surveillance_monitoring/dependence/PaddleDetection/static/slim/prune

卷积层通道剪裁教程

请确保已正确安装PaddleDetection及其依赖。

该文档介绍如何使用PaddleSlim的卷积通道剪裁接口对检测库中的模型的卷积层的通道数进行剪裁。

在检测库中，可以直接调用PaddleDetection/slim/prune/prune.py脚本实现剪裁，在该脚本中调用了PaddleSlim的paddleslim.prune.Pruner接口。

该教程中所示操作，如无特殊说明，均在PaddleDetection/路径下执行。

已发布裁剪模型见压缩模型库

1. 数据准备

请参考检测库数据下载文档准备数据。

2. 模型选择

通过-c选项指定待裁剪模型的配置文件的相对路径，更多可选配置文件请参考: 检测库配置文件

对于剪裁任务，原模型的权重不一定对剪裁后的模型训练的重训练有贡献，所以加载原模型的权重不是必需的步骤。

通过-o pretrain_weights指定模型的预训练权重，可以指定url或本地文件系统的路径。如下所示：

-o pretrain_weights=https://paddlemodels.bj.bcebos.com/object_detection/yolov3_mobilenet_v1_voc.tar

或

-o weights=output/yolov3_mobilenet_v1_voc/model_final

官方已发布的模型请参考: 模型库

3. 确定待分析参数

我们通过剪裁卷积层参数达到缩减卷积层通道数的目的，在剪裁之前，我们需要确定待裁卷积层的参数的名称。 通过以下命令查看当前模型的所有参数：

python slim/prune/prune.py \
-c ./configs/yolov3_mobilenet_v1_voc.yml \
--print_params

通过观察参数名称和参数的形状，筛选出所有卷积层参数，并确定要裁剪的卷积层参数。

4. 分析待剪裁参数敏感度

可通过敏感度分析脚本分析待剪裁参数敏感度得到合适的剪裁率，敏感度分析工具见敏感度分析。

5. 启动剪裁任务

使用prune.py启动裁剪任务时，通过--pruned_params选项指定待裁剪的参数名称列表，参数名之间用空格分隔，通过--pruned_ratios选项指定各个参数被裁掉的比例。

python slim/prune/prune.py \
-c ./configs/yolov3_mobilenet_v1_voc.yml \
--pruned_params "yolo_block.0.0.0.conv.weights,yolo_block.0.0.1.conv.weights,yolo_block.0.1.0.conv.weights" \
--pruned_ratios="0.2,0.3,0.4"

6. 评估剪裁模型

训练剪裁任务完成后，可通过eval.py评估剪裁模型精度，通过--pruned_params和--pruned_ratios指定裁剪的参数名称列表和各参数裁剪比例。

python slim/prune/eval.py \
-c ./configs/yolov3_mobilenet_v1_voc.yml \
--pruned_params "yolo_block.0.0.0.conv.weights,yolo_block.0.0.1.conv.weights,yolo_block.0.1.0.conv.weights" \
--pruned_ratios="0.2,0.3,0.4" \
-o weights=output/yolov3_mobilenet_v1_voc/model_final

7. 模型导出

如果想要将剪裁模型接入到C++预测库或者Serving服务，可通过export_model.py导出该模型。

python slim/prune/export_model.py \
-c ./configs/yolov3_mobilenet_v1_voc.yml \
--pruned_params "yolo_block.0.0.0.conv.weights,yolo_block.0.0.1.conv.weights,yolo_block.0.1.0.conv.weights" \
--pruned_ratios="0.2,0.3,0.4" \
-o weights=output/yolov3_mobilenet_v1_voc/model_final

8. 扩展模型

如果需要对自己的模型进行修改，可以参考prune.py中对paddleslim.prune.Pruner接口的调用方式，基于自己的模型训练脚本进行修改。 本节我们介绍的剪裁示例，需要用户根据先验知识指定每层的剪裁率，除此之外，PaddleSlim还提供了敏感度分析等功能，协助用户选择合适的剪裁率。更多详情请参考：PaddleSlim使用文档

9. 更多示例与注意事项

9.1 faster_rcnn与mask_rcnn

当前PaddleSlim的剪裁功能不支持剪裁循环体或条件判断语句块内的卷积层，请避免剪裁循环和判断语句块前的一个卷积和语句块内部的卷积。

对于faster_rcnn_r50或mask_rcnn_r50网络，请剪裁卷积res4f_branch2c之前的卷积。

对faster_rcnn_r50剪裁示例如下：

# demo for faster_rcnn_r50
python slim/prune/prune.py -c ./configs/faster_rcnn_r50_1x.yml --pruned_params "res4f_branch2b_weights,res4f_branch2a_weights" --pruned_ratios="0.3,0.4" --eval

对mask_rcnn_r50剪裁示例如下：

# demo for mask_rcnn_r50
python slim/prune/prune.py -c ./configs/mask_rcnn_r50_1x.yml --pruned_params "res4f_branch2b_weights,res4f_branch2a_weights" --pruned_ratios="0.2,0.3" --eval