|
所在平台: Udemy |
课程主页: https://www.udemy.com/course/yolov5-pruning/
课程评论：没有评论
**课程名称：YOLOv5目标检测之网络剪枝实战** **课程概述：** 本课程以PyTorch版的YOLOv5目标检测器为基础，聚焦于使用Network Slimming（网络瘦身）方法进行网络剪枝，旨在显著提升YOLOv5模型的轻量化水平。Network Slimming是一种经典且高效的模型压缩技术，通过结构化剪枝实现通道级别的优化。其核心思想是识别并移除Batch Normalization（BN）层中缩放因子值较小的对应通道，从而达到精简网络的目的。 课程内容涵盖了三个主要部分： 1. **原理篇：** * 网络剪枝的基础知识介绍。 * 深入解析Network Slimming剪枝方法的原理。 2. **实战篇：** * PyTorch开发环境的安装与配置。 * YOLOv5项目的安装与部署。 * 个人数据集的准备与组织。 * YOLOv5配置文件修改详解。 * 使用个人数据集进行标准的模型训练。 * 引入稀疏正则化进行训练。 * 执行Network Slimming网络剪枝操作。 * 对剪枝后的网络模型进行微调（fine-tuning）。 3. **代码讲解篇：** * 详细说明在YOLOv5 v6.1版本代码中为实现Network Slimming剪枝所做的修改。 * 针对剪枝相关的具体代码进行逐一讲解。 课程将以Windows和Ubuntu系统为平台，演示如何在自有数据集上完成模型训练和网络剪枝的全过程，确保学员能够掌握从理论到实践的完整技能链。
PyTorch版的YOLOv5是一个非常流行的基于深度学习的目标检测器。本课程使用Network Slimming剪枝方法对YOLOv5进行网络剪枝，使其更加轻量。Network Slimming是一种经典的实用模型压缩方法，可实现高效的通道级别的结构化剪枝。该方法通过利用BN（Batch Normalization）层中缩放因子较小的值来剪裁的相应通道，达到精简网络的目的。步骤包括：增加稀疏正则化的训练、网络模型剪枝、剪枝后的网络模型微调。本课程在YOLOv5 v6.1版本代码的基础上增加Network Slimming剪枝方法，在Windows和Ubuntu系统上演示针对自己的数据集训练和进行网络剪枝过程，并讲解原代码针对剪枝的修改部分。本课程分为原理篇、实战篇、代码讲解篇。原理篇包括：网络剪枝的基础知识、Network Slimming剪枝原理。实战篇包括：PyTorch环境安装、YOLOv5项目安装、准备自己的数据集、修改配置文件、正常训练自己的数据集、稀疏化训练、网络模型剪枝、剪枝后的网络模型微调。代码讲解篇包括：剪枝代码修改说明和具体修改的代码讲解。
