YOLOv5自定义模型运行报错，是否为训练问题？

核心问题 #

你在Colab（Linux/Posix环境）训练的best.pt模型，保存时包含了PosixPath类型的路径对象，而Windows系统使用的是WindowsPath，加载时无法实例化PosixPath导致报错。官方预训练的yolov5s.pt没有保存这类系统相关的路径信息，所以能正常加载。

解决方案 #

方案1：在训练环境（Colab）中修复模型后再下载 #

在Colab中运行以下代码，将模型里的PosixPath转为字符串后重新保存：

import torch

def convert_posix_to_str(obj):
    """递归将所有PosixPath对象转为字符串"""
    if isinstance(obj, dict):
        return {k: convert_posix_to_str(v) for k, v in obj.items()}
    elif isinstance(obj, list):
        return [convert_posix_to_str(i) for i in obj]
    elif hasattr(obj, "__class__") and obj.__class__.__name__ == "PosixPath":
        return str(obj)
    else:
        return obj

# 加载训练好的模型
ckpt = torch.load("/content/yolov5/runs/train/exp/weights/best.pt")
# 转换路径类型
ckpt = convert_posix_to_str(ckpt)
# 保存修复后的模型
torch.save(ckpt, "/content/yolov5/runs/train/exp/weights/best_fixed.pt")

下载best_fixed.pt到本地，替换原模型路径即可正常加载。

方案2：本地临时兼容修复（应急用） #

如果已经下载了best.pt，可以在Windows本地推理脚本最顶部添加以下代码，临时兼容PosixPath：

import pathlib
# 临时添加PosixPath兼容类，让Windows能解析
class PosixPath(pathlib.PurePosixPath):
    def __new__(cls, *args, **kwargs):
        return pathlib.Path(*args, **kwargs)

pathlib.PosixPath = PosixPath

之后再执行原加载逻辑即可，这种方法属于临时hack，建议优先用方案1。

方案3：导出为跨平台格式（如ONNX） #

在Colab中训练完成后，将模型导出为ONNX格式，跨平台兼容性更好：

!python /content/yolov5/export.py --weights /content/yolov5/runs/train/exp/weights/best.pt --include onnx

下载best.onnx后，本地用以下代码加载推理：

import torch
import cv2
from models.common import DetectMultiBackend
from utils.general import non_max_suppression, scale_boxes
from utils.torch_utils import select_device

# 加载ONNX模型
device = select_device('cpu')
model = DetectMultiBackend('best.onnx', device=device)
stride, names, pt = model.stride, model.names, model.pt
imgsz = (640, 640)  # 对应训练时的--img参数
model.warmup(imgsz=(1, 3, *imgsz))  # 模型预热

cap = cv2.VideoCapture(0)
while True:
    ret, frame = cap.read()
    if not ret:
        break
    
    # 图像预处理
    img = cv2.resize(frame, imgsz)
    img = img.transpose((2, 0, 1))[::-1]  # HWC转CHW，BGR转RGB
    img = torch.from_numpy(img).to(device)
    img = img.float() / 255.0  # 归一化到0-1
    if len(img.shape) == 3:
        img = img[None]  # 添加batch维度
    
    # 推理
    pred = model(img, augment=False, visualize=False)
    pred = non_max_suppression(pred, 0.25, 0.45, classes=None, agnostic=False)
    
    # 绘制检测结果
    for i, det in enumerate(pred):
        if len(det):
            det[:, :4] = scale_boxes(img.shape[2:], det[:, :4], frame.shape).round()
            for *xyxy, conf, cls in reversed(det):
                label = f'{names[int(cls)]} {conf:.2f}'
                cv2.rectangle(frame, (int(xyxy[0]), int(xyxy[1])), (int(xyxy[2]), int(xyxy[3])), (0, 255, 0), 2)
                cv2.putText(frame, label, (int(xyxy[0]), int(xyxy[1])-10), cv2.FONT_HERSHEY_SIMPLEX, 0.5, (0,255,0), 2)
    
    cv2.imshow('YOLOv5 Detection', frame)
    if cv2.waitKey(1) & 0xFF == ord('q'):
        break

cap.release()
cv2.destroyAllWindows()

内容的提问来源于stack exchange，提问作者iLuv