Awesome
YOLOv3-complete-pruning
本项目以ultralytics/yolov3为YOLOv3的Pytorch实现，并在YOLOv3-model-pruning剪枝的基础上，推出了4个YOLO-v3剪枝版本。(在此致谢两位)
此外，最近还更新了YOLO的1bit、4bit、8bit、16bit量化。
| 剪枝方式 | <center>优点</center> | <center>缺点</center> |
|---|---|---|
| 正常剪枝 | 不对shortcut剪枝，拥有可观且稳定的压缩率，无需微调。 | 压缩率达不到极致。 |
| 极限剪枝 | 极高的压缩率。 | 需要微调。 |
| 规整剪枝 | 专为硬件部署设计，剪枝后filter个数均为8的倍数，无需微调。 | 为规整牺牲了部分压缩率。 |
| Tiny剪枝 | 稳定的压缩率。 | 由于Tiny本来已很小，压缩率中规中矩。 |
项目特点
1.采用的YOLO-v3实现较为准确，mAP相对较高。
| 模型 | 320 | 416 | 608 |
|---|---|---|---|
YOLOv3 | 51.8 (51.5) | 55.4 (55.3) | 58.2 (57.9) |
YOLOv3-tiny | 29.0 | 32.9 (33.1) | 35.5 |
2.提供对YOLOv3及Tiny的多种剪枝版本、量化版本，以适应不同的需求。
3.剪枝后保存为.weights格式，可在任何框架下继续训练、推理，或以图像视频展示。
<img src="https://pjreddie.com/media/image/Screen_Shot_2018-03-24_at_10.48.42_PM.png" width="500">4.目前支持情况
| <center>剪枝方式</center> | <center>单卡</center> | <center>多卡</center> |
|---|---|---|
| <center>正常训练</center> | <center>√</center> | <center>√</center> |
| <center>稀疏化</center> | <center>√</center> | <center>√</center> |
| <center>正常剪枝</center> | <center>√</center> | <center>√</center> |
| <center>规整剪枝</center> | <center>√</center> | <center>√</center> |
| <center>极限剪枝(shortcut)</center> | <center>√</center> | <center>√</center> |
| <center>Tiny剪枝</center> | <center>√</center> | <center>√</center> |
| <center>二值量化</center> | <center>8bit量化</center> | <center>16bit量化</center> | <center>混合量化</center> | <center>任意bit量化</center> |
|---|---|---|---|---|
| <center>√</center> | <center>√</center> | <center>√</center> | <center>√</center> | <center>√</center> |
最新进展
- 2019年12月26日：支持任意bit量化。
- 2019年11月6日：极限剪枝已支持无需微调。
- 非常感谢github大佬tanluren，对该项目指出的众多问题和支持，实在太强了^_^。
环境搭建
1.由于采用ultralytics/yolov3的YOLO实现，环境搭建见ultralytics/yolov3。这里重复介绍一下：
numpytorch >= 1.1.0opencv-pythontqdm
可直接pip3 install -U -r requirements.txt搭建环境，或根据该.txt文件使用conda搭建。
数据获取
依然采用oxford hand数据集
<img src="https://www.robots.ox.ac.uk/~vgg/data/hands/hand_dataset_files/Picture_1.png" width="500">1.下载数据集，并解压至/data目录下，得到hand_dataset文件夹。
2.执行python converter.py ，生成 images、labels 文件夹和 train.txt、valid.txt 文件。
3.获取YOLO预训练权重，/weights文件夹下执行bash download_yolov3_weights.sh，或自行下载。
4.至此，数据部分完成。
剪枝篇
1.正常训练
python3 train.py --data data/oxfordhand.data --batch-size 32 --accumulate 1 --weights weights/yolov3.weights --cfg cfg/yolov3-hand.cfg
2.稀疏化训练
-sr开启稀疏化，--s指定稀疏因子大小，--prune指定稀疏类型。
其中：
--prune 0为正常剪枝和规整剪枝的稀疏化
--prune 1为极限剪枝的稀疏化
--prune 2为Tiny剪枝的稀疏化
python3 train.py --data data/oxfordhand.data --batch-size 32 --accumulate 1 --weights weights/yolov3.weights --cfg cfg/yolov3-hand.cfg -sr --s 0.001 --prune 0
3.模型剪枝
- 正常剪枝
python3 normal_prune.py
- 规整剪枝
python3 regular_prune.py
- 极限剪枝
python3 shortcut_prune.py
- Tiny剪枝
python3 prune_tiny_yolo.py
需要注意的是，这里需要在.py文件内，将opt内的cfg和weights变量指向第2步稀疏化后生成的cfg文件和weights文件。 此外，可通过增大代码中percent的值来获得更大的压缩率。（若稀疏化不到位，且percent值过大，程序会报错。）
量化篇
1 指定需要量化的层
打开任意一个可用的配置文件，例如yolov3-hand.cfg。将需要量化的层，从原来的convolutional替换为quantize_convolutional。
2 指定量化方式
通过修改models.py中的W_bit和A_bit，指定权重的量化方式，激活的量化方式。（目前默认为16bit量化）
3 量化训练
python3 train.py --data data/oxfordhand.data --batch-size 32 --accumulate 1 --weights weights/yolov3.weights --cfg cfg/yolov3-quantize-hand.cfg
与正常训练相同，只是cfg要指向修改过的cfg文件。
推理展示
这里，我们不仅可以使用原始的YOLOV3用来推理展示，还可使用我们剪枝后的模型来推理展示。（修改cfg，weights的指向即可）
<img src="https://user-images.githubusercontent.com/26833433/64067835-51d5b500-cc2f-11e9-982e-843f7f9a6ea2.jpg" width="500">python3 detect.py --source ...
- Image:
--source file.jpg - Video:
--source file.mp4 - Directory:
--source dir/ - Webcam:
--source 0 - RTSP stream:
--source rtsp://170.93.143.139/rtplive/470011e600ef003a004ee33696235daa - HTTP stream:
--source http://wmccpinetop.axiscam.net/mjpg/video.mjpg
例如：
python3 detect.py --cfg cfg/prune_0.8_yolov3-hand.cfg --weights weights/yolov3_hand_pruning_percent0.8.weights --data data/oxfordhand.data --source test.jpg
剪枝效果
以下数据除极限剪枝外，均未微调。
YOLO-v3剪枝
| 模型 | 参数量 | 模型体积 | 压缩率 | 耗时 | mAP |
|---|---|---|---|---|---|
| Baseline(416) | 61.5M | 246.4MB | 0% | 11.7ms | 0.7924 |
| 正常剪枝 | 10.9M | 43.9MB | 82.2% | 5.92ms | 0.7712 |
| 规整剪枝 | 15.31M | 61.4MB | 75.1% | 6.01ms | 0.7832 |
| 极限剪枝 | 7.13M | 28.6MB | 88.4% | 5.90ms | 0.7382 |
YOLO-v3-Tiny剪枝
| 模型 | 参数量 | 模型体积 | 压缩率 | 耗时 | mAP |
|---|---|---|---|---|---|
| Baseline(416) | 8.7M | 33.1MB | 0% | 2.2ms | 0.6378 |
| Tiny剪枝 | 4.4M | 16.8MB | 40.1% | 2.0ms | 0.6132 |
量化效果（数据更新中）
以下量化数据中，权重激活均被量化。
YOLO-v3量化
| 模型 | mAP |
|---|---|
| Baseline(416) | 0.8246 |
| 第一层float32+中间层8bit+最后一层float32 | 0.8174 |
| 全16bit量化 | 0.8132 |
| 全8bit量化 | 0.8024 |
核心思想
剪枝方法来源于论文Learning Efficient Convolutional Networks through Network Slimming，剪枝无需微调方法来源于Rethinking the Smaller-Norm-Less-Informative Assumption in Channel Pruning of Convolution Layers。
量化方法来源于论文DoReFa-Net: Training Low Bitwidth Convolutional Neural Networks with Low Bitwidth Gradients。
此外，具体实现时，在论文作者的基础上做了改进。
互动
1.如何获得较高的压缩率？
提高压缩率的关键在于稀疏化训练，可以加大--s的值并迭代训练多次等手段。
2.我的压缩率比表格中更高！
以上数据仅仅是测试了不到20次的结果，如果有同学的压缩率更高，欢迎在评论区分享！
3.程序报错怎么办？
YOLOv3报错
由于采用了ultralytics/yolov3为YOLOv3的Pytorch实现，因此这类错误可跳转至此链接询问。
剪枝量化错误
一定要在本评论区留言，我会尽快修正！