YOLOv4-Pytorch开发API时加载yolov4-tiny权重出现shape无效的RuntimeError

• 基于YOLOv4-Pytorch开源项目二次开发搭建Flask推理API时，在调用m.load_weights(weight_file)加载yolov4-tiny.weights预训练权重的流程中，触发报错：RuntimeError: shape '[256, 384, 3, 3]' is invalid for input of size 767781
• 代码适配说明：已将原项目中tool目录下的darknet2pytorch模块重命名为Darknet.py，适配本地导入逻辑，其余推理流程未做自定义结构修改。

• 报错本质拆解：PyTorch执行张量reshape操作时，目标shape要求的总元素数量和当前输入张量的实际元素数量不匹配。计算可知目标shape[256, 384, 3, 3]的总元素数为2563843*3=884736，但实际从权重文件读取到的有效元素数仅为767781，两者存在116955个元素的差值。
• 数值差值匹配校验：该差值刚好对应YOLOv4-tiny末端两个检测头的全部可训练参数量，说明权重读取流程出现了层索引错位：本该读取卷积层权重的位置，实际读取到了检测头的层参数，整体读取指针发生了固定偏移。
• 错位常见触发原因：
  • 本地配置文件与预训练权重的结构不匹配，比如cfg中手动修改了类别数、anchor数量、卷积层通道数，和官方预训练权重的网络结构完全对应不上
  • Darknet.py模块的权重加载逻辑存在适配bug，对无参数的网络层（上采样、Route拼接、Shortcut残差连接）没有正确处理读取指针偏移，导致后续所有层的参数读取位置全部错位

• 第一步：校验配置与权重的匹配性
  • 重新获取和当前网络结构完全对应的官方yolov4-tiny预训练权重，校验文件完整性：官方发布的yolov4-tiny.weights文件大小约为23MB，文件大小偏差过大说明权重损坏或版本不匹配。
  • 打开本地./cfg/yolov4-tiny.cfg做结构核对：
    • 两个YOLO检测层的classes参数为80，和data/coco.names的类别总数对应
    • 两个YOLO层的mask值分别为0,1,2和3,4,5，和默认anchor分组匹配
    • 网络各卷积层的通道数顺序和官方cfg完全一致，没有手动新增、删除或修改层结构
• 第二步：修正Darknet权重加载的错位逻辑
  打开Darknet.py的load_weights方法，重点修正两处核心bug：
  • 卷积层权重的reshape维度顺序：Darknet格式的卷积权重存储顺序为[输出通道数, 输入通道数, 卷积核高, 卷积核宽]，reshape时需要严格匹配该顺序，不要使用错误的维度排列导致元素数计算偏差
  • 无参数层的指针偏移逻辑：上采样层、Route层、Shortcut层本身没有可训练参数，读取权重时需要保持读取指针的位置不变，不要随意前进或后退指针位置，避免造成后续所有层的参数读取错位
• 第三步：增加加载过程的校验逻辑
  在权重加载的循环中加入每层的参数数校验：读取每层权重前，先计算当前层目标shape的总元素数，和权重文件剩余可读元素数做对比，数值不匹配时直接抛出对应层的错位提示，避免所有参数读完后才触发无明确上下文的reshape报错。
• 第四步：验证加载流程
  权重加载完成后，构造随机输入张量(1, 3, 416, 416)执行一次全流程前向推理，若前向无shape类报错，说明权重和网络结构完全对齐，再接入Flask接口的调用逻辑即可。

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