Yolov5更换backbone，与模型压缩（剪枝，量化，蒸馏）

项目地址（GitHub）：https://github.com/Ranking666/Yolov5-Processing

~~~欢迎各位交流、star、fork、issues~~~

项目介绍：

        本仓库是基于官方yolov5源码的基础上，进行的改进。

        目前支持更换yolov5的backbone主干网络为Ghostnet，以及采用eagleeye的剪枝方法支持对yolov5系列的剪枝。

        后续，将会添加更多更轻量，更优秀的主干网络，比如swintrans，EfficientNet等，以及其他剪枝方法，以及量化，蒸馏对于yolov5系列的支持。

        欢迎大家有问题，错误，想法都可以积极交流，探讨，学习，本项目长期维护，持续更新，各位的star，就是对本项目的大力支持。

《GhostNet: More Features from Cheap Operations》

        先简单介绍一下，目前支持的backbone

        在一张图像中存在着很多像素的冗余，而在CNN模型中这种冗余更是非常多的，提取到了大量无用的特征。

        比如论文中给到的这个图，可以看到用扳手连接的几张图其实是非常相似的，完全是冗余的，不需要的

        于是本论文提出一个仅通过少量计算（cheap operations）就能生成大量特征图的结构——Ghost Module。

        Ghost Module可以适用在任何大型的CNN模型中，已经可以达到即插即用的效果。

        首先，作者将原来的卷积分为两步，第一步还是卷积，只不过输出通道数减少了；第二步是用第一步生成的特征图通过线性变化，来生成剩余的特征图。最后将两步的输出通道结合输出。也就是像图中b表示的这样

       然后，作者通过一系列计算得出计算量是减少的，具体公式这里就不列出。     

       了解了Ghost Module，下面看Ghost Bottlenecks。

        Ghost Bottlenecks的作用和残差块的作用一样，结构也和残差块的结构类似    ，就不过多介绍， 大家看过代码一下就能懂   

        所以，backbone就是由这样的Ghost Bottlenecks堆叠产生的。

EagleEye: Fast Sub-net Evaluation for Efficient Neural Network Pruning

        详细大家可以看之前的初入神经网络剪枝量化3

如有错误，欢迎各位批评指正！！！