【yolov8系列】 yolov8 目标检测的模型剪枝

news/2024/7/10 0:31:15 标签: YOLO, 目标检测, 剪枝

前言

最近在实现yolov8的剪枝,所以有找相关的工作作为参考,用以完成该项工作。

  • 先细读了 Torch-Pruning,个人简单记录了下 【剪枝】torch-pruning的基本使用,有框架完成的对网络所有结构都自适应剪枝是最佳的,但这里没有详细记录torch-pruning的yolov8的剪枝,是因为存在不解 对其yolov8具体的剪枝代码中操作:“比较疑惑 replace_c2f_with_c2f_v2(model.model) 这句注释掉了代码就跑不通了。是tp不支持原本 c2f 吗,我如果想使用c2f进行剪枝,应该怎么办呢”。待解决该问题,然后在记录。
  • 然后另外参考博客 Jetson nano部署剪枝YOLOv8,该方法的代码实现仅针对yolov8 的剪枝,但可从中借鉴如何利用bn对模型进行剪枝,举一反三应用到其它工程中。bn剪枝的原理可以在 3.1 常用的结构化剪枝原理 简单记录。

1. 剪枝工程搭建

yolov8工程下载
本地有个版本 Ultralytics 8.0.81,所以该篇博客基于该版本记录。不同版本可能带来的影响,所以当使用最新版本出bug时,又无法定位和解决,可先尝试8.0.81版本。我们剪枝过程在VOC数据集上完成尝试。
在这里插入图片描述

这里添加两个代码文件
分别为【LL_pruning.pyLL_train.py】存放于根目录下在这里插入图片描述

  • LL_train.py的内容为
    from ultralytics import YOLO
    import os
    # os.environ["CUDA_VISIBLE_DEVICES"]="0,1" 
    
    root = os.getcwd()
    ## 配置文件路径
    name_yaml             = os.path.join(root, "ultralytics/datasets/VOC.yaml")
    name_pretrain         = os.path.join(root, "yolov8s.pt")
    ## 原始训练路径
    path_train            = os.path.join(root, "runs/detect/VOC")
    name_train            = os.path.join(path_train, "weights/last.pt")
    ## 约束训练路径、剪枝模型文件
    path_constraint_train = os.path.join(root, "runs/detect/VOC_Constraint")
    name_prune_before     = os.path.join(path_constraint_train, "weights/last.pt")
    name_prune_after      = os.path.join(path_constraint_train, "weights/last_prune.pt")
    ## 微调路径
    path_fineturn         = os.path.join(root, "runs/detect/VOC_finetune")
    
    def else_api():
        path_data = ""
        path_result = ""
        model = YOLO(name_pretrain) 
        metrics = model.val()  # evaluate model performance on the validation set
        model.export(format='onnx', opset=11, simplify=True, dynamic=False, imgsz=640)
        model.predict(path_data, device="0", save=True, show=False, save_txt=True, imgsz=[288,480], save_conf=True, name=path_result, iou=0.5)  # 这里的imgsz为高宽
    
    def step1_train():
        model = YOLO(name_pretrain) 
        model.train(data=name_yaml, device="0,1", imgsz=640, epochs=50, batch=32, workers=16, save_period=1, name=path_train)  # train the model
    
    def step2_Constraint_train():
        model = YOLO(name_train) 
        model.train(data=name_yaml, device="0,1", imgsz=640, epochs=50, batch=32, workers=16, save_period=1,name=path_constraint_train)  # train the model
    
    def step3_pruning():
        from LL_pruning import do_pruning
        do_pruning(os.path.join(name_prune_before, name_prune_after))
    
    def step4_finetune():
     model = YOLO(name_prune_after)     # load a pretrained model (recommended for training)
        model.train(data=name_yaml, device="0,1", imgsz=640, epochs=50, batch=32, workers=16, save_period=1, name=path_fineturn)  # train the model
    
    step1_train()
    # step2_Constraint_train()
    # step3_pruning()
    # step4_finetune()
    
    
  • LL_pruning.py的内容为
    from ultralytics import YOLO
    import torch
    from ultralytics.nn.modules import Bottleneck, Conv, C2f, SPPF, Detect
    import os
    # os.environ["CUDA_VISIBLE_DEVICES"] = "2"
    
    
    class PRUNE():
        def __init__(self) -> None:
            self.threshold = None
    
        def get_threshold(self, model, factor=0.8):
            ws = []
            bs = []
            for name, m in model.named_modules():
                if isinstance(m, torch.nn.BatchNorm2d):
                    w = m.weight.abs().detach()
                    b = m.bias.abs().detach()
                    ws.append(w)
                    bs.append(b)
                    print(name, w.max().item(), w.min().item(), b.max().item(), b.min().item())
                    print()
            # keep
            ws = torch.cat(ws)
            self.threshold = torch.sort(ws, descending=True)[0][int(len(ws) * factor)]
    
        def prune_conv(self, conv1: Conv, conv2: Conv):
            ## a. 根据BN中的参数,获取需要保留的index================
            gamma = conv1.bn.weight.data.detach()
            beta  = conv1.bn.bias.data.detach()
            
            keep_idxs = []
            local_threshold = self.threshold
            while len(keep_idxs) < 8:  ## 若剩余卷积核<8, 则降低阈值重新筛选
                keep_idxs = torch.where(gamma.abs() >= local_threshold)[0]
                local_threshold = local_threshold * 0.5
            n = len(keep_idxs)
            # n = max(int(len(idxs) * 0.8), p)
            print(n / len(gamma) * 100)
            # scale = len(idxs) / n
    
            ## b. 利用index对BN进行剪枝============================
            conv1.bn.weight.data = gamma[keep_idxs]
            conv1.bn.bias.data   = beta[keep_idxs]
            conv1.bn.running_var.data = conv1.bn.running_var.data[keep_idxs]
            conv1.bn.running_mean.data = conv1.bn.running_mean.data[keep_idxs]
            conv1.bn.num_features = n
            conv1.conv.weight.data = conv1.conv.weight.data[keep_idxs]
            conv1.conv.out_channels = n
            
            ## c. 利用index对conv1进行剪枝=========================
            if conv1.conv.bias is not None:
                conv1.conv.bias.data = conv1.conv.bias.data[keep_idxs]
    
            ## d. 利用index对conv2进行剪枝=========================
            if not isinstance(conv2, list):
                conv2 = [conv2]
            for item in conv2:
                if item is None: continue
                if isinstance(item, Conv):
                    conv = item.conv
                else:
                    conv = item
                conv.in_channels = n
                conv.weight.data = conv.weight.data[:, keep_idxs]
         
        def prune(self, m1, m2):
            if isinstance(m1, C2f):      # C2f as a top conv
                m1 = m1.cv2
            if not isinstance(m2, list): # m2 is just one module
                m2 = [m2]
            for i, item in enumerate(m2):
                if isinstance(item, C2f) or isinstance(item, SPPF):
                    m2[i] = item.cv1
            self.prune_conv(m1, m2)
         
    def do_pruning(modelpath, savepath):
        pruning = PRUNE()
    
        ### 0. 加载模型
        yolo = YOLO(modelpath)                  # build a new model from scratch
        pruning.get_threshold(yolo.model, 0.8)  # 获取剪枝时bn参数的阈值,这里的0.8为剪枝率。
    
        ### 1. 剪枝c2f 中的Bottleneck
        for name, m in yolo.model.named_modules():
            if isinstance(m, Bottleneck):
                pruning.prune_conv(m.cv1, m.cv2)
    
        ### 2. 指定剪枝不同模块之间的卷积核
        seq = yolo.model.model
        for i in [3,5,7,8]: 
            pruning.prune(seq[i], seq[i+1])
    
        ### 3. 对检测头进行剪枝
        # 在P3层: seq[15]之后的网络节点与其相连的有 seq[16]、detect.cv2[0] (box分支)、detect.cv3[0] (class分支)
        # 在P4层: seq[18]之后的网络节点与其相连的有 seq[19]、detect.cv2[1] 、detect.cv3[1] 
        # 在P5层: seq[21]之后的网络节点与其相连的有 detect.cv2[2] 、detect.cv3[2] 
        detect:Detect = seq[-1]
        last_inputs   = [seq[15], seq[18], seq[21]]
        colasts       = [seq[16], seq[19], None]
        for last_input, colast, cv2, cv3 in zip(last_inputs, colasts, detect.cv2, detect.cv3):
            pruning.prune(last_input, [colast, cv2[0], cv3[0]])
            pruning.prune(cv2[0], cv2[1])
            pruning.prune(cv2[1], cv2[2])
            pruning.prune(cv3[0], cv3[1])
            pruning.prune(cv3[1], cv3[2])
    
        # ***step4,一定要设置所有参数为需要训练。因为加载后的model他会给弄成false。导致报错
        # pipeline:
        # 1. 为模型的BN增加L1约束,lambda用1e-2左右
        # 2. 剪枝模型,比如用全局阈值
        # 3. finetune,一定要注意,此时需要去掉L1约束。最终final的版本一定是去掉的
        for name, p in yolo.model.named_parameters():
            p.requires_grad = True
         
        # 1. 不能剪枝的layer,其实可以不用约束
        # 2. 对于低于全局阈值的,可以删掉整个module
        # 3. keep channels,对于保留的channels,他应该能整除n才是最合适的,否则硬件加速比较差
        #    n怎么选,一般fp16时,n为8; int8时,n为16
        #    cp.async.cg.shared
    
        yolo.val()
        torch.save(yolo.ckpt, savepath)
        yolo.model.pt_path = yolo.model.pt_path.replace("last.pt", os.path.basename(savepath))
        yolo.export(format="onnx")
    
        ## 重新load模型,修改保存命名,用以比较剪枝前后的onnx的大小
        yolo = YOLO(modelpath)  # build a new model from scratch
        yolo.export(format="onnx")
    
    
    if __name__ == "__main__":
    
        modelpath = "runs/detect1/14_Constraint/weights/last.pt"
        savepath  = "runs/detect1/14_Constraint/weights/last_prune.pt"
        do_pruning(modelpath, savepath)
    

2 剪枝全流程

剪枝的流程可分为

  • 正常训练:我们可以通过模型得到未剪枝时的精度,方便剪枝前后进行精度对比
  • 稀疏训练:bn的参数约等于0的并不多,所以需要稀疏训练,使得部分参数接近0,然后再对卷积核进行裁剪,这样可以减小剪枝对网络输出的影响。
  • 剪枝:根据bn中参数对相应的卷积进行剪枝
  • 微调:剪枝后模型必然会降低精度,所以需要再微调使其恢复精度。

2.1 正常训练

  1. 设置yaml文件:该工程使用VOC数据集,若已下载,在yaml文件中设置好数据路径。若无下来,运行训练代码时,工程会在一开始自动下载数据集,但下载速度可能会慢。
    LL_train.py 中设置:在这里插入图片描述
    ultralytics/datasets/VOC.yaml中如下::在这里插入图片描述
  2. LL_train.py脚本中,调用 step1_train(),注释其它的函数调用,如下图。

    在这里插入图片描述
  3. 激活相应环境,进行训练。运行python LL_train.py,训练结束指标如下:

    在这里插入图片描述

2.2 稀疏训练

  1. ./ultralytics/yolo/engine/trainer.py代码中修改:
    在[反向传播]和[梯度更新] 之间添加[bn的L1正则],使得bn参数在训练时变得稀疏。

                    # Backward
                    self.scaler.scale(self.loss).backward()
    
                    ## add start=============================
                    ## add l1 regulation for step2_Constraint_train               
                    l1_lambda = 1e-2 * (1 - 0.9 * epoch / self.epochs)
                    for k, m in self.model.named_modules():
                        if isinstance(m, nn.BatchNorm2d):
                            m.weight.grad.data.add_(l1_lambda * torch.sign(m.weight.data))
                            m.bias.grad.data.add_(1e-2 * torch.sign(m.bias.data))
                    ## add end ==============================
    
                    # Optimize - https://pytorch.org/docs/master/notes/amp_examples.html
                    if ni - last_opt_step >= self.accumulate:
                        self.optimizer_step()
                        last_opt_step = ni
    

    在这里插入图片描述

  2. LL_train.py 中修改:
    在这里插入图片描述

  3. 然后进行训练,结束后的验证指标如下图。
    可以在以下截屏看到最顶行,此时模型共168层、参数量11133324、计算量28.5GFLOPs

    在这里插入图片描述


2.3 模型剪枝

  1. 修改LL_train.py 并训练:

    在这里插入图片描述在这里插入图片描述
  2. 看下剪枝后的文件
    du -sh ./runs/detect/VOC_Constraint/weights/last*
    
    终端输入命名如下,可查看文件大小。可以看到其中剪枝前后的pt的last.pt/last_prune.pt,对应的onnx模型为last.onnx last_prune.onnx,可以看剪枝后的pt增大了,但onnx减小了,我们只需要关注onnx的大小即可,由43M 剪枝为36M。

    在这里插入图片描述

2.4 微调

  1. 将第二步的约束训练添加的bn限制注释掉
    在这里插入图片描述
  2. 加载剪枝后的模型作为训练时的网络结构。在 ultralytics/yolo/engine/trainer.py 中修改内容:
    370行的 self.trainer.model 是从yaml中加载的模型( 未剪枝前的) 以及其它的配置信息,从pt文件中加载的权重( 剪枝后的)。所以只需将该变量中的网络结构更新为剪枝后的网络结构即可,增加代码可解决问题。
    否则训练出来的模型参数不会发生变化。
    self.trainer.model.model = self.model.model
    

在这里插入图片描述

  1. ultralytics/yolo/engine/trainer.py 中增加内容如下:
    model.22.dfl.conv.weight的梯度置为Fasle,是因为该层是解析box时的一个向量,具体的为 [0,1,2,3,4,5,6,7,8,9,10,11,12,13,14,15],为了便捷的将该处理保存在模型中,所以就定义成一个卷积,卷积的权重为该向量。所以该卷积不需要梯度、不需要反向传播,所以该层的param.requires_grad = False
    在这里插入图片描述
    否则训练过程中会报错:debug时报错如下图在这里插入图片描述

至此,就可微调训练。训练结果如下:
在这里插入图片描述
若不进行修改,依然会从modeld的yaml文件中加载模型。参数量和计算量不会有任何变化。下图是未做更多的修改训练后的信息。这样不是我们想要的状态。
在这里插入图片描述


2.5 剪枝完成后的分析

剪枝过程中的所有训练mAP、准召日志,使用tensorboard打开查看对应变化曲线:本次0.8的剪枝率下剪枝前后的指标变化并不大。在错误微调时指标整体偏低。在这里插入图片描述

  • 正常训练:参数量 11133324、计算量28.5GFLOPs、验证集上的准召:0.812、0.727
  • 剪枝微调后:参数量9261550、计算量19.3GFLOPs、验证集上的准召:0.811、0.699

可以看出在0.8的剪枝率下,剪枝后的模型与原本模型的验证集上的准召相差不大。运行时间上,若在高性能GPU上不会有明显加速,在端侧会有加速。具体的数值,后面有空测试后附上。


http://www.niftyadmin.cn/n/5277334.html

相关文章

三相无刷电机 SOC

功能概要 G3028 是无刷电机机驱动专用控制芯片&#xff0c;系统通过检测马达的霍尔传感器输出或者是反电动势&#xff0c;来确定马达的位置&#xff0c;通过内部的马达驱动电路&#xff0c;操作电机的转速以及方向。 芯片采用 QFN24-4*4 封装&#xff0c;符合 RoHS 标准. 核心…

【Stable Diffusion】在windows环境下部署并使用Stable Diffusion----通过秋葉整合包一键安装

本专栏主要记录人工智能的应用方面的内容,包括chatGPT、AI绘图等等; 在当今AI的热潮下,不学习AI,就要被AI淘汰;所以欢迎小伙伴加入本专栏和我一起探索AI的应用,通过AI来帮助自己提升生产力; 订阅后可私聊我获取 《从零注册并登录使用ChatGPT》《从零开始使用chatGPT的AP…

机器学习数据的清洗,转化,汇总及建模完整步骤(基于Titanic数据集)

目录 介绍&#xff1a; 一、数据 二、检查数据缺失 三、数据分析 四、数据清洗 五、数据类别转化 六、数据汇总和整理 七、建模 介绍&#xff1a; 线性回归是一种常用的机器学习方法&#xff0c;用于建立一个输入变量与输出变量之间线性关系的预测模型。线性回归的目标…

ssm基于Java的客户关系管理系统的设计与实现论文

基于Java的客户关系管理系统的设计与实现 摘要&#xff1a;当下&#xff0c;正处于信息化的时代&#xff0c;许多行业顺应时代的变化&#xff0c;结合使用计算机技术向数字化、信息化建设迈进。传统的客户关系信息管理模式&#xff0c;采用人工登记的方式保存相关数据&#xf…

Guava Cache实现原理 - CacheLoader解析

引言 Guava Cache是Google开源的一个缓存库&#xff0c;它提供了一种简单且高效的方式来缓存数据&#xff0c;以加快应用程序的性能。在Guava Cache中&#xff0c;CacheLoader是一个核心组件&#xff0c;用于在缓存中查找或加载数据。本文将深入探讨Guava Cache的实现原理&…

vue2 组件传递数据

向子组件传递数据通过Props 1.创建子组件 详细步骤&#xff1a; 1.在components创建子组件 2.等父组件接受到参数后通过Props来接受父组件传递过来的数据 <template><div id"app"><h2>title:{{ title }}</h2><p>tips:{{ tips }}<…

关于“Python”的核心知识点整理大全32

目录 12.6.4 调整飞船的速度 settings.py ship.py alien_invasion.py 12.6.5 限制飞船的活动范围 ship.py 12.6.6 重构 check_events() game_functions.py 12.7 简单回顾 12.7.1 alien_invasion.py 12.7.2 settings.py 12.7.3 game_functions.py 12.7.4 ship.py …

『 C++ 』二叉树进阶OJ题

文章目录 根据二叉树创建字符串 &#x1f996;&#x1f969; 题目描述&#x1f969; 解题思路&#x1f969; 代码 二叉树的层序遍历(分层遍历) &#x1f996;&#x1f969; 题目描述&#x1f969; 解题思路&#x1f969; 代码 二叉树的层序遍历(分层遍历)Ⅱ &#x1f996;&…