f = ROOT / 'data' / 'images' / 'bus.jpg' # image to check

### 验证 PyTorch 中加载的预训练权重和图像路径 在深度学习项目中，验证图像路径和预训练权重是否正确是非常重要的一步。以下是具体方法： #### 1. 图像路径验证 可以通过尝试打开并读取图像来确认其是否存在以及可访问性。如果路径错误或者文件损坏，则会抛出异常。 ```python from PIL import Image try: image_path = "bus.jpg" with Image.open(image_path) as img: print(f"Image {image_path} loaded successfully.") # 如果成功打印此消息[^2] except FileNotFoundError: print(f"The file {image_path} does not exist.") except Exception as e: print(f"An error occurred while loading the image: {e}") ``` 通过上述代码可以检测 `bus.jpg` 是否存在并且能够被正常加载。 --- #### 2. 加载预训练权重的状态检查 PyTorch 提供了多种方式下载和使用官方发布的预训练模型及其对应的权重。为了确保这些权重已成功加载到模型中，可以在初始化之后调用 `.state_dict()` 方法查看参数键值对的数量或名称列表。 ```python import torch from torchvision.models.detection import fasterrcnn_resnet50_fpn model = fasterrcnn_resnet50_fpn(pretrained=True) if model.state_dict(): print("Pre-trained weights have been successfully loaded into the model.") # 成功加载则输出该提示[^3] for param_tensor in model.state_dict(): print(param_tensor, "\t", model.state_dict()[param_tensor].size()) ``` 以上脚本不仅显示了所有层的名字还展示了它们各自的形状大小，有助于进一步调试网络结构问题。 --- #### 3. 组合测试：同时验证图片与模型 当单独完成两项独立检验后还可以把两者结合起来做端到端的功能性试验——即输入一张实际存在的照片给定型好的探测器看它能否返回合理的结果集作为最终确信依据之一。 ```python transform = transforms.Compose([transforms.ToTensor()]) def predict_image(img_path): try: input_image = Image.open(img_path).convert('RGB') tensor_input = transform(input_image)[None,...] device = torch.device('cuda') if torch.cuda.is_available() else torch.device('cpu') model.eval() model.to(device) predictions = model(tensor_input.to(device))[0] draw = ImageDraw.Draw(input_image) for box in predictions['boxes'][:len(predictions['labels'])]: draw.rectangle([(box[0], box[1]), (box[2], box[3])], outline="red", width=3) return input_image except Exception as ex: raise RuntimeError(str(ex)) result_img = predict_image("bus.jpg") result_img.show() ``` 这段综合性的函数实现了从加载本地图片至利用快速 R-CNN 进行目标识别再到可视化标注框全流程操作，并且具备基本异常处理机制防止程序崩溃中断运行流程[^4]. --- ### 总结 综上所述，分别针对单个环节设计相应策略去排查潜在隐患点；对于复杂场景下建议采用整体联动方案提升诊断效率效果更佳！