YOLOv3模型剪枝，瘦身80%，提速100%，精度基本不變

如果要在實際應用中部署目標檢測，你會想到哪項算法？

在52CV目標檢測交流群里，被提及最多的，恐怕就是YOLOv3了。

雖然新出的一些算法號稱「完勝」「吊打」某某某算法，但YOLOv3 仍是被推薦最多的。

首先它有着目前為止還不錯的精度表現，而且計算速度較快，適合在移動端、邊緣設備部署。

另一個重要原因是，YOLOv3是被很多人使用驗證過的模型，被某個數據庫驗證過的某算法精度好很重要，但被社區大量驗證過效果OK的算法更重要。

今天向大家推薦一個Github新工程，對YOLOv3進行模型剪枝：

https://github.com/Lam1360/YOLOv3-model-pruning

這份代碼是基於Python 3.6, PyTorch 實現的。

作者用 YOLOv3 做人手檢測（在 oxford hand 數據集上訓練的），並進行了模型剪枝，剪枝後YOLOv3 模型的參數量減少 80% ，FLOPs 降低 70%，推斷的速度提高了100%，而 mAP 基本保持不變！

可謂是相當成功了！

1. 部分卷積層的通道數大幅度減少

剪枝前後指標對比:

精度還略微上升了！

作者使用的剪枝算法來自：

Learning Efficient Convolutional Networks Through Network Slimming (ICCV 2017)

https://arxiv.org/abs/1708.06519

剪枝步驟也非常簡單：

作者稱，後續還會在其他數據集上做實驗。

看來剪枝在實際應用部署時還真的很重要呢！