前言

本项目基于 yolov5-6.2版本 的代码进行剪枝。与原版的yolov5-6.2 相比，本项目将所有剪枝需要的文件集成到了prune_tools文件夹，其余部分均相同。 本项目以口罩佩戴检测为例，展示yolov5n是如何剪枝的。对于其它系列，是同样的操作，就不再赘述。

prune_tools/
├── finetune.py            # 用于剪枝后的微调
├── prune.py               # 开始剪枝yolo模型
├── pruned_common.py       # 模型剪枝后的模块
├── train_sparity.py       # 稀疏训练
├── yolo_pruned.py         # 构建剪枝后的模型

本项目的剪枝方法来自于Learning Efficient Convolutional Networks Through Network Slimming, 此方法根据BN层的γ系数的大小进行剪枝。

1. 首先进行稀疏训练，将BN层的γ系数压至较小的值。

2. 设定剪枝比率，剪枝掉BN层过小的γ系数对应的通道

3. 微调

使用说明

环境安装

可以参考本人的requirements.txt下载，Python=3.9.

pip install -r requirements.txt  # install

基础训练

训练方法可以参考我的博文Yolov5口罩佩戴实时检测项目（opencv+python推理）

1. 下载数据集的百度云链接：mask_yolo

2. 数据集配置文件mask.yaml和模型配置文件yolov5n_mask.yaml已经放入到项目中。

3. 修改数据集配置文件mask.yaml中的path路径为数据集的存放位置

path: ../datasets/mask_yolo  # 修改为自己的数据集路径

4. 开始训练

python train.py --data data/mask.yaml --cfg models/yolov5n_mask.yaml --weights yolov5n.pt --batch-size 64 --epochs 200 --imgsz 320

训练结果：

Class	Images	Instances	P	R	mAP50	mAP50-95	params (M)	GFLOPs @320
all	1839	3060	0.953	0.913	0.949	0.657	1.77	4.2
face	1839	2024	0.955	0.899	0.935	0.633	--	--
face_mask	1839	1036	0.952	0.928	0.963	0.681	--	--

稀疏训练

python prune_tools/train_sparity.py --st --sr 0.0005 --weights runs/train/exp3/weights/best.pt --cfg models/yolov5n_mask.yaml --data data/mask.yaml --batch-size 64 --epochs 100 --imgsz 320

其中:

1. weights: 基础训练得到的best权重文件路径

2. st: 是否开启稀疏训练

3. sr: 稀疏因子，设置的越大，γ因子靠近0的越多，可以根据直方图的效果以及mAP的表现进行调整

稀疏后的BN层γ权重分布可以通过如下命令，然后手动在浏览器输入http://localhost:6006/ 即可。

tensorboard --logdir=runs/train

稀疏后的γ因子直方图如下所示：

稀疏结果：

Class	Images	Instances	P	R	mAP50	mAP50-95	params (M)	GFLOPs @320
all	1839	3060	0.952	0.908	0.949	0.642	1.77	4.2
face	1839	2024	0.944	0.888	0.936	0.622	--	--
face_mask	1839	1036	0.961	0.927	0.961	0.663	--	--

剪枝

python prune_tools/prune.py --weights runs/train/exp4/weights/best.pt --percent 0.4 --cfg models/yolov5n_mask.yaml --data data/mask.yaml --batch-size 64 --imgsz 320

其中:

1. weights: 稀疏训练得到的best权重文件路径

2. percent: 指定要剪枝多少比例的参数

剪枝结果：

Class	Images	Instances	P	R	mAP50	mAP50-95	params (M)	GFLOPs @320
all	1839	3060	0.375	0.536	0.311	0.0876	0.82	3.1

可以看出剪枝后精度下降较为严重，需要进行微调操作。

微调

python prune_tools/finetune.py --data data/mask.yaml  --weights runs/val/exp/pruned_model.pt --batch-size 64 --epochs 100 --imgsz 320

其中:

1. weights: 指的是剪枝后得到的权重，放置在runs/val文件夹下

微调结果：

Class	Images	Instances	P	R	mAP50	mAP50-95	params (M)	GFLOPs @320
all	1839	3060	0.952	0.918	0.945	0.652	0.82	3.1
face	1839	2024	0.948	0.907	0.933	0.63	--	--
face_mask	1839	1036	0.952	0.928	0.957	0.673	--	--