surveillance_monitoring/dependence/PaddleDetection/configs/slim

模型压缩

在PaddleDetection中, 提供了基于PaddleSlim进行模型压缩的完整教程和benchmark。目前支持的方法：

• 剪裁
• 量化
• 离线量化
• 蒸馏
• 联合策略

推荐您使用剪裁和蒸馏联合训练，或者使用剪裁、量化训练和离线量化，进行检测模型压缩。 下面以YOLOv3为例，进行剪裁、蒸馏和量化实验。

实验环境

• Python 3.7+
• PaddlePaddle >= 2.1.0
• PaddleSlim >= 2.1.0
• CUDA 10.1+
• cuDNN >=7.6.5

PaddleDetection、 PaddlePaddle与PaddleSlim 版本关系: | PaddleDetection版本 | PaddlePaddle版本 | PaddleSlim版本 | 备注 | | :------------------: | :---------------: | :-------: |:---------------: | | release/2.3 | >= 2.1 | 2.1 | 离线量化依赖Paddle 2.2及PaddleSlim 2.2 | | release/2.1 | 2.2 | >= 2.1.0 | 2.1 | 量化模型导出依赖最新Paddle develop分支，可在PaddlePaddle每日版本中下载安装 | | release/2.0 | >= 2.0.1 | 2.0 | 量化依赖Paddle 2.1及PaddleSlim 2.1 |

安装PaddleSlim

• 方法一：直接安装：

  pip install paddleslim -i https://pypi.tuna.tsinghua.edu.cn/simple
  

• 方法二：编译安装：

  git clone https://github.com/PaddlePaddle/PaddleSlim.git
  cd PaddleSlim
  python setup.py install
  

快速开始

训练

python tools/train.py -c configs/{MODEL.yml} --slim_config configs/slim/{SLIM_CONFIG.yml}

• -c: 指定模型配置文件。
• --slim_config: 指定压缩策略配置文件。

评估

python tools/eval.py -c configs/{MODEL.yml} --slim_config configs/slim/{SLIM_CONFIG.yml} -o weights=output/{SLIM_CONFIG}/model_final

• -c: 指定模型配置文件。
• --slim_config: 指定压缩策略配置文件。
• -o weights: 指定压缩算法训好的模型路径。

测试

python tools/infer.py -c configs/{MODEL.yml} --slim_config configs/slim/{SLIM_CONFIG.yml} \
    -o weights=output/{SLIM_CONFIG}/model_final
    --infer_img={IMAGE_PATH}

• -c: 指定模型配置文件。
• --slim_config: 指定压缩策略配置文件。
• -o weights: 指定压缩算法训好的模型路径。
• --infer_img: 指定测试图像路径。

全链条部署

动转静导出模型

python tools/export_model.py -c configs/{MODEL.yml} --slim_config configs/slim/{SLIM_CONFIG.yml} -o weights=output/{SLIM_CONFIG}/model_final

• -c: 指定模型配置文件。
• --slim_config: 指定压缩策略配置文件。
• -o weights: 指定压缩算法训好的模型路径。

部署预测

• Paddle-Inference预测：
  • Python部署
  • C++部署
  • TensorRT预测部署教程
• 服务器端部署：使用PaddleServing部署。
• 手机移动端部署：使用Paddle-Lite 在手机移动端部署。

Benchmark

剪裁

Pascal VOC上benchmark

模型	压缩策略	GFLOPs	模型体积(MB)	输入尺寸	预测时延(SD855)	Box AP	下载	模型配置文件	压缩算法配置文件
YOLOv3-MobileNetV1	baseline	24.13	93	608	332.0ms	75.1	下载链接	配置文件	-
YOLOv3-MobileNetV1	剪裁-l1_norm(sensity)	15.78(-34.49%)	66(-29%)	608	-	78.4(+3.3)	下载链接	配置文件	slim配置文件

COCO上benchmark

模型	压缩策略	GFLOPs	模型体积(MB)	输入尺寸	预测时延(SD855)	Box AP	下载	模型配置文件	压缩算法配置文件
PP-YOLO-MobileNetV3_large	baseline	--	18.5	608	25.1ms	23.2	下载链接	配置文件	-
PP-YOLO-MobileNetV3_large	剪裁-FPGM	-37%	12.6	608	-	22.3	下载链接	配置文件	slim配置文件
YOLOv3-DarkNet53	baseline	--	238.2	608	-	39.0	下载链接	配置文件	-
YOLOv3-DarkNet53	剪裁-FPGM	-24%	-	608	-	37.6	下载链接	配置文件	slim配置文件
PP-YOLO_R50vd	baseline	--	183.3	608	-	44.8	下载链接	配置文件	-
PP-YOLO_R50vd	剪裁-FPGM	-35%	-	608	-	42.1	下载链接	配置文件	slim配置文件

说明：

• 目前剪裁除RCNN系列模型外，其余模型均已支持。
• SD855预测时延为使用PaddleLite部署，使用arm8架构并使用4线程(4 Threads)推理时延。

量化

COCO上benchmark

模型	压缩策略	输入尺寸	模型体积(MB)	预测时延(V100)	预测时延(SD855)	Box AP	下载	Inference模型下载	模型配置文件	压缩算法配置文件
PP-YOLOv2_R50vd	baseline	640	208.6	19.1ms	--	49.1	下载链接	下载链接	配置文件	-
PP-YOLOv2_R50vd	PACT在线量化	640	--	17.3ms	--	48.1	下载链接	下载链接	配置文件	配置文件
PP-YOLO_R50vd	baseline	608	183.3	17.4ms	--	44.8	下载链接	下载链接	配置文件	-
PP-YOLO_R50vd	PACT在线量化	608	67.3	13.8ms	--	44.3	下载链接	下载链接	配置文件	配置文件
PP-YOLO-MobileNetV3_large	baseline	320	18.5	2.7ms	27.9ms	23.2	下载链接	下载链接	配置文件	-
PP-YOLO-MobileNetV3_large	普通在线量化	320	5.6	--	25.1ms	24.3	下载链接	下载链接	配置文件	配置文件
YOLOv3-MobileNetV1	baseline	608	94.2	8.9ms	332ms	29.4	下载链接	下载链接	配置文件	-
YOLOv3-MobileNetV1	普通在线量化	608	25.4	6.6ms	248ms	30.5	下载链接	下载链接	配置文件	slim配置文件
YOLOv3-MobileNetV3	baseline	608	90.3	9.4ms	367.2ms	31.4	下载链接	下载链接	配置文件	-
YOLOv3-MobileNetV3	PACT在线量化	608	24.4	8.0ms	280.0ms	31.1	下载链接	下载链接	配置文件	slim配置文件
YOLOv3-DarkNet53	baseline	608	238.2	16.0ms	--	39.0	下载链接	下载链接	配置文件	-
YOLOv3-DarkNet53	普通在线量化	608	78.8	12.4ms	--	38.8	下载链接	下载链接	配置文件	slim配置文件
SSD-MobileNet_v1	baseline	300	22.5	4.4ms	26.6ms	73.8	下载链接	下载链接	配置文件	-
SSD-MobileNet_v1	普通在线量化	300	7.1	--	21.5ms	72.9	下载链接	下载链接	配置文件	slim配置文件
Mask-ResNet50-FPN	baseline	(800, 1333)	174.1	359.5ms	--	39.2/35.6	下载链接	下载链接	配置文件	-
Mask-ResNet50-FPN	普通在线量化	(800, 1333)	--	--	--	39.7(+0.5)/35.9(+0.3)	下载链接	下载链接	配置文件	slim配置文件

说明：

• 上述V100预测时延非量化模型均是使用TensorRT-FP32测试，量化模型均使用TensorRT-INT8测试，并且都包含NMS耗时。
• SD855预测时延为使用PaddleLite部署，使用arm8架构并使用4线程(4 Threads)推理时延。

离线量化

需要准备val集，用来对离线量化模型进行校准，运行方式：

python tools/post_quant.py -c configs/{MODEL.yml} --slim_config configs/slim/post_quant/{SLIM_CONFIG.yml}

例如：

python3.7 tools/post_quant.py -c configs/ppyolo/ppyolo_mbv3_large_coco.yml --slim_config=configs/slim/post_quant/ppyolo_mbv3_large_ptq.yml

蒸馏

COCO上benchmark

模型	压缩策略	输入尺寸	Box AP	下载	模型配置文件	压缩算法配置文件
YOLOv3-MobileNetV1	baseline	608	29.4	下载链接	配置文件	-
YOLOv3-MobileNetV1	蒸馏	608	31.0(+1.6)	下载链接	配置文件	slim配置文件

• 具体蒸馏方法请参考蒸馏策略文档

蒸馏剪裁联合策略

COCO上benchmark

模型	压缩策略	输入尺寸	GFLOPs	模型体积(MB)	预测时延(SD855)	Box AP	下载	模型配置文件	压缩算法配置文件
YOLOv3-MobileNetV1	baseline	608	24.65	94.2	332.0ms	29.4	下载链接	配置文件	-
YOLOv3-MobileNetV1	蒸馏+剪裁	608	7.54(-69.4%)	30.9(-67.2%)	166.1ms	28.4(-1.0)	下载链接	配置文件	slim配置文件