【yolov8系列】 yolov8 目标检测的模型剪枝

前言

最近在实现yolov8的剪枝，所以有找相关的工作作为参考，用以完成该项工作。

• 先细读了 Torch-Pruning，个人简单记录了下 【剪枝】torch-pruning的基本使用，有框架完成的对网络所有结构都自适应剪枝是最佳的，但这里没有详细记录torch-pruning的yolov8的剪枝，是因为存在不解 对其yolov8具体的剪枝代码中操作：“比较疑惑 replace_c2f_with_c2f_v2(model.model) 这句注释掉了代码就跑不通了。是tp不支持原本 c2f 吗，我如果想使用c2f进行剪枝，应该怎么办呢”。待解决该问题，然后在记录。
• 然后另外参考博客 Jetson nano部署剪枝YOLOv8，该方法的代码实现仅针对yolov8 的剪枝，但可从中借鉴如何利用bn对模型进行剪枝，举一反三应用到其它工程中。bn剪枝的原理可以在 3.1 常用的结构化剪枝原理 简单记录。

1. 剪枝工程搭建

yolov8工程下载
本地有个版本 Ultralytics 8.0.81，所以该篇博客基于该版本记录。不同版本可能带来的影响，所以当使用最新版本出bug时，又无法定位和解决，可先尝试8.0.81版本。我们剪枝过程在VOC数据集上完成尝试。

 

这里添加两个代码文件
分别为【LL_pruning.py、LL_train.py】存放于根目录下

• LL_train.py的内容为

  from ultralytics import YOLO
  import os
  # os.environ["CUDA_VISIBLE_DEVICES"]="0,1" 
  
  root = os.getcwd()
  ## 配置文件路径
  name_yaml             = os.path.join(root, "ultralytics/datasets/VOC.yaml")
  name_pretrain         = os.path.join(root, "yolov8s.pt")
  ## 原始训练路径
  path_train            = os.path.join(root, "runs/detect/VOC")
  name_train            = os.path.join(path_train, "weights/last.pt")
  ## 约束训练路径、剪枝模型文件
  path_constraint_train = os.path.join(root, "runs/detect/VOC_Constraint")
  name_prune_before     = os.path.join(path_constraint_train, "weights/last.pt")
  name_prune_after      = os.path.join(path_constraint_train, "weights/last_prune.pt")
  ## 微调路径
  path_fineturn         = os.path.join(root, "runs/detect/VOC_finetune")
  
  def else_api():
      path_data = ""
      path_result = ""
      model = YOLO(name_pretrain) 
      metrics = model.val()  # evaluate model performance on the validation set
      model.export(format='onnx', opset=11, simplify=True, dynamic=False, imgsz=640)
      model.predict(path_data, device="0", save=True, show=False, save_txt=True, imgsz=[288,480], save_conf=True, name=path_result, iou=0.5)  # 这里的imgsz为高宽
  
  def step1_train():
      model = YOLO(name_pretrain) 
      model.train(data=name_yaml, device="0,1", imgsz=640, epochs=50, batch=32, workers=16, save_period=1, name=path_train)  # train the model
  
  def step2_Constraint_train():
      model = YOLO(name_train) 
      model.train(data=name_yaml, device="0,1", imgsz=640, epochs=50, batch=32, workers=16, save_period=1,name=path_constraint_train)  # train the model
  
  def step3_pruning():
      from LL_pruning import do_pruning
      do_pruning(os.path.join(name_prune_before, name_prune_after))
  
  def step4_finetune():
   model = YOLO(name_prune_after)     # load a pretrained model (recommended for training)
      model.train(data=name_yaml, device="0,1", imgsz=640, epochs=50, batch=32, workers=16, save_period=1, name=path_fineturn)  # train the model
  
  step1_train()
  # step2_Constraint_train()
  # step3_pruning()
  # step4_finetune()
  
  

• LL_pruning.py的内容为

  from ultralytics import YOLO
  import torch
  from ultralytics.nn.modules import Bottleneck, Conv, C2f, SPPF, Detect
  import os
  # os.environ["CUDA_VISIBLE_DEVICES"] = "2"
  
  
  class PRUNE():
      def __init__(self) -> None:
          self.threshold = None
  
      def get_threshold(self, model, factor=0.8):
          ws = []
          bs = []
          for name, m in model.named_modules():
              if isinstance(m, torch.nn.BatchNorm2d):
                  w = m.weight.abs().detach()
                  b = m.bias.abs().detach()
                  ws.append(w)
                  bs.append(b)
                  print(name, w.max().item(), w.min().item(), b.max().item(), b.min().item())
                  print()
          # keep
          ws = torch.cat(ws)
          self.threshold = torch.sort(ws, descending=True)[0][int(len(ws) * factor)]
  
      def prune_conv(self, conv1: Conv, conv2: Conv):
          ## a. 根据BN中的参数，获取需要保留的index================
          gamma = conv1.bn.weight.data.detach()
          beta  = conv1.bn.bias.data.detach()
          
          keep_idxs = []
          local_threshold = self.threshold
          while len(keep_idxs) < 8:  ## 若剩余卷积核<8, 则降低阈值重新筛选
              keep_idxs = torch.where(gamma.abs() >= local_threshold)[0]
              local_threshold = local_threshold * 0.5
          n = len(keep_idxs)
          # n = max(int(len(idxs) * 0.8), p)
          print(n / len(gamma) * 100)
          # scale = len(idxs) / n
  
          ## b. 利用index对BN进行剪枝============================
          conv1.bn.weight.data = gamma[keep_idxs]
          conv1.bn.bias.data   = beta[keep_idxs]
          conv1.bn.running_var.data = conv1.bn.running_var.data[keep_idxs]
          conv1.bn.running_mean.data = conv1.bn.running_mean.data[keep_idxs]
          conv1.bn.num_features = n
          conv1.conv.weight.data = conv1.conv.weight.data[keep_idxs]
          conv1.conv.out_channels = n
          
          ## c. 利用index对conv1进行剪枝=========================
          if conv1.conv.bias is not None:
              conv1.conv.bias.data = conv1.conv.bias.data[keep_idxs]
  
          ## d. 利用index对conv2进行剪枝=========================
          if not isinstance(conv2, list):
              conv2 = [conv2]
          for item in conv2:
              if item is None: continue
              if isinstance(item, Conv):
                  conv = item.conv
              else:
                  conv = item
              conv.in_channels = n
              conv.weight.data = conv.weight.data[:, keep_idxs]
       
      def prune(self, m1, m2):
          if isinstance(m1, C2f):      # C2f as a top conv
              m1 = m1.cv2
          if not isinstance(m2, list): # m2 is just one module
              m2 = [m2]
          for i, item in enumerate(m2):
              if isinstance(item, C2f) or isinstance(item, SPPF):
                  m2[i] = item.cv1
          self.prune_conv(m1, m2)
       
  def do_pruning(modelpath, savepath):
      pruning = PRUNE()
  
      ### 0. 加载模型
      yolo = YOLO(modelpath)                  # build a new model from scratch
      pruning.get_threshold(yolo.model, 0.8)  # 获取剪枝时bn参数的阈值，这里的0.8为剪枝率。
  
      ### 1. 剪枝c2f 中的Bottleneck
      for name, m in yolo.model.named_modules():
          if isinstance(m, Bottleneck):
              pruning.prune_conv(m.cv1, m.cv2)
  
      ### 2. 指定剪枝不同模块之间的卷积核
      seq = yolo.model.model
      for i in [3,5,7,8]: 
          pruning.prune(seq[i], seq[i+1])
  
      ### 3. 对检测头进行剪枝
      # 在P3层: seq[15]之后的网络节点与其相连的有 seq[16]、detect.cv2[0] (box分支)、detect.cv3[0] (class分支)
      # 在P4层: seq[18]之后的网络节点与其相连的有 seq[19]、detect.cv2[1] 、detect.cv3[1] 
      # 在P5层: seq[21]之后的网络节点与其相连的有 detect.cv2[2] 、detect.cv3[2] 
      detect:Detect = seq[-1]
      last_inputs   = [seq[15], seq[18], seq[21]]
      colasts       = [seq[16], seq[19], None]
      for last_input, colast, cv2, cv3 in zip(last_inputs, colasts, detect.cv2, detect.cv3):
          pruning.prune(last_input, [colast, cv2[0], cv3[0]])
          pruning.prune(cv2[0], cv2[1])
          pruning.prune(cv2[1], cv2[2])
          pruning.prune(cv3[0], cv3[1])
          pruning.prune(cv3[1], cv3[2])
  
      # ***step4，一定要设置所有参数为需要训练。因为加载后的model他会给弄成false。导致报错
      # pipeline：
      # 1. 为模型的BN增加L1约束，lambda用1e-2左右
      # 2. 剪枝模型，比如用全局阈值
      # 3. finetune，一定要注意，此时需要去掉L1约束。最终final的版本一定是去掉的
      for name, p in yolo.model.named_parameters():
          p.requires_grad = True
       
      # 1. 不能剪枝的layer，其实可以不用约束
      # 2. 对于低于全局阈值的，可以删掉整个module
      # 3. keep channels，对于保留的channels，他应该能整除n才是最合适的，否则硬件加速比较差
      #    n怎么选，一般fp16时，n为8; int8时，n为16
      #    cp.async.cg.shared
  
      yolo.val()
      torch.save(yolo.ckpt, savepath)
      yolo.model.pt_path = yolo.model.pt_path.replace("last.pt", os.path.basename(savepath))
      yolo.export(format="onnx")
  
      ## 重新load模型，修改保存命名，用以比较剪枝前后的onnx的大小
      yolo = YOLO(modelpath)  # build a new model from scratch
      yolo.export(format="onnx")
  
  
  if __name__ == "__main__":
  
      modelpath = "runs/detect1/14_Constraint/weights/last.pt"
      savepath  = "runs/detect1/14_Constraint/weights/last_prune.pt"
      do_pruning(modelpath, savepath)
  

2 剪枝全流程

剪枝的流程可分为

• 正常训练：我们可以通过模型得到未剪枝时的精度，方便剪枝前后进行精度对比
• 稀疏训练：bn的参数约等于0的并不多，所以需要稀疏训练，使得部分参数接近0，然后再对卷积核进行裁剪，这样可以减小剪枝对网络输出的影响。
• 剪枝：根据bn中参数对相应的卷积进行剪枝。
• 微调：剪枝后模型必然会降低精度，所以需要再微调使其恢复精度。

---

2.1 正常训练

1. 设置yaml文件：该工程使用VOC数据集，若已下载，在yaml文件中设置好数据路径。若无下来，运行训练代码时，工程会在一开始自动下载数据集，但下载速度可能会慢。
   LL_train.py 中设置：
   ultralytics/datasets/VOC.yaml中如下：:
2. LL_train.py脚本中，调用 step1_train()，注释其它的函数调用，如下图。
    
   
3. 激活相应环境，进行训练。运行python LL_train.py，训练结束指标如下：
    
   

---

2.2 稀疏训练

1. 在./ultralytics/yolo/engine/trainer.py代码中修改：
   在[反向传播]和[梯度更新] 之间添加[bn的L1正则]，使得bn参数在训练时变得稀疏。

                   # Backward
                   self.scaler.scale(self.loss).backward()
   
                   ## add start=============================
                   ## add l1 regulation for step2_Constraint_train               
                   l1_lambda = 1e-2 * (1 - 0.9 * epoch / self.epochs)
                   for k, m in self.model.named_modules():
                       if isinstance(m, nn.BatchNorm2d):
                           m.weight.grad.data.add_(l1_lambda * torch.sign(m.weight.data))
                           m.bias.grad.data.add_(1e-2 * torch.sign(m.bias.data))
                   ## add end ==============================
   
                   # Optimize - https://pytorch.org/docs/master/notes/amp_examples.html
                   if ni - last_opt_step >= self.accumulate:
                       self.optimizer_step()
                       last_opt_step = ni
   

   

2. LL_train.py 中修改：
   

3. 然后进行训练，结束后的验证指标如下图。
   可以在以下截屏看到最顶行，此时模型共168层、参数量11133324、计算量28.5GFLOPs
    
   

---

2.3 模型剪枝

1. 修改LL_train.py 并训练：
    
   
2. 看下剪枝后的文件

   du -sh ./runs/detect/VOC_Constraint/weights/last*
   

   终端输入命名如下，可查看文件大小。可以看到其中剪枝前后的pt的last.pt/last_prune.pt，对应的onnx模型为last.onnx last_prune.onnx，可以看剪枝后的pt增大了，但onnx减小了，我们只需要关注onnx的大小即可，由43M 剪枝为36M。
    
   

---

2.4 微调

1. 将第二步的约束训练添加的bn限制注释掉
   
2. 加载剪枝后的模型作为训练时的网络结构。在 ultralytics/yolo/engine/trainer.py 中修改内容：
   370行的 self.trainer.model 是从yaml中加载的模型( 未剪枝前的) 以及其它的配置信息，从pt文件中加载的权重( 剪枝后的)。所以只需将该变量中的网络结构更新为剪枝后的网络结构即可，增加代码可解决问题。
   否则训练出来的模型参数不会发生变化。

   self.trainer.model.model = self.model.model
   

3. 在ultralytics/yolo/engine/trainer.py 中增加内容如下：
   将model.22.dfl.conv.weight的梯度置为Fasle，是因为该层是解析box时的一个向量，具体的为 [0,1,2,3,4,5,6,7,8,9,10,11,12,13,14,15]，为了便捷的将该处理保存在模型中，所以就定义成一个卷积，卷积的权重为该向量。所以该卷积不需要梯度、不需要反向传播，所以该层的param.requires_grad = False。
   
   否则训练过程中会报错：debug时报错如下图
    

至此，就可微调训练。训练结果如下：

若不进行修改，依然会从modeld的yaml文件中加载模型。参数量和计算量不会有任何变化。下图是未做更多的修改训练后的信息。这样不是我们想要的状态。

---

2.5 剪枝完成后的分析

剪枝过程中的所有训练mAP、准召日志，使用tensorboard打开查看对应变化曲线：本次0.8的剪枝率下剪枝前后的指标变化并不大。在错误微调时指标整体偏低。

• 正常训练：参数量 11133324、计算量28.5GFLOPs、验证集上的准召：0.812、0.727
• 剪枝微调后：参数量9261550、计算量19.3GFLOPs、验证集上的准召：0.811、0.699
   

可以看出在0.8的剪枝率下，剪枝后的模型与原本模型的验证集上的准召相差不大。运行时间上，若在高性能GPU上不会有明显加速，在端侧会有加速。具体的数值，后面有空测试后附上。