Torchvision 0.26：深度学习视觉库全面解析

torchvision — Torchvision 0.26 documentationModels and pre-trained weights — Torchvision 0.26 documentationVGG — Torchvision 0.26 documentationTorchvision 0.26是 PyTorch 生态中专门用于计算机视觉Computer Vision的核心库文档。在 2026 年的背景下它已经成为了一个高度成熟的工具包涵盖了从数据加载、图像增强到最前沿模型调用的全流程。该网页内容主要可以划分为以下6 大核心板块1. Transforms (数据变换与增强)这是文档中变动最频繁也最重要的部分。在 0.26 版本中V2 Transforms已经完全取代了旧版。多模态支持V2 变换不仅支持图片Image还原生支持视频Video、边界框Bounding Boxes、掩码Masks。高性能大部分变换支持在 GPU 上直接运行通过 Tensor 驱动。常用操作包括RandomResizedCrop、Normalize、ColorJitter以及强大的AutoAugment。2. Models (预训练模型库)文档提供了大量工业界和学术界主流的架构并且附带了在 ImageNet 或其他大型数据集上的预训练权重。架构涵盖分类从经典 ResNet 到最新的Vision Transformers (ViT)和Swin Transformer。检测与分割Faster R-CNN, Mask R-CNN, DeepLabV3 等。视频处理MViT, Video ResNet。Weights API使用Weights枚举类来更精确地调用特定版本的模型参数如ResNet50_Weights.IMAGENET1K_V2。3. Datasets (内置数据集)它内置了加载主流视觉数据集的接口省去了用户手动写爬虫或解析器的麻烦。经典集MNIST, CIFAR10, ImageNet。特定任务集COCO (目标检测), Cityscapes (语义分割), Kinetics (视频)。标准格式所有数据集都能完美配合 PyTorch 的DataLoader使用。4. Operators (底层算子)这一章主要面向需要自定义高性能层的高级开发者。视觉算子如NMS (非极大值抑制)、RoIAlign (感兴趣区域对齐)、各种IoU (交并比)计算。这些算子通常是用 C/CUDA 实现的速度极快是构建目标检测算法的基石。5. IO (输入输出)专门负责图像和视频的高速读取与解码。torchvision.io提供read_image和read_video函数直接将磁盘文件读取为 GPU 友好的 Tensor 格式不再需要通过 PIL 或 OpenCV 中转。6. Training References (训练参考脚本)这是 0.26 文档中非常有价值的一部分它提供了官方用来训练那些预训练模型的原始脚本。如果你想复现官方的精度或者学习如何编写专业的分布式训练代码这些参考脚本是最佳示例。在 Torchvision 0.26 的文档中“Models and pre-trained weights” 页面是整个库的“核心仓库”。它不仅提供了各种先进的深度学习架构还提供了在海量数据上训练好的“大脑”权重。以下是该页面的深度解析1. 核心理念模型 骨架 灵魂文档将模型分为两个部分模型架构 (Architectures)即神经网络的结构代码如 ResNet, ViT。预训练权重 (Pre-trained Weights)在特定数据集如 ImageNet上训练得到的参数。2. 全新的 Weights API (重点)在旧版本中我们通常使用pretrainedTrue。但在 0.26 文档中这种方式已被弃用取而代之的是更加透明和灵活的Weights Enum API。为什么要改版本控制一个模型可能有多个版本的权重比如 ResNet50 有 V1 和更强的 V2。自动配套增强新 API 可以直接告诉你这个权重需要什么样的预处理缩放、归一化参数。代码对比# ❌ 旧方式 (不推荐) model torchvision.models.resnet50(pretrainedTrue) # ✅ 新方式 (推荐) from torchvision.models import resnet50, ResNet50_Weights model resnet50(weightsResNet50_Weights.IMAGENET1K_V2)3. 模型大类文档根据任务目标将模型分成了几大阵营任务类型代表模型应用场景图像分类ResNet, EfficientNet,ViT (Vision Transformer), Swin识别图片里是什么目标检测Faster R-CNN, SSD, RetinaNet,DETR找出物体的位置并打框实例分割Mask R-CNN, DeepLabV3像素级抠图视频分类MViT, Video ResNet识别动作如挥手、跑步光流估计RAFT跟踪物体在两帧间的运动4. 自动预处理 (Transforms)这是 0.26 版本最贴心的改进。不同的预训练模型对输入图片的要求不同有的要求 $224 \times 224$有的要求 $232 \times 232$。文档通过weights.transforms()提供了自动化的预处理逻辑# 获取该权重对应的预处理步骤 weights ResNet50_Weights.DEFAULT preprocess weights.transforms() # 直接应用到图片 img_transformed preprocess(img)这保证了你的推理过程与官方训练过程完全一致避免了因归一化参数不匹配导致的精度下降。5. 性能度量指标文档中为每个模型都列出了详细的表格包含Acc1 / Acc5在 ImageNet 上的分类准确率。Params参数量模型占多大内存。GFLOPS计算量运行有多快。6. 如何选择模型追求速度移动端/嵌入式选择MobileNetV3或ShuffleNetV2。追求精度研究/高配服务器选择ConvNeXt或ViT_H大型视觉 Transformer。平衡性最好ResNet家族或RegNet。Torchvision 0.26 文档中关于VGG的部分介绍了一系列由牛津大学视觉几何组Visual Geometry Group开发的经典卷积神经网络架构。虽然 VGG 诞生于 2014 年但由于其结构的规整性和易用性它至今仍是特征提取和迁移学习的常用基准。以下是该文档页面的核心内容讲解1. VGG 的核心设计理念VGG 最大的贡献是证明了增加网络深度并使用**极小的卷积核$3 \times 3$**能有效提升图像识别的效果。堆叠卷积层两个 $3 \times 3$ 卷积层的感受野等同于一个 $5 \times 5$ 卷积层但参数量更少且引入了更多非线性变换。统一结构整个网络几乎全部由 $3 \times 3$ 卷积、步长为 2 的 $2 \times 2$ 最大池化层以及最后三个全连接层组成。2. 文档中提供的模型变体Torchvision 提供了多种深度的 VGG 版本主要分为两类标准版 (Standard)VGG11: 8 个卷积层 3 个全连接层。VGG13: 10 个卷积层 3 个全连接层。VGG16: 13 个卷积层 3 个全连接层最常用。VGG19: 16 个卷积层 3 个全连接层。带批归一化版 (With Batch Normalization)在模型名称后加上_bn如vgg16_bn。优势在卷积层和激活函数之间加入了 Batch Norm 层能够加速模型收敛并提高训练稳定性。在实际应用中强烈建议优先使用带_bn的版本。3. 如何调用预训练权重在 0.26 文档中调用方式遵循新的 Weights API 规范from torchvision.models import vgg16, VGG16_Weights # 1. 加载默认的最佳权重 (通常是 IMAGENET1K_V1) model vgg16(weightsVGG16_Weights.DEFAULT) # 2. 或者加载带 Batch Normalization 的版本 from torchvision.models import vgg16_bn, VGG16_BN_Weights model_bn vgg16_bn(weightsVGG16_BN_Weights.IMAGENET1K_V1)4. 关键参数与性能文档中列出了这些模型的详细规格帮助你根据硬件条件进行选择参数量 (Params)VGG 是著名的“显存杀手”。VGG16 大约有1.38 亿个参数远高于 ResNet50约 2500 万主要原因在于其最后三个巨大的全连接层。计算量 (GFLOPS)计算开销也相对较大。输入要求期望输入为 $224 \times 224$ 的三通道图片且需要经过特定的均值和标准差归一化处理可以通过weights.transforms()自动获取。5. VGG 的优缺点对比优点缺点结构极其简洁非常适合作为初学者理解 CNN 的第一个模型。体积巨大权重文件通常超过 500MB不适合移动端部署。特征提取能力强其卷积层的特征表达非常细腻常用于感知损失Perceptual Loss。训练速度慢由于参数量巨大且早期版本没有 BN收敛较慢。演示import torchvision # train_data torchvision.datasets.ImageNet(../data_image_net, splittrain, downloadTrue, # transformtorchvision.transforms.ToTensor()) from torch import nn # 加载 VGG16 模型pretrainedFalse 表示只加载模型结构参数是随机初始化的 vgg16_false torchvision.models.vgg16(pretrainedFalse) # 加载 VGG16 模型pretrainedTrue 表示加载模型结构的同时也加载在 ImageNet 数据集上训练好的权重 vgg16_true torchvision.models.vgg16(pretrainedTrue) # 打印预训练模型的结构你会看到它分为 features卷积层、avgpool池化层和 classifier全连接层三部分 print(vgg16_true) # 加载 CIFAR10 数据集。注意CIFAR10 只有 10 个类别而原生的 VGG16 是为 ImageNet 的 1000 个类别设计的 train_data torchvision.datasets.CIFAR10(../data, trainTrue, transformtorchvision.transforms.ToTensor(), downloadTrue) # 方法一利用 add_module 在 classifier 这个 Sequential 容器的末尾追加一个新的线性层 # 该操作将 1000 个输出映射到 10 个输出原有的 1000 个输出节点变成了隐藏层的一部分 vgg16_true.classifier.add_module(add_linear, nn.Linear(1000, 10)) print(vgg16_true) # 打印未经过修改的随机初始化模型 print(vgg16_false) # 方法二通过索引 [6] 直接访问 classifier 中的最后一层并将其替换为一个新的线性层 # 这种方法直接去掉了原有的 1000 类输出层将其替换为 10 类输出层 vgg16_false.classifier[6] nn.Linear(4096, 10) print(vgg16_false)这段代码演示了如何加载经典的VGG16模型并展示了两种对预训练模型进行“手术”的方法追加新层和直接修改现有层。这在迁移学习Transfer Learning中是非常基础且实用的技巧。1. 库引用与模型加载vgg16_false: 你得到的是一个“空壳”。它有复杂的 VGG 架构但里面的权重全是乱序的数字。如果你现在用它跑预测结果和瞎猜没区别。vgg16_true: 你得到的是一个“博学的老教授”。它已经看过了数百万张图片能够识别狗、猫、救护车等 1000 种物体。在 0.26 版本的 torchvision 中官方更推荐使用weightsVGG16_Weights.DEFAULT。2. VGG16 的三段式结构当你print(vgg16_true)时请特别留意其结构features: 卷积层。负责从图片中提取边缘、纹理等特征。avgpool: 自适应平均池化。将特征图尺寸统一。classifier: 分类器。由 7 层组成索引 0-6。索引为 6 的那一层通常是Linear(4096, 1000)。3. 为什么要修改模型原生 VGG16 的输出维度是1000但CIFAR10数据集只有10类。如果你不修改模型计算损失函数Loss时会因为维度不匹配1000 vs 10而直接报错报错。4. 两种“微创手术”方案对比操作方式代码实现逻辑效果适用场景追加 (Add)add_module(name, layer)在最后多加一关。原来的第 1000 类输出变成了一个特征转换层。当你觉得原有的 1000 类分类信息对你的新任务也有辅助作用时。替换 (Modify)classifier[6] layer拆掉旧层换上新层。输入依然是 4096输出变为 10。最常用。直接改变网络最后一层的输出维度结构更简洁计算量略小。5. 数据的加载torchvision.datasets.CIFAR10: 这里下载了 5 万张 $32 \times 32$ 的图片。虽然 VGG16 原生设计是处理 $224 \times 224$ 图片的但在代码层面只要全连接层的输入那层 4096能对上代码就能跑通。不过通常建议在transform里加一个Resize((224, 224))来获得更好的效果。