Skip to content

Latest commit

 

History

History
231 lines (144 loc) · 8.2 KB

README.md

File metadata and controls

231 lines (144 loc) · 8.2 KB
Raw

YOLOv3-complete-pruning

本项目以ultralytics/yolov3为YOLOv3的Pytorch实现，并在YOLOv3-model-pruning剪枝的基础上，推出了4个YOLO-v3剪枝版本。(在此致谢两位)

此外，最近还更新了YOLO的1bit、4bit、8bit、16bit量化。

剪枝方式 优点 缺点
正常剪枝 不对shortcut剪枝，拥有可观且稳定的压缩率，无需微调。 压缩率达不到极致。
极限剪枝 极高的压缩率。 需要微调。
规整剪枝 专为硬件部署设计，剪枝后filter个数均为8的倍数，无需微调。 为规整牺牲了部分压缩率。
Tiny剪枝 稳定的压缩率。 由于Tiny本来已很小，压缩率中规中矩。

项目特点

1.采用的YOLO-v3实现较为准确，mAP相对较高。

模型 320 416 608
YOLOv3 51.8 (51.5) 55.4 (55.3) 58.2 (57.9)
YOLOv3-tiny 29.0 32.9 (33.1) 35.5

2.提供对YOLOv3及Tiny的多种剪枝版本、量化版本，以适应不同的需求。

3.剪枝后保存为.weights格式，可在任何框架下继续训练、推理，或以图像视频展示。

4.目前支持情况

剪枝方式 单卡 多卡
正常训练 √ √
稀疏化 √ √
正常剪枝 √ √
规整剪枝 √ √
极限剪枝(shortcut) √ √
Tiny剪枝 √ √
二值量化 8bit量化 16bit量化 混合量化 任意bit量化
√ √ √ √ √

最新进展

  • 2019年12月26日：支持任意bit量化。
  • 2019年11月6日：极限剪枝已支持无需微调。
  • 非常感谢github大佬tanluren，对该项目指出的众多问题和支持，实在太强了^_^。

环境搭建

1.由于采用ultralytics/yolov3的YOLO实现，环境搭建见ultralytics/yolov3。这里重复介绍一下：

  • numpy
  • torch >= 1.1.0
  • opencv-python
  • tqdm

可直接pip3 install -U -r requirements.txt搭建环境，或根据该.txt文件使用conda搭建。

数据获取

依然采用oxford hand数据集

1.下载数据集，并解压至/data目录下，得到hand_dataset文件夹。

2.执行python converter.py ，生成 images、labels 文件夹和 train.txt、valid.txt 文件。

3.获取YOLO预训练权重，/weights文件夹下执行bash download_yolov3_weights.sh，或自行下载。

4.至此，数据部分完成。

剪枝篇

1.正常训练

python3 train.py --data data/oxfordhand.data --batch-size 32 --accumulate 1 --weights weights/yolov3.weights --cfg cfg/yolov3-hand.cfg

2.稀疏化训练

-sr开启稀疏化，--s指定稀疏因子大小，--prune指定稀疏类型。

其中：

--prune 0为正常剪枝和规整剪枝的稀疏化

--prune 1为极限剪枝的稀疏化

--prune 2为Tiny剪枝的稀疏化

python3 train.py --data data/oxfordhand.data --batch-size 32 --accumulate 1 --weights weights/yolov3.weights --cfg cfg/yolov3-hand.cfg -sr --s 0.001 --prune 0

3.模型剪枝

  • 正常剪枝
python3 normal_prune.py
  • 规整剪枝
python3 regular_prune.py
  • 极限剪枝
python3 shortcut_prune.py
  • Tiny剪枝
python3 prune_tiny_yolo.py

需要注意的是，这里需要在.py文件内，将opt内的cfg和weights变量指向第2步稀疏化后生成的cfg文件和weights文件。 此外，可通过增大代码中percent的值来获得更大的压缩率。（若稀疏化不到位，且percent值过大，程序会报错。）

量化篇

1 指定需要量化的层

打开任意一个可用的配置文件，例如yolov3-hand.cfg。将需要量化的层，从原来的convolutional替换为quantize_convolutional。

2 指定量化方式

通过修改models.py中的W_bit和A_bit，指定权重的量化方式，激活的量化方式。（目前默认为16bit量化）

3 量化训练

python3 train.py --data data/oxfordhand.data --batch-size 32 --accumulate 1 --weights weights/yolov3.weights --cfg cfg/yolov3-quantize-hand.cfg

与正常训练相同，只是cfg要指向修改过的cfg文件。

推理展示

这里，我们不仅可以使用原始的YOLOV3用来推理展示，还可使用我们剪枝后的模型来推理展示。（修改cfg，weights的指向即可）

python3 detect.py --source ...
  • Image: --source file.jpg
  • Video: --source file.mp4
  • Directory: --source dir/
  • Webcam: --source 0
  • RTSP stream: --source rtsp:https://170.93.143.139/rtplive/470011e600ef003a004ee33696235daa
  • HTTP stream: --source https://wmccpinetop.axiscam.net/mjpg/video.mjpg

例如：

python3 detect.py --cfg cfg/prune_0.8_yolov3-hand.cfg --weights weights/yolov3_hand_pruning_percent0.8.weights --data data/oxfordhand.data --source test.jpg

剪枝效果

以下数据除极限剪枝外，均未微调。

YOLO-v3剪枝

模型 参数量 模型体积 压缩率 耗时 mAP
Baseline(416) 61.5M 246.4MB 0% 11.7ms 0.7924
正常剪枝 10.9M 43.9MB 82.2% 5.92ms 0.7712
规整剪枝 15.31M 61.4MB 75.1% 6.01ms 0.7832
极限剪枝 7.13M 28.6MB 88.4% 5.90ms 0.7382

YOLO-v3-Tiny剪枝

模型 参数量 模型体积 压缩率 耗时 mAP
Baseline(416) 8.7M 33.1MB 0% 2.2ms 0.6378
Tiny剪枝 4.4M 16.8MB 40.1% 2.0ms 0.6132

量化效果（数据更新中）

以下量化数据中，权重激活均被量化。

YOLO-v3量化

模型 mAP
Baseline(416) 0.8246
第一层float32+中间层8bit+最后一层float32 0.8174
全16bit量化 0.8132
全8bit量化 0.8024

核心思想

剪枝方法来源于论文Learning Efficient Convolutional Networks through Network Slimming，剪枝无需微调方法来源于Rethinking the Smaller-Norm-Less-Informative Assumption in Channel Pruning of Convolution Layers。

量化方法来源于论文DoReFa-Net: Training Low Bitwidth Convolutional Neural Networks with Low Bitwidth Gradients。

此外，具体实现时，在论文作者的基础上做了改进。

互动

1.如何获得较高的压缩率？

提高压缩率的关键在于稀疏化训练，可以加大--s的值并迭代训练多次等手段。

2.我的压缩率比表格中更高！

以上数据仅仅是测试了不到20次的结果，如果有同学的压缩率更高，欢迎在评论区分享！

3.程序报错怎么办？

YOLOv3报错

由于采用了ultralytics/yolov3为YOLOv3的Pytorch实现，因此这类错误可跳转至此链接询问。

剪枝量化错误

一定要在本评论区留言，我会尽快修正！