yolov--9--YOLO v3的稀疏化剪枝微调--优化细节流程

xiaoxiao2022-06-27 165

Yolov-1-TX2上用YOLOv3训练自己数据集的流程(VOC2007-TX2-GPU)

Yolov--2--一文全面了解深度学习性能优化加速引擎---TensorRT

Yolov--3--TensorRT中yolov3性能优化加速（基于caffe）

yolov-5-目标检测：YOLOv2算法原理详解

yolov--8--Tensorflow实现YOLO v3

yolov--9--YOLO v3的剪枝优化

yolov--10--目标检测模型的参数评估指标详解、概念解析

yolov--11--YOLO v3的原版训练记录、mAP、AP、recall、precision、time等评价指标计算

yolov--12--YOLOv3的原理深度剖析和关键点讲解

https://github.com/talebolano/yolov3-network-slimming

yolov3-network-slimming

将Learning Efficient Convolutional Networks Through Network Slimming (ICCV 2017)应用在yolov3和yolov2上

环境

pytorch 0.41Linux

如何使用

1.对原始weights文件进行稀疏化训练

python sparsity_train.py -sr --s 0.0001 --image_folder coco.data --cfg yolov3.cfg --weights yolov3.weights

2.剪枝

python prune.py --cfg yolov3.cfg --weights checkpoints/yolov3_sparsity_100.weights --percent 0.3

3.对剪枝后的weights进行微调

python sparsity_train.py --image_folder coco.data --cfg prune_yolov3.cfg --weights prune_yolov3.weights

关于new_prune.py

new_prune更新了算法，现在可以确保不会有某一层被减为0的情况发生，参考RETHINKING THE SMALLER-NORM-LESSINFORMATIVE ASSUMPTION IN CHANNEL PRUNING OF CONVOLUTION LAYERS(ICLR 2018)对剪枝后bn层β系数进行了保留

待完成

coco测试

1、配置：

待定：

cuda 8.0.61, cudnn7.0,opencv2.4.8, Linux系统版本：Ubuntu14.04，Python：2.7.6keras 2.1.1numpy 1.14.2tensorflow 1.0.0pip19.0.3，setuptools-36.6.0(更新后为setuptools-40.8.0),cmake 3.5.1硬盘：2T内存：128G，缓冲区：64G

$ pip show numpy Name: numpy Version: 1.14.2 Summary: NumPy: array processing for numbers, strings, records, and objects. Home-page: http://www.numpy.org Author: NumPy Developers Author-email: numpy-discussion@python.org License: BSD Location: /usr/local/lib/python2.7/dist-packages

conda list 的CPU配置如下：

2019-5-24：

2019-5-25：

2019-5-25-2：内存不足

异常一：

IndentationError: expected an indented block 把这段英文报错翻译过来就是：缩进错误：期望一个缩进的块

缩进问题：缩进2个tab键即可

2019-5-27：

1.对原始weights文件进行稀疏化训练

CUDA_VISIBLE_DEVICES=7 python sparsity_train.py -sr --s 0.0001 --image_folder coco.data --cfg yolov3.cfg --weights yolov3.weights 2>1 | tee visualization/sparsity-tarin-yolov3.log

2.剪枝

CUDA_VISIBLE_DEVICES=7 python prune.py --cfg yolov3.cfg --weights checkpoints/yolov3_sparsity_100.weights --percent 0.3

2019-5-28：

3.对剪枝后的weights进行微调

python sparsity_train.py --cfg prune_yolov3-80lei-111.cfg --weights checkpoints-4/prune_yolo v3_sparsity_416_0.0001_final_1_111.weights

2019-5-29：

测试单张图片：

CUDA_VISIBLE_DEVICES=7 ./darknet detect cfg/prune_yolov3-80lei-111.cfg yolov3_sparsity_416_0.0001_final_1_442.weights data/dog.jpg CUDA_VISIBLE_DEVICES=7 ./darknet detect cfg/prune_yolov3-111-80-0.5.cfg yolov3-network-slimming/yolo/checkpoints-2/prune_yolov3_sparsity_416_0.0001_final_1_111-0.5.weights data/dog.jpg

分段错误：.cfg文件有误，需要更改

多GPU训练原版--yolov3

CUDA_VISIBLE_DEVICES=7 ./darknet detector train cfg/voc-1.data cfg/yolov3-1.cfg -gpus 8,9

CUDA_VISIBLE_DEVICES=7 ./darknet detector train cfg/voc-1.data cfg/prune_yolov3-111-80-0.5.cfg yolov3-network-slimming/yolo/checkpoints-2/prune_yolov3_sparsity_416_0.0001_final_1_111-0.5.weights

修改.cfg的batch=32 subdivisions=16

2019-6-2:

稀疏化：

微调：

若加微信请备注下姓名_公司/学校，相遇即缘分，感谢您的支持，愿真诚交流，共同进步，谢谢~

专利

最新回复(0)