yolov5 prune，支持yolov5 V2、V3、V4、V6版本

# yolov5_prune 本项目基于[tanluren/yolov3-channel-and-layer-pruning](https://github.com/tanluren/yolov3-channel-and-layer-pruning)实现，将项目扩展到yolov5上。<br> 项目的基本流程是，使用[ultralytics/yolov5](https://github.com/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。<br> 本项目使用的yolov5为第六版本。<br> yolov5第三版本参考[yolov5-v4-prune](https://github.com/ZJU-lishuang/yolov5_prune/tree/v4)<br> yolov5第三版本参考[yolov5-v3-prune](https://github.com/ZJU-lishuang/yolov5_prune/tree/v3)<br> yolov5第二版本参考[yolov5-v2-prune](https://github.com/ZJU-lishuang/yolov5_prune/tree/v2)<br> 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](http://www.robots.ox.ac.uk/~vgg/data/hands/downloads/hand_dataset.tar.gz)<br> 数据集转为可训练格式[converter](https://github.com/ZJU-lishuang/yolov5-v4/blob/main/data/converter.py) ### STEP1:基础训练 附件：[训练记录](https://drive.google.com/drive/folders/1ZdgYUk5B9-KsE8m-CyhFv0-jzURm2SCV?usp=sharing)<br> ### STEP2:稀疏训练 附件：[稀疏训练记录](https://drive.google.com/drive/folders/1-aUNG_spznsF-KJ9nsur4r7XtZds4rU0?usp=sharing)<br> ### STEP3:八倍通道剪枝 附件：[剪枝后模型](https://drive.google.com/drive/folders/1KJYsVlaB5_3QZB3r0nzJUKYW_oTHW4Pa?usp=sharing)<br> ### STEP4:微调finetune 附件：[微调训练记录](https://drive.google.com/drive/folders/1AsHG_w--NdSPCV4sPaPYpcOnMyOpNgHx?usp=sharing)<br> ### 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](https://drive.google.com/drive/folders/1VDVHwhPReIN5WNLeb-8wnGmZbpe7pc_c?usp=sharing)<br> ## 剪枝步骤 #### STEP1:基础训练 **项目**[yolov5](https://github.com/ZJU-lishuang/yolov5-v6) <br> 示例代码 <br> ``` 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。<br> **项目**[yolov5](https://github.com/ZJU-lishuang/yolov5-v6)<br> 示例代码<br> ``` 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。<br> ``` 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。<br> ``` 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。<br> ``` 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）<br> 示例代码<br> ``` 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](https://github.com/ZJU-lishuang/yolov5-v6)<br> 示例代码<br> ``` 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](https://github.com/ZJU-lishuang/yolov5-v6)<br> 示例代码<br> ``` 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](https://github.com/ZJU-lishuang/yolov5-v6)<br> 示例代码<br> ```shell python prune_detect.py --weights weights/last_s_hand_finetune.pt --img 640 --conf 0.7 --source inference/images ```