torchsummary与torchinfo参数统计差异及YOLOv8参数准确获取咨询

为什么不同工具结果不一致？ #

• torchsummary：对YOLOv8这类包含动态分支、自定义模块的模型支持差，容易漏算参数（比如检测头、FPN的部分分支），导致统计结果偏小。
• torchinfo：虽然比torchsummary更可靠，但如果参数配置不当（如batch_dim设置错误），或者模型存在延迟初始化的模块，也可能出现统计偏差。
• YOLOv8自身的参数统计：官方针对模型结构做了适配，能正确识别所有自定义层和动态分支，结果更准确。

最佳方法推荐 #

1. 使用YOLOv8内置的info()方法 #

这是最省心且准确的方式，官方维护的方法完全适配YOLOv8的模型结构：

from ultralytics.nn.tasks import DetectionModel
yolo_model = DetectionModel(cfg, nc=80)
yolo_model.info()

该方法会直接输出总参数、可训练参数、非可训练参数，以及模型的FLOPs等关键信息，无需额外配置。

2. 手动遍历参数统计 #

如果需要更灵活的统计方式，可以直接遍历模型的所有参数手动计算，完全避免第三方工具的兼容性问题：

total_params = sum(p.numel() for p in yolo_model.parameters())
trainable_params = sum(p.numel() for p in yolo_model.parameters() if p.requires_grad)
non_trainable_params = total_params - trainable_params

print(f"Total params: {total_params:,}")
print(f"Trainable params: {trainable_params:,}")
print(f"Non-trainable params: {non_trainable_params:,}")

numel()方法会返回每个参数张量的元素数量，求和后就是总参数数，区分requires_grad可以得到可训练/非可训练参数的数量。

对之前工具结果的说明 #

你之前得到的torchsummary结果偏小，是因为它无法正确解析YOLOv8的复杂分支结构，漏算了大量参数；torchinfo的结果相对更接近实际值，但仍可能因为模型初始化或参数配置问题存在误差。相比之下，YOLOv8内置方法和手动统计的结果是最可信的。

内容的提问来源于stack exchange，提问作者rakeshKM