本文介绍了如何运用EagleEye论文中的方法进行神经网络剪枝，旨在提高YOLOv5模型的效率。通过分析不同DNN结构剪枝后的影响，找到最佳精度模型。压缩过程包括在相关文件中添加和修改代码，如eagleeye.py、prune_utils.py、yolo.py、common.py，创建pruning.yaml配置文件，并按照正常训练、剪枝训练、微调训练的步骤操作。EagleEye压缩后会生成pruned.yaml用于微调阶段。
参考论文：EagleEye: Fast Sub-net Evaluation for Efficient Neural Network Pruning（https://arxiv.org/abs/2007.02491）
基本原理：揭示剪枝不同的DNN结构对最终精度的影响，从而找到现在的剪枝后精度最高的模型
模型压缩效果
1、新建eagleeye.py，添加如下代码：
import argparse
import os
订阅专栏 解锁全文
扫一扫
评论
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
查看更多评论
添加红包
