软件简介

用 YOLOv3 模型在一个开源的人手检测数据集 oxford
hand 上做人手检测，并在此基础上做模型剪枝。对于该数据集，对
YOLOv3 进行 channel pruning 之后，模型的参数量、模型大小减少 80% ，FLOPs 降低 70%，前向推断的速度可以达到原来的
200%，同时可以保持 mAP 基本不变（ 这个效果只是针对该数据集的，不一定能保证在其他数据集上也有同样的效果
，之后有时间的话会在其他数据集上进行测试）。

环境

Python3.6, Pytorch 1.0及以上

YOLOv3 的实现参考了 eriklindernoren 的 PyTorch-
YOLOv3 ，因此代码的依赖环境也可以参考其
repo

目前部分代码(如prune_utils.py文件)还在修改和完善，最近比较忙，待整理好再发出来

数据集准备

1. 下载数据集，得到压缩文件
2. 将压缩文件解压到 data 目录，得到 hand_dataset 文件夹
3. 在 data 目录下执行 converter.py，生成 images、labels 文件夹和 train.txt、valid.txt 文件。训练集中一共有 4087 张图 片，测试集中一共有 821 张图片

正常训练（Baseline）

python train.py --model_def config/yolov3-hand.cfg

剪枝算法介绍

本代码基于论文 Learning Efficient Convolutional Networks Through Network Slimming
(ICCV
2017)
进行改进实现的 channel pruning算法，类似的代码实现还有这个 yolov3-network-
slimming。原始论文中的算法是针对分类模型的，基于 BN 层的 gamma 系数进行剪枝的。本项目用到的剪枝算法不限于 YOLOv3
模型，稍作改进理论上也是可以移植到其他目标检测模型的。

剪枝算法的步骤

1. 进行稀疏化训练

   python train.py –model_def config/yolov3-hand.cfg -sr –s 0.01

2. 基于 test_prune.py 文件进行剪枝（通过设定合理的剪枝规则），得到剪枝后的模型

3. 对剪枝后的模型进行微调（本项目对原算法进行了改进，实验过程中发现即使不经过微调也能达到较高的 mAP）

   python train.py –model_def config/prune_yolov3-hand.cfg -pre checkpoints/prune_yolov3_ckpt.pth

稀疏训练过程的可视化

1. 所有 BN 的 gamma 系数的五个五分位点随时间的变化图：

经过 10 次迭代后，60%的 gamma 系数已趋向于 0，40 次迭代后 80% 的 gamma 系数已趋向于 0

1. YOLOv3中第一个 BN 层的 gamma 系数随迭代次数的变化情况：

随着模型的更新，部分 gamma 系数逐步趋向于 0（表明其重要性逐渐削弱），而部分 gamma 系数能够保持其权重（表明其对网络的输出有一定的重要性）

1. 所有 BN 的 gamma 系数的分布随迭代次数的变化：

分布的重心逐渐向 0 靠近，但并没有全部衰减为 0，表明 gamma 系数逐渐变得稀疏

剪枝前后的对比

1. 下图为对部分卷积层进行剪枝前后通道数的变化：

部分卷积层的通道数大幅度减少

1. 剪枝前后指标对比:

加入稀疏正则项之后，mAP 反而更高了（在实验过程中发现，其实 mAP上下波动 0.02 是正常现象），因此可以认为稀疏训练得到的 mAP
与正常训练几乎一致。将 prune 后得到的模型进行 finetune
并没有明显的提升，因此剪枝三步可以直接简化成两步。剪枝前后模型的参数量、模型大小降为原来的 1/6 ，FLOPs 降为原来的
1/3，前向推断的速度可以达到原来的 2 倍，同时可以保持 mAP 基本不变。
需要明确的是，上面表格中剪枝的效果是只是针对该数据集的，不一定能保证在其他数据集上也有同样的效果