本文介绍了一种针对Bottleneck模块的创新剪枝方法，通过裁剪整个模块来提升效率。提出在训练中使用L1正则针对BN层权重，促使激活更接近于0。详情可见作者的GitHub更新：https://github.com/midasklr/yolov5prune。
在之前介绍了基于Network Slim的bn层通道剪枝策略。
但是因为Bottleneck模块中shortcut的存在需要shortcut和残差有相同的size，所以没对有shortcut的Bottleneck模块进行裁剪，但是实际上，我们可以把整个残差都裁剪掉，如图：
可以将右边的残差分支两个Conv都裁剪，这样就吧整个Bottleneck都裁剪掉了，这样可以更大化地剪枝。
在之前的基础上，在训练中，我们给第二个Conv模块的BN层权重添加L1正则，使得激活逼近0.
相关代码和实验结果已经更新: https://github.com/midasklr/yolov5prune
您可能感兴趣的与本文相关的镜像
Yolo-v5
YOLO（You Only Look Once）是一种流行的物体检测和图像分割模型，由华盛顿大学的Joseph Redmon 和Ali Farhadi 开发。 YOLO 于2015 年推出，因其高速和高精度而广受欢迎
1459
1万+
扫一扫
到【灌水乐园】发言
