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
注意：【2024.3.4添加】参考评论区同学遇到的现象，在约束训练时，没有关闭 自动混合精度训练，无法得到结果。故：在函数def step2_Constraint_train()下，增加【amp=False】即可。
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
## 2024.3.4添加【amp=False】
def step2_Constraint_train():
model = YOLO(name_train)
model.train(data=name_yaml, device="0,1", imgsz=640, epochs=50, batch=32, amp=False, workers=16, save_period=1,name=path_constraint_train) # train the model
def step3_pruning():
from LL_pruning import do_pruning
do_pruning(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])
### 4. 模型梯度设置与保存
for name, p in yolo.model.named_parameters():
p.requires_grad = True
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
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：: LL_train.py脚本中，调用 step1_train()，注释其它的函数调用，如下图。 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
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
LL_train.py 中修改： 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
修改LL_train.py 并训练： step3_pruning() 执行结束后的直接验证集推理如下，可以看到无法正常预测 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。
LL_pruning.py中我已对相应的功能进行了注释，所以理解起来不会有太大的不明白。另外，对于剪枝过程中，有以下几点:
不能剪枝的layer，其实在稀疏训练时候可以不做约束对于低于全局阈值的，可以删掉整个modulekeep channels，对于保留的channels，最好能整除n才是最合适的，更有利于硬件加速，否则也会影响运行速度。。具体n怎么选，一般fp16时，n为8；int8时，n为16。
以上3点在当前的工程中并没有对应的代码，需要额外调的实现。已有的操作可以满足正常的剪枝，当想要最佳性能时可关注上面三点。
2.4 微调
将第二步的约束训练添加的bn限制注释掉 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) 和其它的配置信息，以及从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
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。
参考阅读
发表评论