Cắt tỉa model và độ thưa trong YOLOv5#
📚 Hướng dẫn này giải thích cách áp dụng cắt tỉa cho các model YOLOv5 🚀 để tạo mạng hiệu quả hơn mà vẫn duy trì hiệu suất.
Cắt tỉa model là gì?#
Cắt tỉa model là kỹ thuật giảm kích thước và độ phức tạp của mạng neural bằng cách loại bỏ các tham số ít quan trọng hơn (trọng số và kết nối). Quy trình này tạo ra model hiệu quả hơn với một số lợi ích:
- Giảm kích thước model để dễ triển khai hơn trên các thiết bị có tài nguyên hạn chế
- Tăng tốc độ suy luận với ảnh hưởng tối thiểu đến độ chính xác
- Giảm mức sử dụng bộ nhớ và năng lượng
- Cải thiện hiệu quả tổng thể cho các ứng dụng thời gian thực
Cắt tỉa hoạt động bằng cách xác định và loại bỏ các tham số đóng góp không đáng kể vào hiệu suất của model, tạo ra model gọn nhẹ hơn nhưng có độ chính xác tương đương.
Trước khi bắt đầu#
Clone repository và cài đặt requirements.txt trong môi trường Python>=3.8.0, bao gồm PyTorch>=1.8. Model và dataset được tự động tải xuống từ bản phát hành YOLOv5 mới nhất.
git clone https://github.com/ultralytics/yolov5 # clone
cd yolov5
pip install -r requirements.txt # installKiểm thử hiệu suất cơ sở#
Trước khi cắt tỉa, hãy xác lập hiệu suất cơ sở để làm mốc so sánh. Lệnh này kiểm thử YOLOv5x trên COCO val2017 với kích thước ảnh 640 pixel. yolov5x.pt là model lớn nhất và chính xác nhất hiện có. Các lựa chọn khác gồm yolov5s.pt, yolov5m.pt và yolov5l.pt, hoặc checkpoint của riêng bạn được tạo khi huấn luyện trên tập dữ liệu tùy chỉnh, chẳng hạn runs/train/exp/weights/best.pt. Để biết chi tiết về tất cả model hiện có, hãy xem bảng trong README.
python val.py --weights yolov5x.pt --data coco.yaml --img 640 --halfĐầu ra:
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/exp2Áp dụng cắt tỉa cho YOLOv5x (độ thưa 30%)#
Có thể áp dụng cắt tỉa cho model bằng hàm prune() được định nghĩa trong utils/torch_utils.py. Để kiểm thử model đã cắt tỉa, chúng ta cập nhật val.py nhằm cắt tỉa YOLOv5x xuống độ thưa 0.3 (30% trọng số được đặt bằng 0):
Đầu ra sau khi cắt tỉa 30%:
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/exp3Phân tích kết quả#
Từ kết quả, có thể nhận thấy:
- Đạt độ thưa 30%: 30% tham số trọng số của model trong các lớp
nn.Conv2dhiện được đặt bằng 0 - Thời gian suy luận không đổi: Dù đã cắt tỉa, tốc độ xử lý về cơ bản vẫn giữ nguyên
- Ảnh hưởng tối thiểu đến hiệu suất: mAP giảm nhẹ từ 0.507 xuống 0.489 (chỉ giảm 3.6%)
- Kích thước model không đổi: Trọng số được đặt bằng 0 vẫn được lưu ở dạng dense, vì vậy kích thước file chỉ giảm khi dùng định dạng hỗ trợ tensor thưa hoặc nén
Điều này cho thấy cắt tỉa có thể giảm đáng kể độ phức tạp của model mà chỉ ảnh hưởng nhỏ đến hiệu suất, nhờ đó trở thành kỹ thuật tối ưu hóa hiệu quả để triển khai trong môi trường có tài nguyên hạn chế.
Fine-tune model đã cắt tỉa#
Để đạt kết quả tốt nhất, nên fine-tune model sau khi cắt tỉa để khôi phục độ chính xác. Có thể thực hiện bằng cách:
- Áp dụng cắt tỉa với mức độ thưa mong muốn
- Huấn luyện model đã cắt tỉa trong vài epoch với learning rate thấp hơn
- Đánh giá model đã cắt tỉa và fine-tune so với model cơ sở
Quy trình này giúp các tham số còn lại thích nghi để bù đắp cho những kết nối đã bị loại bỏ, thường khôi phục được phần lớn hoặc toàn bộ độ chính xác ban đầu.
Môi trường được hỗ trợ#
Ultralytics cung cấp nhiều môi trường sẵn sàng sử dụng, mỗi môi trường được cài đặt sẵn các dependency thiết yếu như CUDA, CUDNN, Python và PyTorch, giúp bạn bắt đầu dự án nhanh chóng.
- Notebook GPU miễn phí:
- Google Cloud: Hướng dẫn bắt đầu nhanh với GCP
- Amazon: Hướng dẫn bắt đầu nhanh với AWS
- Azure: Hướng dẫn bắt đầu nhanh với AzureML
- Docker: Hướng dẫn bắt đầu nhanh với Docker
Trạng thái dự án#
Huy hiệu này cho biết tất cả bài kiểm thử Continuous Integration (CI) của GitHub Actions cho YOLOv5 đều đã chạy thành công. Các bài kiểm thử CI này kiểm tra nghiêm ngặt chức năng và hiệu năng của YOLOv5 trên nhiều khía cạnh chính: huấn luyện, validation, inference, export và benchmark. Các bài kiểm thử đảm bảo hoạt động nhất quán và đáng tin cậy trên macOS, Windows và Ubuntu; chúng được thực hiện mỗi 24 giờ và sau mỗi commit mới.
Câu hỏi thường gặp#
Cắt tỉa không cấu trúc đặt trọng số về 0 nhưng giữ nguyên hình dạng tensor, vì vậy các kernel PyTorch dense vẫn thực hiện cùng lượng phép tính. Muốn tăng tốc cần runtime nhận biết độ thưa như DeepSparse hoặc cắt tỉa có cấu trúc để loại bỏ toàn bộ channel.
Gọi helper từ
utils/torch_utils.pytrước khi validation hoặc export:from utils.torch_utils import prune prune(model, amount=0.3) # Độ thưa toàn cục 30% trên trọng số nn.Conv2dBắt đầu ở mức 0.3 và đo mAP. YOLOv5x giảm khoảng 3.6% mAP ở độ thưa 30% khi chưa fine-tune; mức độ thưa cao hơn thường cần huấn luyện lại trong vài epoch với learning rate thấp để khôi phục độ chính xác.
Có. Trọng số được đặt bằng 0 vẫn được lưu như các trọng số khác, vì vậy
export.pyhoạt động không đổi. Kích thước file chỉ giảm nếu định dạng đích hoặc runtime nén tensor thưa.