Comments (9)
我利用源码在自己的数据集上进行剪枝,但是剪枝率很低只有24%,请问修改哪些参数可以提高模型的剪枝率。
我也在YOLOv5s上用作者给的超参数试,剪枝率25%左右,可以问一下你现在调了哪些参数效果如何呢?
我按照作者所提供的思路尝试增加了那三个超参数,虽然增大了剪枝率,但是感觉剪枝后精度不是很好,可能还是由于s模型冗余特征通道相比于m模型更少吧,但是我是用于做实验对比的,所以没太仔细研究究竟如何更好的提高剪枝率。
我剪了大概68%的参数,再训练相同的轮数后可以恢复精度,我用的NWPU数据集
from pagcp.
我用的参数和COCO数据集的一样,只是模型改成了yolov5s模型
from pagcp.
我利用源码在自己的数据集上进行剪枝,但是剪枝率很低只有24%,请问修改哪些参数可以提高模型的剪枝率。
我用的参数和COCO数据集的一样,只是模型改成了yolov5s模型
您好,感谢对我们工作的关注!关于在(YOLOv5s)小模型上剪枝率低的问题,可能的原因有:
- 模型在该数据集上的冗余性较低;
- 初始层损失(--initial_rate)或总体性能损失的阈值(--initial_thres)设置较小;
- 总体剪枝迭代次数较少。
因此,您可以根据上述三种情况以及您的实验设置对应调整剪枝策略(排序不分主次)。希望上述回复能解答您的相关疑问。若仍有疑惑,欢迎进一步交流。
from pagcp.
我利用源码在自己的数据集上进行剪枝,但是剪枝率很低只有24%,请问修改哪些参数可以提高模型的剪枝率。
我也在YOLOv5s上用作者给的超参数试,剪枝率25%左右,可以问一下你现在调了哪些参数效果如何呢?
from pagcp.
我利用源码在自己的数据集上进行剪枝,但是剪枝率很低只有24%,请问修改哪些参数可以提高模型的剪枝率。
我也在YOLOv5s上用作者给的超参数试,剪枝率25%左右,可以问一下你现在调了哪些参数效果如何呢?
我按照作者所提供的思路尝试增加了那三个超参数,虽然增大了剪枝率,但是感觉剪枝后精度不是很好,可能还是由于s模型冗余特征通道相比于m模型更少吧,但是我是用于做实验对比的,所以没太仔细研究究竟如何更好的提高剪枝率。
from pagcp.
我利用源码在自己的数据集上进行剪枝,但是剪枝率很低只有24%,请问修改哪些参数可以提高模型的剪枝率。
我也在YOLOv5s上用作者给的超参数试,剪枝率25%左右,可以问一下你现在调了哪些参数效果如何呢?
我按照作者所提供的思路尝试增加了那三个超参数,虽然增大了剪枝率,但是感觉剪枝后精度不是很好,可能还是由于s模型冗余特征通道相比于m模型更少吧,但是我是用于做实验对比的,所以没太仔细研究究竟如何更好的提高剪枝率。
@bucter-lmw @TianL123 ,感谢大家对工作的关注。由于这段时间任务比较繁重,我们会在晚些时候对yolov5s模型进行压缩测试,届时会更新comment。就大家目前的实验反馈而言,性能方面我个人认为可能小模型的训练过程中重要特征没有学得很好,从而导致冗余特征的区分度没有更大的模型高,如果感兴趣的话可以尝试做些可视化看看。最后,再次感谢大家的关注和理解!
from pagcp.
我利用源码在自己的数据集上进行剪枝,但是剪枝率很低只有24%,请问修改哪些参数可以提高模型的剪枝率。
我也在YOLOv5s上用作者给的超参数试,剪枝率25%左右,可以问一下你现在调了哪些参数效果如何呢?
我按照作者所提供的思路尝试增加了那三个超参数,虽然增大了剪枝率,但是感觉剪枝后精度不是很好,可能还是由于s模型冗余特征通道相比于m模型更少吧,但是我是用于做实验对比的,所以没太仔细研究究竟如何更好的提高剪枝率。
我剪了大概68%的参数,再训练相同的轮数后可以恢复精度,我用的NWPU数据集
方便提供您的超参数设置吗,我也想试试。
from pagcp.
我利用源码在自己的数据集上进行剪枝,但是剪枝率很低只有24%,请问修改哪些参数可以提高模型的剪枝率。
我也在YOLOv5s上用作者给的超参数试,剪枝率25%左右,可以问一下你现在调了哪些参数效果如何呢?
我按照作者所提供的思路尝试增加了那三个超参数,虽然增大了剪枝率,但是感觉剪枝后精度不是很好,可能还是由于s模型冗余特征通道相比于m模型更少吧,但是我是用于做实验对比的,所以没太仔细研究究竟如何更好的提高剪枝率。
我剪了大概68%的参数,再训练相同的轮数后可以恢复精度,我用的NWPU数据集
方便提供您的超参数设置吗,我也想试试。
$ python compress.py --model
from pagcp.
我利用源码在自己的数据集上进行剪枝,但是剪枝率很低只有24%,请问修改哪些参数可以提高模型的剪枝率。
我也在YOLOv5s上用作者给的超参数试,剪枝率25%左右,可以问一下你现在调了哪些参数效果如何呢?
我按照作者所提供的思路尝试增加了那三个超参数,虽然增大了剪枝率,但是感觉剪枝后精度不是很好,可能还是由于s模型冗余特征通道相比于m模型更少吧,但是我是用于做实验对比的,所以没太仔细研究究竟如何更好的提高剪枝率。
我剪了大概68%的参数,再训练相同的轮数后可以恢复精度,我用的NWPU数据集
方便提供您的超参数设置吗,我也想试试。
$ python compress.py --model modelname --dataset COCO --data coco.yaml --batch 64 --weights /path/to/to-prune/model --initial_rate 0.05 --initial_thres 30 --topk 0.8 --exp --device 0
请问你这样设置精度和原来比差多少?P,R,mAP都没怎么掉吗?
from pagcp.
Related Issues (20)
- 怎么导出onnx格式? HOT 9
- Compression result of Faster Rcnn on COCO HOT 1
- compress.py文件运行不成功 HOT 1
- Error while replicating the flow suggested in Readme.md HOT 1
- 问题咨询 HOT 2
- 为何没有YOLOv5s的剪枝测试? HOT 1
- 修改网络模型后如何修改相应文件 HOT 2
- 请问为什么要设立三个分组?
- W
- 如何重複剪枝 HOT 3
- 关于剪枝前模型每层基于FLOPs重排问题 HOT 6
- 报错 HOT 2
- yolov8 pruning HOT 4
- 剪枝后推理速度 HOT 1
- Pruning based on self built datasets HOT 1
- Γ? HOT 1
- Selecting the channels
- Code for NYUv2 Dataset
- opt.part?
Recommend Projects
-
React
A declarative, efficient, and flexible JavaScript library for building user interfaces.
-
Vue.js
🖖 Vue.js is a progressive, incrementally-adoptable JavaScript framework for building UI on the web.
-
Typescript
TypeScript is a superset of JavaScript that compiles to clean JavaScript output.
-
TensorFlow
An Open Source Machine Learning Framework for Everyone
-
Django
The Web framework for perfectionists with deadlines.
-
Laravel
A PHP framework for web artisans
-
D3
Bring data to life with SVG, Canvas and HTML. 📊📈🎉
-
Recommend Topics
-
javascript
JavaScript (JS) is a lightweight interpreted programming language with first-class functions.
-
web
Some thing interesting about web. New door for the world.
-
server
A server is a program made to process requests and deliver data to clients.
-
Machine learning
Machine learning is a way of modeling and interpreting data that allows a piece of software to respond intelligently.
-
Visualization
Some thing interesting about visualization, use data art
-
Game
Some thing interesting about game, make everyone happy.
Recommend Org
-
Facebook
We are working to build community through open source technology. NB: members must have two-factor auth.
-
Microsoft
Open source projects and samples from Microsoft.
-
Google
Google ❤️ Open Source for everyone.
-
Alibaba
Alibaba Open Source for everyone
-
D3
Data-Driven Documents codes.
-
Tencent
China tencent open source team.
from pagcp.