# Model
    check_suffix(weights, '.pt')  # 检查权重文件后缀
    pretrained = weights.endswith('.pt')  # 检查权重文件后缀，返回布尔类型
    # 载入模型
    if pretrained:
        with torch_distributed_zero_first(LOCAL_RANK):
            weights = attempt_download(weights)  # 如果本地找不到，则下载权重文件
        # 使用预训练
        # ---------------------------------------------------------#
        # 加载模型及参数
        ckpt = torch.load(weights, map_location='cpu')  # 将检查点加载到 CPU 上，以避免 CUDA 内存泄漏
        # 这里加载模型有两种方式，一种是通过opt.cfg 另一种是通过ckpt['model'].yaml
        # 区别在于是否使用resume 如果使用resume会将opt.cfg设为空，按照ckpt['model'].yaml来创建模型
        # 这也影响了下面是否除去anchor的key(也就是不加载anchor), 如果resume则不加载anchor
        # 原因: 保存的模型会保存anchors，有时候用户自定义了anchor之后，再resume，则原来基于coco数据集的anchor会自己覆盖自己设定的anchor
        # 详情参考: <https://github.com/ultralytics/yolov5/issues/459>
        # 所以下面设置intersect_dicts()就是忽略exclude
        model = Model(cfg or ckpt['model'].yaml, ch=3, nc=nc, anchors=hyp.get('anchors')).to(device)  # 创建模型
        exclude = ['anchor'] if (cfg or hyp.get('anchors')) and not resume else []  # 排除的键列表
        csd = ckpt['model'].float().state_dict()  # 以 FP32 格式保存检查点的 state_dict
        # 筛选字典中的键值对  把exclude删除
        csd = intersect_dicts(csd, model.state_dict(), exclude=exclude)  # 取交集
        model.load_state_dict(csd, strict=False)  # 加载模型参数
        LOGGER.info(f'Transferred {len(csd)}/{len(model.state_dict())} items from {weights}')  # 输出日志信息
    else:
        # 不使用预训练下创建模型
        model = Model(cfg, ch=3, nc=nc, anchors=hyp.get('anchors')).to(device)  # create
    # 检查是否可以使用自动混合精度（AMP），若不支持则继续使用默认的浮点型精度进行训练
    amp = check_amp(model)  # check AMP

关于freeze冻结权重层