Poda y sparsity de modelos en YOLOv5#
📚 Esta guía explica cómo aplicar poda a los modelos 🚀 de YOLOv5 para crear redes más eficientes sin perder rendimiento.
¿Qué es la poda de modelos?#
La poda de modelos es una técnica que se utiliza para reducir el tamaño y la complejidad de las redes neuronales eliminando los parámetros menos importantes (pesos y conexiones). Este proceso crea un modelo más eficiente con varias ventajas:
- Tamaño del modelo reducido para facilitar el despliegue en dispositivos con recursos limitados
- Mayor velocidad de inferencia con un impacto mínimo en la precisión
- Menor uso de memoria y consumo energético
- Mayor eficiencia general para aplicaciones en tiempo real
La poda funciona identificando y eliminando los parámetros que contribuyen mínimamente al rendimiento del modelo, lo que da como resultado un modelo más ligero con una precisión similar.
Antes de empezar#
Clona el repositorio e instala requirements.txt en un entorno de Python>=3.8.0, incluido PyTorch>=1.8. Los modelos y los conjuntos de datos se descargan automáticamente desde la última versión de YOLOv5.
git clone https://github.com/ultralytics/yolov5 # clone
cd yolov5
pip install -r requirements.txt # installProbar el rendimiento de referencia#
Antes de aplicar la poda, establece un rendimiento de referencia con el que comparar. Este comando prueba YOLOv5x en COCO val2017 con un tamaño de imagen de 640 píxeles. yolov5x.pt es el modelo más grande y preciso disponible. Otras opciones son yolov5s.pt, yolov5m.pt y yolov5l.pt, o tu propio checkpoint del entrenamiento con un conjunto de datos personalizado ./weights/best.pt. Para obtener más información sobre todos los modelos disponibles, consulta la tabla del README.
python val.py --weights yolov5x.pt --data coco.yaml --img 640 --halfSalida:
val: data=/content/yolov5/data/coco.yaml, weights=['yolov5x.pt'], batch_size=32, imgsz=640, conf_thres=0.001, iou_thres=0.65, task=val, device=, workers=8, single_cls=False, augment=False, verbose=False, save_txt=False, save_conf=False, save_json=True, project=runs/val, name=exp, exist_ok=False, half=True, dnn=False
YOLOv5 🚀 v6.0-224-g4c40933 torch 1.10.0+cu111 CUDA:0 (Tesla V100-SXM2-16GB, 16160MiB)
Fusing layers...
Model Summary: 444 layers, 86705005 parameters, 0 gradients
val: Scanning '/content/datasets/coco/val2017.cache' images and labels... 4952 found, 48 missing, 0 empty, 0 corrupt: 100% 5000/5000 [00:00<?, ?it/s]
Class Images Labels P R mAP@.5 mAP@.5:.95: 100% 157/157 [01:12<00:00, 2.16it/s]
all 5000 36335 0.732 0.628 0.683 0.496
Speed: 0.1ms pre-process, 5.2ms inference, 1.7ms NMS per image at shape (32, 3, 640, 640) # <--- base speed
Evaluating pycocotools mAP... saving runs/val/exp2/yolov5x_predictions.json...
...
Average Precision (AP) @[ IoU=0.50:0.95 | area= all | maxDets=100 ] = 0.507 # <--- base mAP
Average Precision (AP) @[ IoU=0.50 | area= all | maxDets=100 ] = 0.689
Average Precision (AP) @[ IoU=0.75 | area= all | maxDets=100 ] = 0.552
Average Precision (AP) @[ IoU=0.50:0.95 | area= small | maxDets=100 ] = 0.345
Average Precision (AP) @[ IoU=0.50:0.95 | area=medium | maxDets=100 ] = 0.559
Average Precision (AP) @[ IoU=0.50:0.95 | area= large | maxDets=100 ] = 0.652
Average Recall (AR) @[ IoU=0.50:0.95 | area= all | maxDets= 1 ] = 0.381
Average Recall (AR) @[ IoU=0.50:0.95 | area= all | maxDets= 10 ] = 0.630
Average Recall (AR) @[ IoU=0.50:0.95 | area= all | maxDets=100 ] = 0.682
Average Recall (AR) @[ IoU=0.50:0.95 | area= small | maxDets=100 ] = 0.526
Average Recall (AR) @[ IoU=0.50:0.95 | area=medium | maxDets=100 ] = 0.731
Average Recall (AR) @[ IoU=0.50:0.95 | area= large | maxDets=100 ] = 0.829
Results saved to runs/val/exp2Aplicar poda a YOLOv5x (30 % de sparsity)#
Podemos aplicar la poda al modelo mediante el comando torch_utils.prune(), definido en utils/torch_utils.py. Para probar un modelo podado, actualizamos val.py para podar YOLOv5x hasta una sparsity de 0,3 (el 30 % de los pesos se establece en cero):
Salida con un 30 % de poda:
val: data=/content/yolov5/data/coco.yaml, weights=['yolov5x.pt'], batch_size=32, imgsz=640, conf_thres=0.001, iou_thres=0.65, task=val, device=, workers=8, single_cls=False, augment=False, verbose=False, save_txt=False, save_conf=False, save_json=True, project=runs/val, name=exp, exist_ok=False, half=True, dnn=False
YOLOv5 🚀 v6.0-224-g4c40933 torch 1.10.0+cu111 CUDA:0 (Tesla V100-SXM2-16GB, 16160MiB)
Fusing layers...
Model Summary: 444 layers, 86705005 parameters, 0 gradients
Pruning model... 0.3 global sparsity
val: Scanning '/content/datasets/coco/val2017.cache' images and labels... 4952 found, 48 missing, 0 empty, 0 corrupt: 100% 5000/5000 [00:00<?, ?it/s]
Class Images Labels P R mAP@.5 mAP@.5:.95: 100% 157/157 [01:11<00:00, 2.19it/s]
all 5000 36335 0.724 0.614 0.671 0.478
Speed: 0.1ms pre-process, 5.2ms inference, 1.7ms NMS per image at shape (32, 3, 640, 640) # <--- prune speed
Evaluating pycocotools mAP... saving runs/val/exp3/yolov5x_predictions.json...
...
Average Precision (AP) @[ IoU=0.50:0.95 | area= all | maxDets=100 ] = 0.489 # <--- prune mAP
Average Precision (AP) @[ IoU=0.50 | area= all | maxDets=100 ] = 0.677
Average Precision (AP) @[ IoU=0.75 | area= all | maxDets=100 ] = 0.537
Average Precision (AP) @[ IoU=0.50:0.95 | area= small | maxDets=100 ] = 0.334
Average Precision (AP) @[ IoU=0.50:0.95 | area=medium | maxDets=100 ] = 0.542
Average Precision (AP) @[ IoU=0.50:0.95 | area= large | maxDets=100 ] = 0.635
Average Recall (AR) @[ IoU=0.50:0.95 | area= all | maxDets= 1 ] = 0.370
Average Recall (AR) @[ IoU=0.50:0.95 | area= all | maxDets= 10 ] = 0.612
Average Recall (AR) @[ IoU=0.50:0.95 | area= all | maxDets=100 ] = 0.664
Average Recall (AR) @[ IoU=0.50:0.95 | area= small | maxDets=100 ] = 0.496
Average Recall (AR) @[ IoU=0.50:0.95 | area=medium | maxDets=100 ] = 0.722
Average Recall (AR) @[ IoU=0.50:0.95 | area= large | maxDets=100 ] = 0.803
Results saved to runs/val/exp3Análisis de los resultados#
A partir de los resultados, podemos observar:
- Sparsity del 30 % conseguida: el 30 % de los parámetros de peso del modelo en las capas
nn.Conv2dahora son cero - El tiempo de inferencia no cambia: a pesar de la poda, la velocidad de procesamiento es prácticamente la misma
- Impacto mínimo en el rendimiento: mAP disminuyó ligeramente de 0.507 a 0.489 (solo un 3,6 % de reducción)
- Reducción del tamaño del modelo: el modelo podado necesita menos memoria para su almacenamiento
Esto demuestra que la poda puede reducir considerablemente la complejidad del modelo con un impacto menor en el rendimiento, lo que la convierte en una técnica de optimización eficaz para el despliegue en entornos con recursos limitados.
Ajuste fino de modelos podados#
Para obtener los mejores resultados, los modelos podados deben someterse a un ajuste fino después de la poda para recuperar precisión. Esto se puede hacer:
- Aplicando la poda con el nivel de sparsity deseado
- Entrenando el modelo podado durante unas pocas épocas con una tasa de aprendizaje menor
- Evaluando el modelo podado con ajuste fino frente al modelo de referencia
Este proceso ayuda a los parámetros restantes a adaptarse para compensar las conexiones eliminadas y, a menudo, permite recuperar la mayor parte o toda la precisión original.
Entornos compatibles#
Ultralytics ofrece una variedad de entornos listos para usar, cada uno preinstalado con dependencias esenciales como CUDA, CUDNN, Python y PyTorch, para que puedas iniciar tus proyectos.
- Cuadernos de GPU gratuitos:
- Google Cloud: Guía de inicio rápido de GCP
- Amazon: Guía de inicio rápido de AWS
- Azure: Guía de inicio rápido de AzureML
- Docker: Guía de inicio rápido de Docker
Estado del proyecto#
Esta insignia indica que todas las pruebas de Integración continua (CI) de GitHub Actions de YOLOv5 se superan correctamente. Estas pruebas de CI comprueban rigurosamente la funcionalidad y el rendimiento de YOLOv5 en varios aspectos clave: entrenamiento, validación, inferencia, exportación y benchmarks. Garantizan un funcionamiento uniforme y fiable en macOS, Windows y Ubuntu, con pruebas que se realizan cada 24 horas y con cada nuevo commit.