记录：YOLOv5模型剪枝轻量化

最新推荐文章于 2024-06-25 15:50:28 发布
最新推荐文章于 2024-06-25 15:50:28 发布
阅读量3.1k 收藏 9
点赞数 1
分类专栏： 计算机视觉 文章标签： 剪枝 人工智能 python
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/qq_44224801/article/details/125564944
版权

一直想试一下yolov5的模型剪枝，达到轻量化效果，于是做了如下尝试：
感谢cv君大佬的分享，以防不测自己记录一下，参考地址

本文使用了行人数据集crowdhuman，其中提取了一百多张作为训练集测试，根据运行指示，最终得到的结果如下
yolov5s剪枝后：
在这里插入图片描述
yolov5s剪枝前：
在这里插入图片描述
yolov5n模型：
在这里插入图片描述

一休哥※
关注
  • 1
    点赞
  • 踩
  • 9
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 8
    评论
专栏目录
基于改进YOLO轻量化网络的目标检测方法
01-26
YOLOv3作为开源的目标检测网络与同时期目标检测网络相比,在速度和精度上有着明显的优势。由于YOLOv3采用了新型的全卷积网络(FCN)、特征金字塔网络(FPN)和残差网络(ResNet),因此对硬件配置要求较高,导致开发成本过高,不利于工业上的应用普及。在嵌入式平台上普遍使用YOLOv3tiny进行检测,虽然计算量较小,但是检测效果远不如YOLOv3。为了解决在嵌入式平台上YOLOv3检测速度低的问题,提出一种基于YOLOv3的简化版网络,与YOLOv3不同的是,在保留了对特征提取有较大帮助的FCN、FPN以及ResNet的同时,尽可能减少每层的参数量和残差层数,并尝试加入了密集连接网络空间金字塔池化。实验结果表明,该网络的参数量和检测速度大幅优于YOLOv3,且平均精度比YOLOv3tiny在PASCAL VOC2007、2012数据集上有明显的提升。
YOLOv5目标检测之网络剪枝实战
05-09
PyTorch版的YOLOv5是一个非常流行的基于深度学习的目标检测器。本课程使用Network Slimming剪枝方法对YOLOv5进行网络剪枝，使其更加轻量。Network Slimming是一种经典的实用模型压缩方法，可实现高效的通道级别的结构化剪枝。该方法通过利用BN（Batch Normalization）层中缩放因子较小的值来剪裁的相应通道，达到精简网络的目的。步骤包括：增加稀疏正则化的训练、网络模型剪枝、剪枝后的网络模型微调。本课程在YOLOv5 v6.1版本代码的基础上增加Network Slimming剪枝方法，在Windows和Ubuntu系统上演示针对自己的数据集训练和进行网络剪枝过程，并讲解原代码针对剪枝的修改部分。本课程分为原理篇、实战篇、代码讲解篇。原理篇包括：网络剪枝的基础知识、Network Slimming剪枝原理。实战篇包括：PyTorch环境安装、YOLOv5项目安装、准备自己的数据集、修改配置文件、正常训练自己的数据集、稀疏化训练、网络模型剪枝、剪枝后的网络模型微调。代码讲解篇包括：剪枝代码修改说明和具体修改的代码讲解。
SF-YOLOv5——基于改进的特征融合模式的轻量级小目标检测算法
最新发布
知来者逆的博客
06-25 1127
图像首先通过输入层（input）进行处理，然后被发送到主干网络进行特征提取。主干网络获取不同尺寸的特征图，并通过特征融合网络（neck）将这些特征进行融合，最终生成三个特征图P3、P4和P5（在YOLOv5中，这些尺寸分别表示为80×80、40×40和20×20），用于分别检测图像中的小型、中型和大型物体。
YOLOv5s剪枝+量化+安卓部署学习记录───在剪枝模型的基础上量化
zswzswzsw233的博客
06-09 2677
使用yolov5s体验一下模型剪枝、量化和安卓部署过程
Yolov5更换backbone，与模型压缩（剪枝，量化，蒸馏）
weixin_42638415的博客
12-15 2万+
目前支持更换yolov5的backbone主干网络为Ghostnet，以及采用eagleeye的剪枝方法支持对yolov5系列的剪枝。 后续，将会添加更多更轻量，更优秀的主干网络，比如swintrans，...
改进yolov7网络（从轻量化方面的8个方法）
jsnuchao的博客
04-20 9988
改进yolov7 轻量化方面出发
yolov8s模型进行剪枝源码
05-13
实现步骤: 1. yolov8s模型预训练 2. 模型稀疏化sparsity 3.剪枝 4. finetune 经过键枝后,finetune60个epoch达到原模型迭代52个epoch的mAP值0.78，模型的大小减少了2/5。
模型轻量化-YOLOv5无损剪枝
10-28
运行顺序： 1. 原始训练，得到一个最优mAP等评价指标 2.通过调整BN稀疏值sr，运行train_sparity.py稀疏训练得到一个稍微小的...3. 将训练好的last.pt 放到prune.py 中进行剪枝，控制剪枝率； 4. Finetune得到最优模型
YOLOv8模型剪枝源码
03-27
剪枝是一种常见的深度学习模型压缩方法，通过移除模型中的冗余参数或结构，以实现模型的轻量化。 在YOLOv8模型剪枝的过程中，通常会涉及到以下几个关键知识点： 1. **YOLOv8模型**：YOLO（You Only Look Once）是...
基于yolov5的模型剪枝项目实战源码
10-13
**基于Yolov5的模型剪枝项目实战源码** ...通过这个项目，开发者和研究人员可以深入了解模型剪枝的实践过程，掌握如何在实际应用中实现模型的轻量化，这对于资源受限的场景，如移动设备和边缘计算，具有重要意义。
基于剪枝后的yolov5模型进行知识蒸馏训练python源码+项目说明.zip
04-12
基于剪枝后的yolov5模型进行知识蒸馏训练python源码+项目说明.zip 基于剪枝后的yolov5模型进行知识蒸馏训练python源码+项目说明.zip 基于剪枝后的yolov5模型进行知识蒸馏训练python源码+项目说明.zip 基于剪枝后的...
yolov5剪枝实战
06-20
在深度学习落地过程中，为了适应嵌入端AI算力不足的问题，通常需要对深度学习模型进行压缩，而剪枝技术是最常用的深度学习模型压缩技术之一。本课程结合讲师本身的工程实践，给出基于FPGM算法的yolov5s模型剪枝方法，并在coco数据集上进行剪枝训练，在保证mPA微小下降的前提下，大大提高的yolov5s的inference速度。剪枝前yolov5s在coco val数据集上评估指标如下：                           FPGM剪枝后在coco val数据集上评估指标如下：I 
《模型轻量化-剪枝蒸馏量化系列》YOLOv5无损剪枝（附源码）
热门推荐
cv君的博客
06-07 3万+
无损剪枝模型到几百kb~
YOLOV5-模型轻量化的一些常见方法
m0_58508552的博客
02-18 1万+
知识蒸馏是一种有效的模型压缩技术，它可以通过将一个大的模型的知识迁移到一个小的模型中，来减少模型的大小和计算量。具体来说，可以将一个大的Yolov5模型的知识迁移到一个小的Yolov5模型中，从而获得一个轻量化的Yolov5模型。此外，YOLOv5还可以适应不同的设备，如CPU、GPU、TPU等，可以在不同的硬件平台上实现高效的目标检测。总的来说，YOLOv5是一个非常优秀的目标检测算法，具有更快的训练速度、更高的精度、更小的模型体积和更广泛的应用场景，可以为实际应用带来更多的价值。
【YOLOv7改进轻量化】第一章——引入轻量化骨干网络MobileOne
weixin_44994302的博客
12-26 1万+
YOLOv7轻量化之MobileOne，原理+完整代码实现
YOLOv5s剪枝+量化+安卓部署学习记录───模型剪枝
zswzswzsw233的博客
06-09 3010
使用yolov5s体验一下模型剪枝、量化和安卓部署过程
YOLOv5s 剪枝
m0_53608998的博客
06-08 6164
YOLOv5s 剪枝yolov5_prune环境配置剪枝步骤基础训练稀疏训练通道剪枝微调finetune剪枝后模型推理 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
Yolov5更换backbone，与模型压缩（剪枝，量化，蒸馏）续
weixin_42638415的博客
12-28 6341
项目介绍： 本仓库是基于官方yolov5源码的基础上，进行的改进。 新增支持更换yolov5的backbone主干网络为Efficientnetv2, shufflenetv2， 具体网络模型实现可在model-->common.py中查看。 后续，将会添加更多更轻量，更优秀的主干网络，比如swintranst等，其他剪枝方法，以及量化，蒸馏对于yolov5系列的支持。 欢迎大家有问题，错误，想法都可以积极交流，探讨，学习，本项...
YOLO目标检测算法轻量化改进的过程记录
hexiao260的博客
05-22 9778
将目标检测算法部署至嵌入式设备（jetson nano）上的过程，并对YOLO目标检测算法进行轻量化改进（修改），主要是在YOLOv4-tiny、YOLOv5-s及YOLOX-tiny的基础上做出的总结及改进，主要是自己的实测效果及一些改进后的效果的记录，免得大家二次踩坑，并不一定适用于所有情况，并且容易受训练策略、数据集等各自各样的因素影响可能会有所区别，但深度学习嘛，本身就是个玄学问题，大家看看就好。......
yolov5模型轻量化
09-01
Yolov5模型的轻量化是通过一系列有效的技术来实现的。其中，知识蒸馏是一种常用的模型压缩技术，可以将一个大的模型的知识迁移到一个小的模型中，以减少模型的大小和计算量。在Yolov5中，可以将一个大的Yolov5模型的知识迁移到一个小的Yolov5模型中，从而获得一个轻量化的Yolov5模型。此外，Yolov5还通过卷积核剪枝、特征金字塔结构、网络宽度和深度、轻量级正则化、轻量级激活函数等轻量化技术来减少模型的参数和计算量，以提高模型的性能和效率。通过这些轻量化技术，Yolov5模型能够适应不同的场景和设备，同时在保持较高精度的前提下，减小模型的体积和计算负载，提升模型的实时性和部署效果。<span class="em">1</span><span class="em">2</span><span class="em">3</span> #### 引用[.reference_title] - *1* *2* *3* [YOLOV5-模型轻量化的一些常见方法](https://blog.csdn.net/m0_58508552/article/details/129096297)[target="_blank" data-report-click={"spm":"1018.2226.3001.9630","extra":{"utm_source":"vip_chatgpt_common_search_pc_result","utm_medium":"distribute.pc_search_result.none-task-cask-2~all~insert_cask~default-1-null.142^v93^chatsearchT3_1"}}] [.reference_item style="max-width: 100%"] [ .reference_list ]
评论 8
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

打赏作者

一休哥※

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

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