我正在对五种不同的模型进行基准测试，
YOLO v2
YOLO v3
Cascade R-CNN
Faster R-CNN
Retina Net
在我的比较中，我想知道每个模型的大小，以讨论潜在的过度拟合（如果某些模型比其他模型大）。它可以是层数，参数数。对于 Yolo 模型，这些在论文中有所说明，例如 YOLOv2 有 106 层，有 51,000,657 个参数，而 YOLOv3 有 349 层和 65,252,682 个参数。
我查看了其他模型，但在他们自己的论文中找不到类似的数字。因此，如果您能帮助我弄清楚这三个是否比 YOLO 更简单，或者它们在复杂性方面的位置，我将不胜感激。
如果您正在研究不同的架构，我建议您查看https://www.modelzoo.co/。它包含大量指向不同架构中实现的链接。这可以帮助您直观地了解如何通过代码构建模型，以防论文不直观。
我更多地使用 PyTorch，所以我专注于寻找 PyTorch 的实现。以下是您列出的模型的 Github 存储库链接：
使用 PyTorch 网络，您可以通过多种方式计算权重/参数的数量，这个StackOverflow 问题有多个答案，所有答案都显示了不同的方法。最简单的是：
pytorch_total_params = sum(p.numel() for p in model.parameters() if p.requires_grad)
在这篇文章中，还有一些方法可以详细说明网络中每一层的大小。