Skip to content

Latest commit

 

History

History
217 lines (144 loc) · 8.14 KB

README.md

File metadata and controls

217 lines (144 loc) · 8.14 KB
Raw

yolov5模型剪枝

基于yolov5最新v5.0进行剪枝，采用yolov5s模型。

相关原理：

Learning Efficient Convolutional Networks Through Network Slimming（https://arxiv.org/abs/1708.06519）

Pruning Filters for Efficient ConvNets（https://arxiv.org/abs/1608.08710）

相关原理见https://blog.csdn.net/IEEE_FELLOW/article/details/117236025

这里实验了三种剪枝方式

剪枝方法1

基于BN层系数gamma剪枝。

在一个卷积-BN-激活模块中，BN层可以实现通道的缩放。如下：

BN层的具体操作有两部分：

在归一化后会进行线性变换，那么当系数gamma很小时候，对应的激活（Zout）会相应很小。这些响应很小的输出可以裁剪掉，这样就实现了bn层的通道剪枝。

通过在loss函数中添加gamma的L1正则约束，可以实现gamma的稀疏化。

上面损失函数L右边第一项是原始的损失函数，第二项是约束，其中g(s) = |s|，λ是正则系数，根据数据集调整

实际训练的时候，就是在优化L最小，依据梯度下降算法：

​ 𝐿′=∑𝑙′+𝜆∑𝑔′(𝛾)=∑𝑙′+𝜆∑|𝛾|′=∑𝑙′+𝜆∑𝛾∗𝑠𝑖𝑔𝑛(𝛾)

所以只需要在BP传播时候，在BN层权重乘以权重的符号函数输出和系数即可，对应添加如下代码:

            # Backward
            loss.backward()
            # scaler.scale(loss).backward()
            # # ============================= sparsity training ========================== #
            srtmp = opt.sr*(1 - 0.9*epoch/epochs)
            if opt.st:
                ignore_bn_list = []
                for k, m in model.named_modules():
                    if isinstance(m, Bottleneck):
                        if m.add:
                            ignore_bn_list.append(k.rsplit(".", 2)[0] + ".cv1.bn")
                            ignore_bn_list.append(k + '.cv1.bn')
                            ignore_bn_list.append(k + '.cv2.bn')
                    if isinstance(m, nn.BatchNorm2d) and (k not in ignore_bn_list):
                        m.weight.grad.data.add_(srtmp * torch.sign(m.weight.data))  # L1
                        m.bias.grad.data.add_(opt.sr*10 * torch.sign(m.bias.data))  # L1
            # # ============================= sparsity training ========================== #

            optimizer.step()
                # scaler.step(optimizer)  # optimizer.step
                # scaler.update()
            optimizer.zero_grad()

这里并未对所有BN层gamma进行约束，详情见yolov5s每个模块 https://blog.csdn.net/IEEE_FELLOW/article/details/117536808 分析，这里对C3结构中的Bottleneck结构中有shortcut的层不进行剪枝，主要是为了保持tensor维度可以加：

实际上，在yolov5中，只有backbone中的Bottleneck是有shortcut的，Head中全部没有shortcut.

如果不加L1正则约束，训练结束后的BN层gamma分布近似正太分布：

是无法进行剪枝的。

稀疏训练后的分布：

可以看到，随着训练epoch进行，越来越多的gamma逼近0.

训练完成后可以进行剪枝，一个基本的原则是阈值不能大于任何通道bn的最大gamma。然后根据设定的裁剪比例剪枝。

剪掉一个BN层，需要将对应上一层的卷积核裁剪掉，同时将下一层卷积核对应的通道减掉。

这里在某个数据集上实验。

首先使用train.py进行正常训练：

python train.py --weights yolov5s.pt --adam --epochs 100

然后稀疏训练：

python train_sparsity.py --st --sr 0.0001 --weights yolov5s.pt --adam --epochs 100

sr的选择需要根据数据集调整，可以通过观察tensorboard的map，gamma变化直方图等选择。 在run/train/exp*/目录下:

tensorboard --logdir .

然后点击出现的链接观察训练中的各项指标.

训练完成后进行剪枝：

python prune.py --weights runs/train/exp1/weights/last.pt --percent 0.5

裁剪比例percent根据效果调整，可以从小到大试。裁剪完成会保存对应的模型pruned_model.pt。

微调：

python finetune_pruned.py --weights pruned_model.pt --adam --epochs 100
model sparity map mode size
yolov5s 0 0.322 28.7 M
sparity train yolov5s 0.001 0.325 28.7 M
65% pruned yolov5s 0.001 0.318 6.8 M
fine-tune 0 0.325 6.8 M

剪枝方法2

对于Bottleneck结构：

如果有右边的参差很小，那么就只剩下左边shortcut连接，相当于整个模块都裁剪掉。可以进行约束让参差逼近0.见train_sparsity2.py。

backbone一共有3个bottleneck，裁剪全部bottleneck：

model sparity map model size
yolov5s-prune all bottlenet 0.001 0.167 28.7 M
85%+Bottlenet 0.151 1.1 M
finetune 0.148
裁剪Bottleneck数 map
所有bottle res 0.167
第2,3的bottle res 0.174
第3的bottle res 0.198

可以看到实际效果并不好，从bn层分布也可以看到，浅层特征很少被裁减掉。

剪枝方法3

卷积核剪枝，那些权重很小的卷积核对应输出也较小，那么对kernel进行约束，是可以对卷积核进行裁剪的。

裁剪卷积核需要将下一层BN层对应裁剪，同时裁剪下一层卷积层的输出通道。见train_sparsity3.py

s model size map
sparity train 1e-5 28.7 M 0.335
50% kernel prune 8.4 M 0.151
finetune 8.4 M 0.332

剪枝方法4

混合1和3，见train_sparsity4.py

map model size
conv+bn sparity train 0.284 28.7 M
85% bn prune 0.284 3.7 M
78% conv prune 0.284 3.9 M
85% bn prune+78% conv prune 0.284 3.7 M

替换backbone

model size mAPval 0.5:0.95 mAPval 0.5
yolov5s 640 0.357 0.558
mobilenetv3small 0.75 640 TD TD

调参

  1. 浅层尽量少剪,从训练完成后gamma每一层的分布也可以看出来.
  2. 系数λ的选择需要平衡map和剪枝力度.首先通过train.py训练一个正常情况下的baseline.然后在稀疏训练过程中观察MAP和gamma直方图变化,MAP掉点严重和gamma稀疏过快等情况下,可以适当降低λ.反之如果你想压缩一个尽量小的模型,可以适当调整λ.
  3. 稀疏训练=>剪枝=>微调 可以反复迭代这个过程多次剪枝.

常见问题

  1. 稀疏训练是非常种重要的,也是调参的重点,多观察bn直方图变化,过快或者过慢都不适合,所以需要平衡你的sr, lr等.一般情况下,稀疏训练的结果和正常训练map是比较接近的.
  2. 剪枝时候多试试不同的ratio,一个基本的准则是每层bn层至少保留一个channel,所以有时候稀疏训练不到位,而ratio设置的很大,会看到remaining channel里面会有0出现,这时候要么设置更小的ratio,要么重新稀疏训练,获得更稀疏的参数.
  3. 如果想要移植到移动端，可以使用ncnn加速，另外剪枝时控制剩余channel为2^n能有效提升推理速度；GPU可以使用TensorRT加速。