PaddleX/static/tutorials/slim/prune/object_detection

目标检测模型裁剪训练

第一步 正常训练目标检测模型

python yolov3_train.py

在此步骤中，训练的模型会保存在output/yolov3_mobilenetv1目录下

第二步 分析模型参数信息

python param_analysis.py

参数分析完后，会得到yolov3.sensi.data文件，此文件保存了各参数的敏感度信息。

我们可以继续加载模型和敏感度文件，进行可视化，如下命令所示

> python slim_visualize.py
> ```
> 可视化结果出下图
纵轴为`eval_metric_loss`(接下来第三步需要配置的参数)，横轴为模型被裁剪的比例，从图中可以看到，  
- 当`eval_metric_loss`设0.05时，模型被裁掉63.1%（剩余36.9%）  
- 当`eval_metric_loss`设0.1时，模型被裁掉68.6%（剩余31.4%）

![](./sensitivities.png)

## 第三步 模型进行裁剪训练

python yolov3_prune_train.py `` 此步骤的代码与第一步的代码基本一致，唯一的区别是在最后的train函数中，yolov3_prune_train.py修改了里面的pretrain_weights、save_dir、sensitivities_file和eval_metric_loss`四个参数

• pretrain_weights: 在裁剪训练中，设置为之前训练好的模型
• save_dir: 模型训练过程中，模型的保存位置
• sensitivities_file: 在第二步中分析得到的参数敏感度信息文件
• eval_metric_loss: 第二步中可视化的相关参数，通过此参数可相应的改变最终模型被裁剪的比例

裁剪效果

在本示例数据上，裁剪效果对比如下，其中预测采用CPU，关闭MKLDNN进行预测，预测时间不包含数据的预处理和结果的后处理。
可以看到在模型被裁剪掉63%后，模型精度还有上升，单张图片的预测用时减少了30%。

模型	参数文件大小	预测速度	MAP
YOLOv3-MobileNetV1	93M	1.045s	0.635
YOLOv3-MobileNetV1(裁掉63%)	35M	0.735s	0.735