YOLOv5 Concat模块RuntimeError咨询：张量尺寸不匹配

问题重现 #

测试代码：

import torch

yolo_ = torch.hub.load('ultralytics/yolov5', 'yolov5x', pretrained=True, force_reload=True)
yolo_(torch.rand((2,3,1280,720)))

运行后抛出错误：

RuntimeError: Sizes of tensors must match except in dimension 1. Expected size 46 but got size 45 for tensor number 1 in the list.

错误源自~/.cache/torch/hub/ultralytics_yolov5_master/models/common.py中Concat模块forward方法的torch.cat操作，待拼接的两个张量形状如下：

x[0].shape=
torch.Size([2, 640, 80, 46])
x[1].shape=
torch.Size([2, 640, 80, 45])

错误原因分析 #

这个错误的核心是YOLOv5特征金字塔结构中，不同分支的特征图尺寸无法对齐，导致拼接操作失败，具体诱因包括：

1. 输入尺寸不满足模型stride要求：YOLOv5核心卷积模块的步长（stride）为32，输入图像的宽高必须是32的整数倍。输入尺寸(1280,720)中，720不是32的整数倍（720÷32=22.5），多次下采样/上采样后，不同分支的特征图尺寸会因取整逻辑出现差异，最终导致拼接维度不匹配。
2. 版本兼容性问题：PyTorch版本与YOLOv5版本不兼容时，动态尺寸张量的插值、卷积操作可能出现精度偏差，引发特征图尺寸不一致。
3. 模型加载配置偏差：torch.hub加载模型时，默认配置可能未启用自动尺寸适配逻辑，导致非标准尺寸输入无法被正确处理。

解决思路 #

1. 调整输入尺寸为32的整数倍 #

将输入宽高修改为32的整数倍，比如(1280,704)（704=32×22）或(1280,736)（736=32×23），修改后测试代码：

import torch

yolo_ = torch.hub.load('ultralytics/yolov5', 'yolov5x', pretrained=True, force_reload=True)
yolo_(torch.rand((2,3,1280,704)))

2. 启用模型自动尺寸适配 #

YOLOv5提供autoshape方法，可自动处理非标准尺寸输入，内部会自动调整尺寸并添加padding，确保特征图对齐：

import torch

yolo_ = torch.hub.load('ultralytics/yolov5', 'yolov5x', pretrained=True, force_reload=True).autoshape()
yolo_(torch.rand((2,3,1280,720)))

3. 匹配PyTorch与YOLOv5版本 #

确保使用的PyTorch版本与YOLOv5版本兼容：

• YOLOv5 v6.0+建议搭配PyTorch 1.9及以上版本
• 可指定加载特定版本的YOLOv5，避免hub自动拉取的版本存在兼容问题：

yolo_ = torch.hub.load('ultralytics/yolov5', 'yolov5x', pretrained=True, force_reload=True, trust_repo=True)

4. 手动修正Concat模块的尺寸对齐逻辑 #

若必须使用非32倍数的输入，可修改common.py中的Concat模块，在拼接前统一特征图尺寸：

import torch.nn.functional as F
from torch import nn

class Concat(nn.Module):
    # Concatenate a list of tensors along dimension
    def __init__(self, dimension=1):
        super().__init__()
        self.d = dimension

    def forward(self, x):
        # 新增尺寸对齐逻辑，统一所有张量与第一个张量的尺寸一致
        if len(x) > 1:
            target_h, target_w = x[0].shape[2], x[0].shape[3]
            for i in range(1, len(x)):
                if x[i].shape[2:] != (target_h, target_w):
                    x[i] = F.interpolate(x[i], size=(target_h, target_w), mode='bilinear', align_corners=False)
        return torch.cat(x, self.d)

内容的提问来源于stack exchange，提问作者Mihai.Mehe