部署YOLOv5到Streamlit遇ultralytics模块缺失错误求解决方案

核心原因 #

本地运行时，torch.hub.load会自动下载并缓存YOLOv5仓库到本地目录，但Streamlit的部署环境是全新的，没有本地缓存，且默认不会自动安装ultralytics依赖，导致加载模型时找不到模块。

具体解决方法 #

1. 显式安装ultralytics依赖 #

在项目根目录创建requirements.txt文件，添加以下内容：

ultralytics>=8.0.0
torch>=2.0.0
torchvision>=0.15.0

Streamlit部署时会自动读取这个文件安装所需依赖，确保ultralytics模块能被正常调用。

2. 修改模型加载方式，摆脱本地缓存依赖 #

不要依赖本地缓存的模型文件，改用两种更可靠的加载方式：

• 方式一：直接通过ultralytics导入YOLO类加载
  将自定义训练的.pt模型文件放到项目目录下，用以下代码加载：

  from ultralytics import YOLO
  
  # 加载本地自定义模型
  model = YOLO("your_custom_model.pt")
  

• 方式二：指定仓库地址并强制重新加载
  如果坚持使用torch.hub.load，需要指定完整仓库地址，并设置force_reload=True让部署环境重新下载仓库资源：

  model = torch.hub.load('ultralytics/yolov5', 'custom', path='your_custom_model.pt', force_reload=True)
  

3. 确认自定义模型文件被正确上传 #

将你的自定义.pt模型文件放到项目根目录，部署时确保该文件被包含在上传的代码包中，不要依赖本地缓存的模型文件。

4. 提前检查部署环境依赖 #

可以在Streamlit代码开头添加依赖检查代码，方便排查问题：

import ultralytics
import torch

print(f"Ultralytics版本: {ultralytics.__version__}")
print(f"Torch版本: {torch.__version__}")

部署后查看日志，确认依赖是否正确安装。

内容的提问来源于stack exchange，提问作者afrologicinsect