模型参数量
本次分析的YOLOv5模型，总参数量为25934467（约2593万），参数量直接反映模型的复杂程度：参数量越大，模型的特征提取能力越强，但计算成本越高，部署难度也越大；参数量越小，模型越轻量化，适合边缘设备部署。对于学生而言，通过参数量可以快速判断模型的适用场景。
2. 模型输入
全局视图中明确标注了输入为images: float32[1, 3, 640, 640]，与我们预处理的输入格式完全对应，这也验证了我们预处理的正确性------模型的输入必须与预处理后的输出完全匹配，否则会报错。
3. 模型输出
这是宏观概览的重点，也是目标检测模型的核心特征。本次模型共输出9个张量，分为3个尺度，每个尺度包含3个分支，这是YOLO系列模型典型的多尺度检测设计，目的是兼顾小、中、大不同尺寸的目标检测，我们用表格清晰整理（对应参考图1的输出信息）：
| 输出名称 | 张量形状（float32[1, H, W, C]） | 下采样倍数 | 分支类型 | 作用 |
|---|---|---|---|---|
| output0 | [1, 80, 80, 4] | 8倍 | 坐标分支 | 小目标检测：预测边界框（x, y, w, h） |
| 1011 | [1, 80, 80, 1] | 8倍 | 置信度分支 | 小目标置信度：判断该网格是否存在目标 |
| 1033 | [1, 80, 80, 51] | 8倍 | 分类分支 | 小目标分类：51个类别的概率分布 |
| 1055 | [1, 40, 40, 4] | 16倍 | 坐标分支 | 中目标检测：预测边界框 |
| 1095 | [1, 40, 40, 1] | 16倍 | 置信度分支 | 中目标置信度 |
| 1117 | [1, 40, 40, 51] | 16倍 | 分类分支 | 中目标分类 |
| 1139 | [1, 20, 20, 4] | 32倍 | 坐标分支 | 大目标检测：预测边界框 |
| 1179 | [1, 20, 20, 1] | 32倍 | 置信度分支 | 大目标置信度 |
| 1201 | [1, 20, 20, 51] | 32倍 | 分类分支 | 大目标分类 |
这里我们补充两个关键知识点，帮助大家理解：
- 下采样倍数：8倍、16倍、32倍代表特征图相对于原始输入图片（640×640）的缩小比例，下采样倍数越小，特征图尺寸越大（如8倍下采样对应80×80），越适合检测小目标；下采样倍数越大，特征图尺寸越小（如32倍下采样对应20×20），越适合检测大目标。
- 三分支设计：每个尺度的3个分支各司其职------坐标分支（4通道）预测目标位置，置信度分支（1通道）判断是否有目标，分类分支（51通道）预测目标属于哪一类（本次模型支持51个类别），三者结合才能完整描述一个目标。
总结：宏观概览的核心是"摸清模型的基本情况"，知道模型的输入要求、输出形式和规模，为后续微观拆解打下基础。
五、模型分析第二步：微观拆解------读懂核心层（Conv层）的工作原理
宏观概览后，我们需要深入模型内部，拆解核心层的工作机制------对于目标检测模型而言，卷积层（Conv层）是最核心的层，负责提取图片的特征，也是我们分析的重点（对应参考图2）。一般预训练的模型是没有什么问题的，但我们可以点击进去模型内部看它的内部信息。Conv层的核心计算公式 输出 = 输入 × 权重 + 偏置，依据这个公式如果数学功底好还可以自己输入图片来计算一下
我们以模型的第一个Conv层（name: /model.0/conv/Conv）为例，拆解Conv层的输入、输出、参数和计算逻辑，这也是所有Conv层的通用分析方法。
1. Conv层的输入
该Conv层的输入是我们预处理后的图片张量1×3×640×640，同时还需要两个可学习参数：权重（W）和偏置（B），这两个参数是模型训练过程中学习到的，决定了Conv层的特征提取能力。
- 权重（W）：形状为
64×3×3×3，含义是：该Conv层有64个卷积核，每个卷积核的尺寸为3×3，对应输入的3个通道（RGB）； - 偏置（B）：形状为
64，含义是：每个输出通道（共64个）对应1个偏置项，用于调整激活函数的输入，避免模型输出过于集中，提升模型的表达能力。
2. Conv层的核心参数
参考图2的属性面板，我们可以看到Conv层的关键参数，这些参数决定了卷积操作的方式，每一个参数都有明确的作用：
- dilations（扩张率）：
1, 1，表示普通卷积，没有扩张感受野，卷积核按正常方式滑动； - group（分组数）：
1，表示普通卷积（非分组卷积），所有输入通道共同参与计算； - kernel_shape（卷积核尺寸）：
3, 3，最常用的卷积核尺寸，兼顾特征提取能力和计算效率； - pads（填充）：
1, 1, 1, 1，表示上下左右各填充1个像素，目的是保证卷积后特征图的尺寸按步长规律变化，避免特征丢失； - strides（步长）：
2, 2，表示卷积核每滑动一步跳过2个像素，核心作用是下采样，让特征图尺寸减半。
3. Conv层的计算逻辑与输出
Conv层的核心计算逻辑非常简单，公式为：输出 = 输入 × 权重 + 偏置，结合上面的参数，我们可以计算出该Conv层的输出尺寸：
输入尺寸：640×640，填充1，卷积核3×3，步长2，代入公式：
输出尺寸 = （输入尺寸 + 2×填充 - 卷积核尺寸）÷ 步长 + 1 = （640 + 2×1 - 3）÷ 2 + 1 = 320
因此，该Conv层的输出形状为1×64×320×320，其中64是输出通道数（与权重的第一个维度一致），320×320是下采样后的特征图尺寸。
补充：该Conv层之后，还连接了Sigmoid激活层和Mul（逐元素乘法）层，形成"Conv→Sigmoid→Mul"的门控结构，目的是动态选择和增强有用的特征，抑制无用特征，这是YOLOv5模型的优化设计之一。
总结：Conv层分析要点
对于任何深度学习模型的Conv层，我们都可以按"输入→参数→计算→输出"的逻辑分析：明确输入的形状和参数，理解每个参数的作用，计算输出尺寸，就能读懂Conv层的核心功能------提取特征、下采样，这是模型完成目标检测的基础。
四、模型分析第三步：输出后处理------从张量到可视化检测框
模型输出的9个张量（[out0, out1, out2, out3, out4, out5, out6, out7, out8]），并不是我们最终看到的"带框图片"，而是一堆数字，需要经过后处理，才能将这些数字转换成我们能直观理解的检测结果。我们需要明确这个模型的作用就是检测，它的输出就是检测的结果。那么后处理就是把检测结果输出到原始图片上就可以
后处理的流程非常固定，适合所有YOLO系列模型，记住这5个步骤即可：
步骤1：分组
将9个输出张量按"尺度"分成3组，每组对应一个尺度的3个分支（坐标+置信度+分类）：
- 第一组（80×80，小目标）：out0（坐标）、out1（置信度）、out2（分类）；
- 第二组（40×40，中目标）：out3（坐标）、out4（置信度）、out5（分类）；
- 第三组（20×20，大目标）：out6（坐标）、out7（置信度）、out8（分类）。
步骤2：拼接
对每组的3个张量进行拼接，将"坐标（4通道）+ 置信度（1通道）+ 分类（51通道）"合并为一个56通道的张量，每组的形状变为：
- 第一组：[1, 80, 80, 56]；
- 第二组：[1, 40, 40, 56]；
- 第三组：[1, 20, 20, 56]。
步骤3：展平
将3组拼接后的张量全部展平，变成一维列表，合并所有预测框：
- 80×80 = 6400个预测框；
- 40×40 = 1600个预测框；
- 20×20 = 400个预测框；
- 总计：6400+1600+400 = 8400个预测框，展平后形状为（8400, 56）。
步骤4：过滤低分框
设定一个置信度阈值（通常为0.25），过滤掉置信度低于阈值的预测框------这些框的可信度太低，大概率是误检，过滤后通常只剩下几百个有效框。
步骤5：NMS非极大值抑制
同一个目标可能会被多个预测框检测到，NMS的作用是保留置信度最高的那个框，删除重复的框，最终得到干净、准确的检测结果。
最终结果
经过以上5个步骤，我们会得到一个简洁的数组，每一行代表一个检测到的目标，格式为：[x1, y1, x2, y2, 置信度, 类别ID]，例如：
100, 200, 300, 400, 0.92, 0\] → 表示在图片（100,200）到（300,400）的位置，有一个置信度为92%的目标，类别ID为0（假设0对应"人"）。 最后，我们将这些坐标绘制在原始图片上，就能得到一张带有边界框、类别和置信度的可视化检测图，这就是模型的最终输出。  ### 五、总结：深度学习模型分析的通用流程 通过本次YOLOv5模型的分析，我们可以总结出一套适用于所有深度学习模型的分析流程，无论是目标检测、图像分类还是其他任务，都可以按这个逻辑逐步拆解： 1. 明确模型定位：知道模型的核心功能（做什么）； 2. 分析输入预处理：明确模型的输入格式、尺寸和数据类型； 3. 宏观概览模型：用Netron查看模型的参数量、输入和输出，建立整体认知；重点分析Conv层等核心层的输入、参数、计算逻辑和输出； 4. 解读输出与后处理：理解模型输出的含义，掌握后处理流程，将模型输出转换成直观结果。 学会分析模型不仅能帮助我们理解模型的工作原理，更能为后续的模型改进、优化和部署打下基础。建议大家多找几个不同的模型（如ResNet、YOLOv7等），按照这个流程反复练习，逐步提升自己的模型分析能力。