基于yolov3的知识蒸馏+剪枝+剪植2：代码实现

简单明了说下怎么复现吧
代码地址： SpursLipu /
YOLOv3v4-ModelCompression-MultidatasetTraining-Multibackbone

1. 环境安装

    #1.conda create -n yolov3 python=3.8
    Cython      #2.pip install Cython
    numpy==1.17	#3.pip install numpy
    opencv-python     #4.pip install opencv-python
    
    torch>=1.5.1	
    #5.conda install pytorch-1.6.0-py3.7_cuda10.2.89_cudnn7.6.5_0.tar.bz2
    
    matplotlib   #6.pip install matplotlib
    pillow      #7.pip install pillow
    tensorboard    #8.pip install tensorboard
    torchvision    #9.pip install torchvision
    scipy    #10.pip install scipy
    tqdm   #11.pip install tqdm
    
    git+https://github.com/cocodataset/cocoapi.git#subdirectory=PythonAPI
    #12.pip install "git+https://gitee.com/wsyin/cocoapi.git#subdirectory=PythonAPI"
    
    #13.pip install terminaltables
   

   直接按照上面的步骤来就行，第五步的安装包链接： 点击直接下载pytorch-1.6.0
   温馨提示：最好迅雷下载

2. 数据集准备
   数据集的制作这个我不赘述了，说下数据集的转换吧，代码如下
   基于yolov3的知识蒸馏+剪枝+剪植1：coco数据集转yolo数据集
   因为很多博客的数据集都是纯数字的，且长度固定，，没有特殊符号，所以自己改了下

3. 更改部分配置文件
   cfg文件夹：

   框架配置文件，GitHub上面给出了下载链接
   

   YOLOV3中Darknet中cfg文件说明和理解

   data文件夹：

   coco.data要参考coco2014的格式改成自己所需的
   coco.names文件
   

   coco.names最好只改动自己所用的前几项类别，不然还得改train.py代码原因不多说了，数据加载部分代码的类别不是超参数

4. 运行指令

   训练：

    python3 train.py --data data/coco2014.data --batch-size 1 --weights weights/yolov3-608.weights -pt --cfg cfg/yolov3/yolov3.cfg --img-size 640 --epochs 1
   

   推理（默认图片在 data/sample 下面）

    python3 detect.py --weights weights/yolov3-608.weights --cfg cfg/yolov3/yolov3.cfg
   

   剪枝

    python3 train.py --data data/coco2014.data -pt --batch-size 1  --weights weights/yolov3-608.weights --cfg cfg/yolov3/yolov3.cfg -sr --s 0.001 --prune 0
   

   蒸馏

    python3 test.py --data data/coco2014.data --weights weights/yolov3-tiny.weights --cfg cfg/yolov3tiny/yolov3-tiny.cfg
   

5. 理解和应用
   正在不断尝试，更新中…
   实验记录存档：

    1.python3 train.py --data data/coco2014.data --batch-size 1 --weights weights/yolov3-608.weights -pt --cfg cfg/yolov3/yolov3.cfg --img-size 640 --epochs 1
    结果是yolov3训练结果第一个步骤
    	 Average Precision  (AP) @[ IoU=0.50:0.95 | area=   all | maxDets=100 ] = 0.198
    	 Average Precision  (AP) @[ IoU=0.50      | area=   all | maxDets=100 ] = 0.408
    	 Average Precision  (AP) @[ IoU=0.75      | area=   all | maxDets=100 ] = 0.164
    
    2.
   python3 test.py --data data/coco2014.data --weights weights/yolov3-608.weights --cfg cfg/yolov3/yolov3.cfg
    python3 test.py --data data/coco2014.data --weights weights/yolov3-tiny.weights --cfg cfg/yolov3/yolov3-tiny.cfg
    python3 test.py --data data/coco2014.data --weights weights/yolov3-608.weights --cfg cfg/yolov3/yolov3.cfg
    结果是yolov3训练结果
     Average Precision  (AP) @[ IoU=0.50:0.95 | area=   all | maxDets=100 ] = 0.333
     Average Precision  (AP) @[ IoU=0.50      | area=   all | maxDets=100 ] = 0.574
     Average Precision  (AP) @[ IoU=0.75      | area=   all | maxDets=100 ] = 0.351
    
    3.python3 detect.py --weights weights/yolov3-608.weights --cfg cfg/yolov3/yolov3.cfg
    做图片推理
    
    python3 detect.py --weights weights/best.pt --cfg cfg/yolov3/yolov3-tiny.cfg
    
    4.python3 train.py --data data/coco2014.data -pt --batch-size 1  --weights weights/yolov3-608.weights --cfg cfg/yolov3/yolov3.cfg -sr --s 0.001 --prune 0 
    结果时间太长了，等不过来，两天才5/300个epoch
    
    5. python train.py --data data/coco2014.data --batch-size 1 --weights weights/yolov3-tiny.weights --cfg cfg/yolov3tiny/yolov3-tiny.cfg --img-size 640 --epochs 1 --t_cfg cfg/yolov3/yolov3.cfg --t_weights weights/yolov3-608.weights --KDstr 3
    结果在那个三步骤里面
     Average Precision  (AP) @[ IoU=0.50:0.95 | area=   all | maxDets=100 ] = 0.093
     Average Precision  (AP) @[ IoU=0.50      | area=   all | maxDets=100 ] = 0.232
     Average Precision  (AP) @[ IoU=0.75      | area=   all | maxDets=100 ] = 0.056
    
    6. python3 test.py --data data/coco2014.data --weights weights/yolov3-tiny.weights --cfg cfg/yolov3tiny/yolov3-tiny.cfg
    评价一下yolov3-tiny的map
    DONE (t=23.35s).
     Average Precision  (AP) @[ IoU=0.50:0.95 | area=   all | maxDets=100 ] = 0.117
     Average Precision  (AP) @[ IoU=0.50      | area=   all | maxDets=100 ] = 0.277
     Average Precision  (AP) @[ IoU=0.75      | area=   all | maxDets=100 ] = 0.077
    
    7. python3 test.py --data data/coco2014.data --weights weights/last.pt --cfg cfg/yolov3tiny/yolov3-tiny.cfg 
    用蒸馏后的网络做推理
    
    8. python3 train.py --data data/coco.data --batch-size 1 --weights weights/yolov3-608.weights -pt --cfg cfg/yolov3/yolov3.cfg --img-size 320 --epochs 1