YOLOv5目标检测之网络剪枝实战

课程链接：https://download.csdn.net/course/detail/37227

PyTorch版的YOLOv5是一个非常流行的基于深度学习的目标检测器。本课程使用Network Slimming剪枝方法对YOLOv5进行网络剪枝，使其更加轻量。

Network Slimming是一种经典的实用模型压缩方法，可实现高效的通道级别的结构化剪枝。该方法通过利用BN（Batch Normalization）层中缩放因子较小的值来剪裁的相应通道，达到精简网络的目的。步骤包括：增加稀疏正则化的训练、网络模型剪枝、剪枝后的网络模型微调。

本课程在YOLOv5 v6.1版本代码的基础上增加Network Slimming剪枝方法，在Windows和Ubuntu系统上演示针对自己的数据集训练和进行网络剪枝过程，并讲解原代码针对剪枝的修改部分。

本课程分为原理篇、实战篇、代码讲解篇。

• 原理篇包括：网络剪枝的基础知识、Network Slimming剪枝原理。

• 实战篇包括：PyTorch环境安装、YOLOv5项目安装、准备自己的数据集、修改配置文件、正常训练自己的数据集、稀疏化训练、网络模型剪枝、剪枝后的网络模型微调。

• 代码讲解篇包括：剪枝代码修改说明和具体修改的代码讲解。

深度卷积神经网络 (CNN) 在许多实际应用中的部署在很大程度上受到其高计算成本的阻碍。Network Slimming是一种新颖的 CNN 学习方案，以同时 1) 减小模型大小； 2) 减少运行时内存占用； 3) 在不影响准确性的情况下减少计算操作的数量。这是通过以简单但有效的方式在网络中强制执行通道级别的稀疏性来实现的。与许多现有方法不同，所提出的方法直接适用于现代 CNN 架构，为训练过程引入了最小的开销，并且不需要特殊的软件/硬件加速器来生成模型。它将广泛的和大型的网络作为输入模型，但在训练期间，会自动识别和修剪无关紧要的通道，从而产生具有可比精度的瘦而紧凑的模型。用几种最先进的 CNN 模型（包括 VGGNet、ResNet 和 DenseNet）在各种图像分类数据集上通过经验证明了方法的有效性。