yolov5_prune

本项目基于tanluren/yolov3-channel-and-layer-pruning实现，将项目扩展到yolov5上。

项目的基本流程是，使用ultralytics/yolov5训练自己的数据集，在模型性能达到要求但速度未达到要求时，对模型进行剪枝。首先是稀疏化训练，稀疏化训练很重要，如果模型稀疏度不够，剪枝比例过大会导致剪枝后的模型map接近0。剪枝完成后对模型进行微调回复精度。

本项目使用的yolov5为第六版本。
yolov5第三版本参考yolov5-v4-prune
yolov5第三版本参考yolov5-v3-prune
yolov5第二版本参考yolov5-v2-prune

PS：在开源数据集和自有数据集上模型均剪枝成功。

实例流程

数据集下载dataset
数据集转为可训练格式converter

STEP1:基础训练

附件：训练记录

STEP2:稀疏训练

附件：稀疏训练记录

STEP3:八倍通道剪枝

附件：剪枝后模型

STEP4:微调finetune

附件：微调训练记录

STEP4:微调finetune，使用蒸馏技术优化模型，效果优于单纯的微调模型

附件：微调蒸馏训练记录

剪枝步骤

STEP1:基础训练

项目yolov5
示例代码

python train.py --img 640 --batch 16 --epochs 50 --weights weights/yolov5s_v6.pt --data data/coco_hand.yaml --cfg models/yolov5s.yaml --name s_hand

STEP2:稀疏训练

--prune 0 适用于通道剪枝策略一，--prune 1 适用于其他剪枝策略。
项目yolov5
示例代码

python train_sparsity.py --img 640 --batch 16 --epochs 50 --data data/coco_hand.yaml --cfg models/yolov5s.yaml --weights runs/train/s_hand/weights/last.pt --name s_hand_sparsity -sr --scale 0.001 --prune 1

STEP3:通道剪枝策略一

不对shortcut直连的层进行剪枝，避免维度处理。

python prune_yolov5s.py --cfg cfg/yolov5s.cfg --data data/oxfordhand.data --weights weights/yolov5s_prune0.pt --percent 0.8

STEP3:通道剪枝策略二

对shortcut层也进行了剪枝，剪枝采用每组shortcut中第一个卷积层的mask。

python shortcut_prune_yolov5s.py --cfg cfg/yolov5s.cfg --data data/oxfordhand.data --weights weights/yolov5s_prune1.pt --percent 0.3

STEP3:通道剪枝策略三

先以全局阈值找出各卷积层的mask，然后对于每组shortcut，它将相连的各卷积层的剪枝mask取并集，用merge后的mask进行剪枝。

python slim_prune_yolov5s.py --cfg cfg/yolov5s.cfg --data data/oxfordhand.data --weights weights/yolov5s_prune1.pt --global_percent 0.8 --layer_keep 0.01

STEP3:八倍通道剪枝

在硬件部署上发现，模型剪枝率相同时，通道数为8的倍数速度最快。（采坑：需要将硬件性能开启到最大）
示例代码

python slim_prune_yolov5s_8x.py --cfg cfg/yolov5s_v6_hand.cfg --data data/oxfordhand.data --weights weights/last_v6s.pt --global_percent 0.5 --layer_keep 0.01 --img_size 640

STEP4:微调finetune

项目yolov5
示例代码

python prune_finetune.py --img 640 --batch 16 --epochs 50 --data data/coco_hand.yaml --cfg ./cfg/prune_0.6_keep_0.01_8x_yolov5s_v6_hand.cfg --weights ./weights/prune_0.6_keep_0.01_8x_last_v6s.pt --name s_hand_finetune

STEP4:微调finetune，使用蒸馏技术优化模型

项目yolov5
示例代码

python prune_finetune.py --img 640 --batch 16 --epochs 50 --data data/coco_hand.yaml --cfg ./cfg/prune_0.6_keep_0.01_8x_yolov5s_v6_hand.cfg --weights ./weights/prune_0.6_keep_0.01_8x_last_v6s.pt --name s_hand_finetune_distill --distill

STEP5:剪枝后模型推理

项目yolov5
示例代码

python prune_detect.py --weights weights/last_s_hand_finetune.pt --img  640 --conf 0.7 --source inference/images