深度学习模型训练好后使用time.time()测试处理每一帧速度（时间）和模型推理速度（时间）

在深度学习中，如果想测试训练好的模型处理每一帧图像的运行时间，可以在模型预测代码段添加时间统计的逻辑:

加载预训练模型

model = torch.load('best_model.pth')
model.eval()

遍历测试图像

test_images = [] # 测试图像列表

for img in test_images:

  # 记录当前时间
  start = time.time() 
  
  # 模型预测 
  pred = model(img)
  
  # 记录预测耗时
  end = time.time()
  elapsed = end - start

  print(f'Processed {
      
      img_name} in {
      
      elapsed:.2f} seconds')

汇总统计预测测试集全部图像的平均处理时间

# 汇总时间
total_time = 0 

for img in test_images:
  
  # 预测+计算每张图时间
  
  total_time += elapsed

average_time = total_time / len(test_images)
print(f'Average time: {
      
      average_time:.2f} seconds')

测试结果样式

把时间统计代码放在模型预测的内部，可以精确计算每张图像的处理时间。汇总平均值则可以全面评估模型的整体运行效率。

通过以上方法就可以比较准确地统计出模型处理每张图像的平均时间，多多支持，谢谢！