YOLOv5s 剪枝

最新推荐文章于 2024-09-13 07:16:11 发布
最新推荐文章于 2024-09-13 07:16:11 发布
阅读量6.2k 收藏 130
点赞数 13
文章标签： pytorch 深度学习
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/m0_53608998/article/details/117687416
版权
本文档详细介绍了使用YOLOv5s进行模型剪枝的完整流程，包括环境配置、基础训练、稀疏训练、通道剪枝、微调以及剪枝后模型的推理步骤。通过提供相关源码地址和具体操作指南，帮助读者实践模型压缩和优化。
摘要由CSDN通过智能技术生成

YOLOv5s 剪枝

yolov5_prune

yolov5_prune源码地址：https://github.com/ZJU-lishuang/yolov5_prune
yolov5-v4源码地址：https://github.com/ZJU-lishuang/yolov5-v4

环境配置

python = 3.7
torch = 1.7.0+cu101
torchvision = 0.8.1+cu101

剪枝步骤

基础训练

YOLOv5自定义数据集训练：https://zhouchen.blog.csdn.net/article/details/108122600

在自己使用yolov5训练数据集时，因yolov5的warmup和余弦退火机制
在这里插入图片描述

应尽量将epochs数量调大，训练效果才能较优

在yolov5-v4项目运行

python train.py --img 640 --batch 2 --epochs 120 --weights weights/yolov5s.pt --data data
最低0.47元/天 解锁文章
Lee_Alpha
关注
YOLOv5剪枝✂️ | 模型剪枝理论篇
YOLOv8项目贡献者
10-28 7414
模型剪枝理论篇
mobile-yolov5-pruning-distillation:mobilev2-yolov5s剪枝，蒸馏，支持ncnn，tensorRT部署。超轻但性能更好！
03-19
移动式yolov5修剪蒸馏 mobilev2-yolov5s的通道修剪和蒸馏。超轻但性能更好！ TensorRT版本===> Android版本===> 背景 yolov5s在640x640分辨率下的计算量和参数量分别为8.39G和7.07M。在速度上仍然有提升空间，通过替换backbone（mobilenetv2），通道剪枝对模型进行压缩。 。本项目以工程化为基础，主要是模型端的优化。实现了常用的剪枝和蒸馏算法，并完成了一个简单的介绍和评估。将工程可用模型转换成对应的部署版本。 基准线 数据集采用Pascal VOC，训练集= train2007 + train2012 + val2007 + val2012，测试集= test2007，基线采用mobile-yolo（imagenet预训练），如果没有特别说明，第一个模块采用重点如果特定特殊说明则可以使用替换参数，batchsize
MyNote_Yolov5_5.0上做模型剪枝
qq_42835363的博客
02-20 2561
yolov5_5.0 做模型剪枝（使用network slimming方法）
YOLOv5 模型剪枝项目教程
最新发布
gitblog_01083的博客
09-13 806
YOLOv5 模型剪枝项目教程 yolov5_pruning YOLOv5模型剪枝 项目地址: https://gitcode.com/gh_mirrors/yo/yolov5_pruning ...
Pruned-YOLO:使用模型修剪方法获得基于YOLOv5的紧凑模型Pruned-YOLOv5
03-25
修剪YOLO 使用模型修剪方法获得紧凑模型，即基于YOLOv5的Pruned-YOLOv5。 注意： 1.该项目基于 。 首先将其安装。 然后，使用此处提供的模型配置文件（ coco_yolov5l.yaml ）和网络模块定义文件（ common.py ）替换原始的对应文件。 2.参考 ，我们还使用次梯度方法进行稀疏度训练（ sparsity.py ）。 此外，稀疏训练和微调相结合以简化修剪流程。 在训练过程中，我们介绍了软掩膜策略和稀疏因子余弦衰变。 3.使用train_sr.py进行稀疏火车，可以直接进行修剪，而无需进行微调。 4.请把prune_channel_v5_weightingByKernel.py和prune_layer_v5_weightingByKernel.py放在主目录（ / yolov5 / ）中。 前者用于通道修剪，后者用于层修剪。 模型修剪可以由他们
YOLOv5s剪枝+量化+安卓部署学习记录───模型剪枝
zswzswzsw233的博客
06-09 3248
使用yolov5s体验一下模型剪枝、量化和安卓部署过程
yolov5s模型剪枝详细过程(v6.0)
热门推荐
yjcccccc的博客
01-11 2万+
基于yolov5s(v6.0)的模型剪枝实战分享，参考github教程带链接带源码。
yolov论文-改进 YOLOv5s 的细胞培养板分类识别方法研究
05-26
【YOLOv5s-tiny算法的改进与应用】 本文主要探讨了针对生物实验室自动化提升的需求，通过改进YOLOv5s模型实现细胞培养板的高效分类识别。YOLO（You Only Look Once）系列算法是一种实时的目标检测系统，以其快速和...
yolov5s剪枝代码
07-29
对于Yolov5s模型的剪枝，您可以尝试以下步骤： 1. 模型分析：首先，您需要对Yolov5s模型进行详细的分析，了解其网络结构和各个层之间的依赖关系。 2. 选择剪枝方法：根据模型的结构和需求，选择适合的剪枝方法。...
yolov5s剪枝原理
09-03
yolov5s模型的剪枝原理是基于论文"Learning Efficient Convolutional Networks Through Network Slimming"中提出的方法。这个方法通过对模型的权重进行稀疏化，来减少网络中的冗余参数，从而提高模型的效率。具体来...
yolov5模型压缩之模型剪枝
litt1e的博客
07-16 1万+
稀疏剪枝
yolo-tensorrt:支持Yolov5s，m，l，x .darknet->张量。 Yolov4 Yolov3使用原始暗网* .weights和* .cfg fils。 如果包装纸对您有用，请加注星标
05-07
Yolov5 Yolov4 Yolov3 TensorRT实现 新闻： yolov5-v4.0支持 介绍 该项目是nvidia官方yolo-tensorrt的封装。 并且您必须具有来自Darknet（yolov3＆yolov4）的经过训练的yolo模型（ .weights ）和.cfg文件。 对于 ，您应该从准备模型文件（yolov5s.yaml）和训练后的体重文件（yolov5s.pt）。 yolov5s，yolov5m，yolov5l，yolov5x yolov4，yolov4-tiny yolov3，yolov3-tiny 特征 净宽度和高度不相等 批量推断 支持FP32，FP16，INT8 动态输入大小 平台和基准 窗户10 Ubuntu的04.04 L4T（Jetson平台） 基准 x86（推断时间） 模型 尺寸 gpu fp32 fp16 INT
模型压缩（二）yolov5剪枝
程序猿的视界
08-11 8007
yolov5剪枝
YOLOv5的Tricks | 【Trick9】模型剪枝处理与Pytorch实现的剪枝策略
Clichong
06-12 2596
如有错误，恳请指出。在yolov5项目中的torch_utils.py文件下，有prune这个函数，用来实现模型的剪枝处理。对模型裁剪，模型剪枝这方面之前没有接触到，这里用这篇笔记来学习记录一下这方面内容。在yolov5项目中提供了两个函数：sparsity与prune，前者可以返回模型的稀疏性，后者实现对模型的裁剪处理。对于模型稀疏性的判断，其实现的思路是遍历每一层模块的参数量，当当前层的参数值非0，表示当前的神经元是被激活的在网络的前向传播中是使用到的；而当当前层的参数值为0时，表示这个为0的参数所控制
yolov5剪枝复现
epic_Lin的博客
01-14 1621
1、github 本项目基于tanluren/yolov3-channel-and-layer-pruning实现，将项目扩展到yolov5上。 项目的基本流程是，使用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。 yolov5_prune：GitHub - ZJU-lishuang/yolov5_prune
YOLOv5模型剪枝压缩(2)-YOLOv5模型简介和剪枝层选择转载
dujuancao11的博客
09-22 2049
YOLOv5模型剪枝压缩(2)-YOLOv5模型简介和剪枝层选择_IEEE_FELLOW的博客-CSDN博客 本项目基于最新yolov5分支 v5.0(https://github.com/ultralytics/yolov5/releases/tag/v5.0)的yolov5s模型进行剪枝。 相关论文：https://arxiv.org/abs/1708.06519 在之前的博客有提到相关原理和整体的步骤：https://blog.csdn.net/IEEE_FELLOW/article/det.
yolov5prune: 轻量级YOLOv5模型压缩工具
gitblog_00091的博客
04-17 365
yolov5prune: 轻量级YOLOv5模型压缩工具 去发现同类优质开源项目:https://gitcode.com/ 项目简介 是一个基于PyTorch的项目，致力于优化和压缩YOLOv5目标检测模型，以实现更快、更高效的推理速度，同时尽可能保持准确率。对于那些在资源有限的设备（如嵌入式系统或移动设备）上运行YOLOv5应用的开发者来说，这是一个非常有价值的工具。 技术分析 YOLOv5是Y...
推荐项目：yolov5_prune —— 打造高效精准的物体检测利器
gitblog_00051的博客
06-08 274
推荐项目：yolov5_prune —— 打造高效精准的物体检测利器 yolov5_pruneyolov5 prune，Support V2, V3, V4 and V6 versions of yolov5项目地址:https://gitcode.com/gh_mirrors/yo/yolov5_prune 在这个追求高效与轻量的时代，深度学习模型的优化显得尤为重要。今天，我们为您推荐一个卓越...
YOLOV5Prune 剪枝实践
guangqianzhang的博客
06-08 759
初始化训练后模型yaml文件中backbone可能会发生变化，可能是程序中对yaml文件进行了更新。简单来说就是利用lameda的值来判断这个bn层的输出，如果输出太小，我们把他去掉后对模型的影响会比较小。字典是当前模型中需要考虑剪枝的BN层以及权重，计算阈值，稍后将结合权重值进行操作。与上面的操作类似，再次遍历模型，结合阈值筛选出需要剪枝的BN层，并放入。函数实现了剪枝后的模型。如果定义的模型和训练的模型不对应就会产生在。收集各个BN层的权重，通过设计的百分比设计消剪阀值。加载模型后，遍历模型中的各层。
评论 22
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值