物流网站推广怎么做,网站界面设计材料收集,沭阳奥体小区做网站,wordpress 流量统计插件YOLOv5#xff1a;对yolov5n模型进一步剪枝压缩 前言前提条件相关介绍具体步骤修改yolov5n.yaml配置文件单通道数据#xff08;黑白图片#xff09;修改models/yolo.py文件修改train.py文件 剪枝后模型大小 参考 前言 由于本人水平有限#xff0c;难免出现错漏#xff0c;… YOLOv5对yolov5n模型进一步剪枝压缩 前言前提条件相关介绍具体步骤修改yolov5n.yaml配置文件单通道数据黑白图片修改models/yolo.py文件修改train.py文件 剪枝后模型大小 参考 前言 由于本人水平有限难免出现错漏敬请批评改正。更多精彩内容可点击进入YOLO系列专栏、自然语言处理 专栏或我的个人主页查看基于DETR的人脸伪装检测YOLOv7训练自己的数据集口罩检测YOLOv8训练自己的数据集足球检测YOLOv5TensorRT加速YOLOv5模型推理YOLOv5IoU、GIoU、DIoU、CIoU、EIoU玩转Jetson Nano五TensorRT加速YOLOv5目标检测YOLOv5添加SE、CBAM、CoordAtt、ECA注意力机制YOLOv5yolov5s.yaml配置文件解读、增加小目标检测层Python将COCO格式实例分割数据集转换为YOLO格式实例分割数据集YOLOv5使用7.0版本训练自己的实例分割模型车辆、行人、路标、车道线等实例分割使用Kaggle GPU资源免费体验Stable Diffusion开源项目 前提条件 熟悉Python 相关介绍 Python是一种跨平台的计算机程序设计语言。是一个高层次的结合了解释性、编译性、互动性和面向对象的脚本语言。最初被设计用于编写自动化脚本(shell)随着版本的不断更新和语言新功能的添加越多被用于独立的、大型项目的开发。PyTorch 是一个深度学习框架封装好了很多网络和深度学习相关的工具方便我们调用而不用我们一个个去单独写了。它分为 CPU 和 GPU 版本其他框架还有 TensorFlow、Caffe 等。PyTorch 是由 Facebook 人工智能研究院FAIR基于 Torch 推出的它是一个基于 Python 的可续计算包提供两个高级功能1、具有强大的 GPU 加速的张量计算如 NumPy2、构建深度神经网络时的自动微分机制。YOLOv5是一种单阶段目标检测算法该算法在YOLOv4的基础上添加了一些新的改进思路使其速度与精度都得到了极大的性能提升。它是一个在COCO数据集上预训练的物体检测架构和模型系列代表了Ultralytics对未来视觉AI方法的开源研究其中包含了经过数千小时的研究和开发而形成的经验教训和最佳实践。剪枝是一种通过去除网络中冗余的channels,filters, neurons, or layers以得到一个更轻量级的网络同时不影响性能的方法。 具体步骤
修改yolov5n.yaml配置文件 YOLOv5相关YAML配置里面参数含义可查阅YOLOv5yolov5s.yaml配置文件解读、增加小目标检测层 https://blog.csdn.net/FriendshipTang/article/details/130375883这里顺带解释一下depth_multiple和width_multiple参数含义。 # YOLOv5 by Ultralytics, GPL-3.0 license# Parameters
nc: 80 # number of classes
depth_multiple: 0.33 # model depth multiple
width_multiple: 0.50 # layer channel multiple- nc: 8 代表数据集中的类别数目。- depth_multiple: 0.33- 用来控制模型的深度仅在number≠1时启用。- 如第一个C3层的参数设置为[-1, 3, C3, [128]]其中number3表示在yolov5s中含有 3 × 0.33 ≈ 1个C3。- width_multiple: 0.50- 用来控制模型的宽度主要作用于args中的channel_out。- 如第一个Conv层输出通道数channel_out64那么在yolov5s中会将卷积过程中的卷积核设置为 64 × 0.50 32所以会输出 32 通道的特征图。将
depth_multiple: 0.33 # model depth multiple
width_multiple: 0.25 # layer channel multiple改为
depth_multiple: 0.16 # model depth multiple
width_multiple: 0.125 # layer channel multiple即可达到减少卷积层数的目的。
单通道数据黑白图片 如果数据集是单通道数据即黑白图片数据集还可以修改训练时输入的通道数yolov5默认输入通道数ch3,我们可以修改ch1减少训练参数。如果是彩色图片数据集可跳过此部分的内容。 修改models/yolo.py文件
在 if m in {Conv, GhostConv, Bottleneck, GhostBottleneck, SPP, SPPF, DWConv, MixConv2d, Focus, CrossConv,BottleneckCSP, C3, C3TR, C3SPP, C3Ghost, nn.ConvTranspose2d, DWConvTranspose2d, C3x}:c1, c2 ch[f], args[0]if c2 ! no: # if not outputc2 make_divisible(c2 * gw, 8)添加: if m in (Conv, GhostConv, Bottleneck, GhostBottleneck, SPP, SPPF, DWConv, MixConv2d, Focus, CrossConv,BottleneckCSP, C3, C3TR, C3SPP, C3Ghost, nn.ConvTranspose2d, DWConvTranspose2d, C3x):c1, c2 ch[f], args[0]# 添加的内容if i 0: # 第一层输入为单通道图片c1 1if c2 ! no: # if not outputc2 make_divisible(c2 * gw, 8)在 # Define modelch self.yaml[ch] self.yaml.get(ch, ch) # input channels添加: # Define modelch self.yaml[ch] self.yaml.get(ch, ch) # input channels# 添加的内容self.yaml[ch] 1ch self.yaml[ch]修改train.py文件
将
model Model(cfg or ckpt[model].yaml, ch3, ncnc, anchorshyp.get(anchors)).to(device) # create改为
# 修改的内容
# model Model(cfg or ckpt[model].yaml, ch3, ncnc, anchorshyp.get(anchors)).to(device) # create
model Model(cfg or ckpt[model].yaml, ch1, ncnc, anchorshyp.get(anchors)).to(device) # create将
model Model(cfg, ch3, ncnc, anchorshyp.get(anchors)).to(device) # create改为
# 修改的内容
# model Model(cfg, ch3, ncnc, anchorshyp.get(anchors)).to(device) # create
model Model(cfg, ch1, ncnc, anchorshyp.get(anchors)).to(device) # create在
for i, (imgs, targets, paths, _) in pbar: # batch -------------------------------------------------------------callbacks.run(on_train_batch_start)ni i nb * epoch # number integrated batches (since train start)imgs imgs.to(device, non_blockingTrue).float() / 255 # uint8 to float32, 0-255 to 0.0-1.0# Warmupif ni nw:xi [0, nw] # x interp# compute_loss.gr np.interp(ni, xi, [0.0, 1.0]) # iou loss ratio (obj_loss 1.0 or iou)accumulate max(1, np.interp(ni, xi, [1, nbs / batch_size]).round())for j, x in enumerate(optimizer.param_groups):# bias lr falls from 0.1 to lr0, all other lrs rise from 0.0 to lr0x[lr] np.interp(ni, xi, [hyp[warmup_bias_lr] if j 0 else 0.0, x[initial_lr] * lf(epoch)])if momentum in x:x[momentum] np.interp(ni, xi, [hyp[warmup_momentum], hyp[momentum]])
添加:
for i, (imgs, targets, paths, _) in pbar: # batch -------------------------------------------------------------callbacks.run(on_train_batch_start)ni i nb * epoch # number integrated batches (since train start)# imgs imgs.to(device, non_blockingTrue).float() / 255 # uint8 to float32, 0-255 to 0.0-1.0# 添加的内容目的是将训练集的图片变为单通道图片(黑白图片)imgs imgs[:, 0, :, :].unsqueeze(1).to(device, non_blockingTrue).float() / 255 # Warmupif ni nw:xi [0, nw] # x interp# compute_loss.gr np.interp(ni, xi, [0.0, 1.0]) # iou loss ratio (obj_loss 1.0 or iou)accumulate max(1, np.interp(ni, xi, [1, nbs / batch_size]).round())for j, x in enumerate(optimizer.param_groups):# bias lr falls from 0.1 to lr0, all other lrs rise from 0.0 to lr0x[lr] np.interp(ni, xi, [hyp[warmup_bias_lr] if j 0 else 0.0, x[initial_lr] * lf(epoch)])if momentum in x:x[momentum] np.interp(ni, xi, [hyp[warmup_momentum], hyp[momentum]])剪枝后模型大小 原来的yolo5n模型大小为3.5m剪枝训练后的yolo5n模型大小为2.6m。 参考
[1] https://github.com/ultralytics/yolov5 由于本人水平有限难免出现错漏敬请批评改正。更多精彩内容可点击进入YOLO系列专栏、自然语言处理 专栏或我的个人主页查看基于DETR的人脸伪装检测YOLOv7训练自己的数据集口罩检测YOLOv8训练自己的数据集足球检测YOLOv5TensorRT加速YOLOv5模型推理YOLOv5IoU、GIoU、DIoU、CIoU、EIoU玩转Jetson Nano五TensorRT加速YOLOv5目标检测YOLOv5添加SE、CBAM、CoordAtt、ECA注意力机制YOLOv5yolov5s.yaml配置文件解读、增加小目标检测层Python将COCO格式实例分割数据集转换为YOLO格式实例分割数据集YOLOv5使用7.0版本训练自己的实例分割模型车辆、行人、路标、车道线等实例分割使用Kaggle GPU资源免费体验Stable Diffusion开源项目
