本项目涉及的算法如下：
-
YOLOv5的GITHUB地址：https://github.com/ultralytics/yolov5.git
-
SFP的Paper地址：https://arxiv.org/abs/1808.07471
-
Network Slimming的Paper地址：https://arxiv.org/abs/1708.06519
-
Deep_Sort目标跟踪
本仓库包含一下内容：
- 如何安装使用YOLOv5 Pruning
- 如何使用SFP进行剪枝
- 如何使用Network Slimming进行剪枝
创建虚拟环境
$ create -n yolov5 python=3.7 -y克隆仓库
$ git clone https://github.com/DDGRCF/yolov5_pruning.gitcd yolov5_Chinese 安装依赖
$ pip install -r requirements.txt在该目录下创建一个datasets文件夹，该文件夹用来存放各种数据集（你可以创建一个数据集的软链接）
本项目由于条件限制，只使用火焰数据集（fire），其配置文件在data\fire.yaml。该数据集已上传网盘。
默认的剪枝层是跳过short_cut和每个stage的输出层的。另外如果你想要裁剪yolos等模型，你就得自己指定skip-list，skip-list需要跳过short-cut层(不跳过short_cut的话，由于我在short_cut中采用了SFP作者的并行操作，虽然减小了参数量但实际运行速度可能还增加。至于怎么知道第几层是short_cut层，把模型的named_parameters参数打印下来)
$ python train.py --epochs 220 --weights weights/yolov5l.pt --hyp hyp.finetune.yaml --cfg models/yolov5l.yaml --data data/fire.yaml --batch-size 16 --workers 8 --device 3 --use-pruning --layer-rate 0.4 --layer-gap 0,321,3 --skip-downsample --pruning-method SFP # --skip-list 0 3
:<<!
其中use-pruning代表进行剪枝，layer-rate代表剪枝率（1为不剪枝），skip-list代表不需要剪枝的层（只能是0 3 6...， pruning-method代表使用剪枝的方法)
!$ python get_small_model.py --weights runs/train/exp*/weights/best_pruning.pt --cfg models/yolov5l.yaml --data data/fire.yaml --device 0在GeForce GTX TITAN X的显卡上，在自己的火焰数据集(train:600,val:90,skip short cut)进行train(epoch:220)和val并求每张的平均时间(未剔除初期加载数据的时间)
| Method | Metric | Speed(ms) |
|---|---|---|
| Origin | 37.0 | 34.89 |
| Big | 37.5 | 34.70 |
| Small | 37.3 | 25.75 |
这个目前有点问题，原始算法的脚本和一些YOLOv3的剪枝脚本，BN scale仅需1.0e-5~1.0e-2左右，但我这里在不加载预训练模型，且把模型的BN初始化为0.5时，BN scale需要差不多10~100其BN weights才进行明显的稀疏，而加载预训练模型后则需要差不多100~1000才能进行明显的稀疏。
$ python train.py --epochs 300 --cfg models/yolov5l.yaml --data data/fire.yaml --batch-size 16 --device 0 --use-pruning --skip-list 0 3 --pruning-method Network_Slimming \
--s 1 --print-sparse-frequency 2
:<<!
其中 pring-sparse-frequency代表进行多少次epoch输出稀疏度直方图，直方图在`runs\train\exp*\weights\histogram`中，s代表scale
!$ python get_sparse_model.py --weights runs/train/exp*/weights/best_sparse.pt --data data/fire.yaml --device 0 --ratio 0.70
:<<!
其中ratio代表裁剪率
!python detect.py --weights runs/train/exp*/weights/pruning_*.pt --source data/images/fire --use-pruning
React
Typescript
Django
Laravel
Facebook
Microsoft
Google
Alibaba
D3
Tencent