Github項目推薦 | YOLOv3模型壓縮
簡介
項目倉庫包括具有一些輕量級主幹（ShuffleNetV2，GhostNet），一些電腦視覺注意機制（SE Block, CBAM Block, ECA Block），針對GhostNet的剪枝、量化和提煉的YOLOv3。
項目地址
//github.com/HaloTrouvaille/YOLO-Multi-Backbones-Attention
重要更新記錄
2020.06.01
1）最佳的輕量級模型-HuaWei GhostNet被添加為YOLOv3骨幹！ 它比ShuffleNetV2更好。 visdrone數據集的結果如下。
2）添加Dorefa量化方法以進行任意位量化！ visdrone數據集的結果如下。
3）刪除了ShuffleNet和注意力機制。
2020.06.24
1）根據NetworkSlimming添加修剪。
2）修剪後添加提煉以獲得更高的mAP。
3）為GhostNet添加Imagenet預訓練模型。
|
Model |
Params |
FPS |
mAP |
|
GhostNet+YOLOv3 |
23.49M |
62.5 |
35.1 |
|
Pruned Model+Distillation |
5.81M |
76.9 |
34.3 |
|
Pruned Model+INT8 |
5.81M |
75.1 |
34 |
注意：單GPU的使用效果更佳。
如果需要以前的注意力模型或有任何疑問，可以到項目中聯繫作者。
運行環境
-
python 3.7
-
pytorch >= 1.1.0
-
opencv-python
數據集
-
Oxfordhand datasets (1 class, including human’s hand)
//pan.baidu.com/s/1ZYKXMEvNef41MdG1NgWYiQ (extract code: 00rw)
-
Visdrone Remote datasets (10 classes, including pedestrian, car, bus, etc)
//pan.baidu.com/s/1JzJ6APRym8K64taZgcDZfQ (extract code: xyil)
-
Bdd100K datasets (10 classes, including motor, train, traffic light, etc)
//pan.baidu.com/s/1dBrKEdy92Mxqg-JiyrVjkQ (extract code: lm4p)
-
Dior datasets (20 classes, including airplane, airport, bridge, etc)
//pan.baidu.com/s/1Fc-zJtHy-6iIewvsKWPDnA (extract code: k2js)
使用
1）下載數據集，將其放置在數據（data）目錄中
2）使用以下命令訓練模型（通過更改cfg文件來更改模型結構）
python3 train.py --data data/visdrone.data --batch-size 16 --cfg cfg/ghostnet-yolov3-visdrone.cfg --img-size 640
3）使用訓練有素的模型檢測對象（將圖片或影片放置在示例目錄中）
python3 detect.py --cfg cfg/ghostnet-yolov3-visdrone.cfg --weights weights/best.pt --data data/visdrone.data
4）結果
剪枝和量化
剪枝
首先，執行稀疏訓練。
python3 train.py --data data/visdrone.data --batch-size 4 --cfg cfg/ghost-yolov3-visdrone.cfg --img-size 640 --epochs 300 --device 3 -sr --s 0.0001
然後在normal_prune.py中更改cfg和權重，再使用以下命令
python normal_prune.py
獲取pruned.cfg和相應的權重文件後，可以通過以下命令微調修剪的模型
python3 train.py --data data/visdrone.data --batch-size 4 --cfg pruned.cfg --img-size 640 --epochs 300 --device 3 --weights weights/xxx.weighs
量化
如果要量化某些卷積層，可以在cfg文件中將[convolutional]更改為[quan_convolutional]。 然後使用以下命令
python3 train.py --data data/visdrone.data --batch-size 16 --cfg cfg/ghostnet-yolov3-visdrone.cfg --img-size 640
更改YOLOv3主幹的實驗結果
ShuffleNetV2+雙標度檢測（YOLO檢測器）
使用Oxfordhand數據集
| Model | Params | Model Size | mAP |
| ShuffleNetV2 1x | 3.57M | 13.89MB | 51.2 |
| ShuffleNetV2 1.5x | 5.07M | 19.55MB | 56.4 |
| YOLOv3-tiny | 8.67M | 33.1MB | 60.3 |
使用Visdrone數據集（不完整的訓練）
| Model | Params | Model Size | mAP |
| ShuffleNetV2 1x | 3.59M | 13.99MB | 10.2 |
| ShuffleNetV2 1.5x | 5.09M | 19.63MB | 11 |
| YOLOv3-tiny | 8.69M | 33.9MB | 3.3 |
注意機制的實驗結果
基於YOLOv3-tiny
SE Block paper : //arxiv.org/abs/1709.01507
CBAM Block paper : //arxiv.org/abs/1807.06521
ECA Block paper : //arxiv.org/abs/1910.03151
| Model | Params | mAP |
| YOLOv3-tiny | 8.67M | 60.3 |
| YOLOv3-tiny + SE | 8.933M | 62.3 |
| YOLOv3-tiny + CBAM | 8.81M | 62.7 |
| YOLOv3-tiny + ECA | 8.67M | 62.6 |
TODO
√ ShuffleNetV2主幹
√ 華為GhostNet骨幹網
√ ImageNet預訓練
√ COCO數據集培訓
□ 其他檢測策略
□ 其他剪枝策略
