yolov5模型压缩-PAGCP

不想学习！！！

于 2024-03-13 15:25:20 发布

阅读量579

点赞数 5

分类专栏：模型压缩文章标签： YOLO

本文链接：https://blog.youkuaiyun.com/weixin_43864650/article/details/136680355

版权

模型压缩专栏收录该内容

7 篇文章 ¥19.90 ¥99.00

订阅专栏

本文介绍了基于Performance-aware Approximation of Global Channel Pruning (PAGCP)的YOLOv5模型压缩方法。通过研究卷积核间的联合重要性，实现全局剪枝策略，以达到模型瘦身的效果。在YOLOv5模型上，首先进行常规训练，然后利用自定义的prune_zoo.py、dependency.py、sensitivity.py等文件进行剪枝操作。关键参数包括初始性能下降阈值、全局性能下降阈值和剪枝层的过滤比，通过调整这些参数进行模型压缩，并保存为compressmodel。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

参考论文：Performance-aware Approximation of Global Channel Pruning for Multitask CNNs(https://arxiv.org/pdf/2303.11923.pdf)
基本原理：研究不同卷积核之间的联合重要性来实现全局剪枝策略
模型压缩效果
在这里插入图片描述
在yolov5上进行剪枝训练，流程如下：
1、按照yolo正常训练
2、和models、utils同级新建一个文件夹pagcp用来存放相关文件，文件下新建prune_zoo.py，添加如下代码：


import torch
from torch_pruning.prune.strategy import round_pruning_amount


def group_l1prune(model, group, compress_rate,

了解本专栏