Skip to content

Latest commit

 

History

History
executable file
·
182 lines (138 loc) · 20.4 KB

README.md

File metadata and controls

executable file
·
182 lines (138 loc) · 20.4 KB
Raw

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：

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
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

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-YOLOE-l baseline 640 - 11.2ms(trt_fp32) | 7.7ms(trt_fp16) -- 50.9 下载链接 - 配置文件 -
PP-YOLOE-l 普通在线量化 640 - 6.7ms(trt_int8) -- 48.8 下载链接 - 配置文件 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。
  • 上述PP-YOLOE模型均在V100，开启TensorRT环境中测速，不包含NMS。（导出模型时指定：-o trt=True exclude_nms=True）

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

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
YOLOv3-MobileNetV1 剪裁+量化 608 - - - - - 配置文件 slim配置文件