YOLOv5改进点
-
2022.10.30 复现TPH-YOLOv5
-
2022.10.31 完成替换backbone为Ghostnet
-
2022.11.02 完成替换backbone为Shufflenetv2
-
2022.11.05 完成替换backbone为Mobilenetv3Small
-
2022.11.10 完成EagleEye对YOLOv5系列剪枝支持
-
2022.11.14 完成MQBench对YOLOv5系列量化支持
-
2022.11.16 完成替换backbone为EfficientNetLite-0
-
2022.11.26 完成替换backbone为PP-LCNet-1x
-
2022.12.12 完成SwinTrans-YOLOv5（C3STR）
-
2022.12.15 完成Slimming对YOLOv5系列剪枝支持
Requirements
pip install -r requirements.txt
Multi-Backbone Substitution for YOLOs
1、Base Model
Train on Visdrone DataSet (Input size is 608)
| No. | Model | mAP | mAP@50 | Parameters(M) | GFLOPs |
|---|---|---|---|---|---|
| 1 | YOLOv5n | 13.0 | 26.20 | 1.78 | 4.2 |
| 2 | YOLOv5s | 18.4 | 34.00 | 7.05 | 15.9 |
| 3 | YOLOv5m | 21.6 | 37.80 | 20.91 | 48.2 |
| 4 | YOLOv5l | 23.2 | 39.70 | 46.19 | 108.1 |
| 5 | YOLOv5x | 24.3 | 40.80 | 86.28 | 204.4 |
2、高精度模型
A、TPH-YOLOv5 
Train on Visdrone DataSet (6-7 size is 640，8 size is 1536)
| No. | Model | mAP | mAP@50 | Parameters(M) | GFLOPs |
|---|---|---|---|---|---|
| 6 | YOLOv5xP2 | 30.0 | 49.29 | 90.96 | 314.2 |
| 7 | YOLOv5xP2 CBAM | 30.1 | 49.40 | 91.31 | 315.1 |
| 8 | YOLOv5x-TPH | 40.7 | 63.00 | 112.97 | 270.8 |
用法：
nohup python train.py --data VisDrone.yaml --weights yolov5n.pt --cfg models/yolov5n.yaml --epochs 300 --batch-size 8 --img 608 --device 0,1 --sync-bn >> yolov5n.txt &
组成部分：
P2 Head、CBAM、TPH、BiFPN、SPP
1、TransBlock的数量会根据YOLO规模的不同而改变，标准结构作用于YOLOv5m
2、当YOLOv5x为主体与标准结构的区别是：（1）首先去掉14和19的CBAM模块（2）降低与P2关联的通道数（128）（3）在输出头之前会添加SPP模块，注意SPP的kernel随着P的像素减小而减小（4）在CBAM之后进行输出（5）只保留backbone以及最后一层输出的TransBlock（6）采用BiFPN作为neck
3、更改不同Loss分支的权重：如下图，当训练集的分类与置信度损失还在下降时，验证集的分类与置信度损失开始反弹，说明出现了过拟合，需要降低这两个任务的权重
消融实验如下：
| box | cls | obj | acc |
|---|---|---|---|
| 0.05 | 0.5 | 1.0 | 37.90 |
| 0.05 | 0.3 | 0.7 | 38.00 |
| 0.05 | 0.2 | 0.4 | 37.5 |
B、SwinTrans-YOLOv5
pip install timm
Usage：
python train.py --data VisDrone.yaml --weights yolov5x.pt --cfg models/accModels/yolov5xP2CBAM-Swin-BiFPN-SPP.yaml --hyp data/hyps/hyp.visdrone.yaml --epochs 60 --batch-size 4 --img 1536 --nohalf
（1）Window size由7替换为检测任务常用分辨率的公约数8
（2）create_mask封装为函数，由在init函数执行变为在forward函数执行
（3）若分辨率小于window size或不是其公倍数时，在其右侧和底部Padding
debug：在计算完之后需要反padding回去，否则与cv2支路的img_size无法对齐
（4）forward函数前后对输入输出reshape
（5）验证C3STR时，需要手动关闭默认模型在half精度下验证（–nohalf）
3、Slighter Model
Train on Visdrone DataSet (1 size is 608，2-6 size is 640)
| No | Model | mAP | mAP@50 | Parameters(M) | GFLOPs | TrainCost(h) | Memory Cost(G) | PT File | FPS@CPU |
|---|---|---|---|---|---|---|---|---|---|
| 1 | YOLOv5l | 23.2 | 39.7 | 46.19 | 108.1 | ||||
| 2 | YOLOv5l-GhostNet | 18.4 | 33.8 | 24.27 | 42.4 | 27.44 | 4.97 | PekingUni Cloud | |
| 3 | YOLOv5l-ShuffleNetV2 | 16.48 | 31.1 | 21.27 | 40.5 | 10.98 | 2.41 | PekingUni Cloud | |
| 4 | YOLOv5l-MobileNetv3Small | 16.55 | 31.2 | 20.38 | 38.4 | 10.19 | 5.30 | PekingUni Cloud | |
| 5 | YOLOv5l-EfficientNetLite0 | 19.12 | 35 | 23.01 | 43.9 | 13.94 | 2.04 | PekingUni Cloud | |
| 6 | YOLOv5l-PP-LCNet | 17.63 | 32.8 | 21.64 | 41.7 | 18.52 | 1.66 | PekingUni Cloud |
A、GhostNet-YOLOv5
（1）为保持一致性，下采样的DW的kernel_size均等于3
（2）neck部分与head部分沿用YOLOv5l原结构
（3）中间通道人为设定（expand）
B、ShuffleNetV2-YOLOv5
（1）Focus Layer不利于芯片部署，频繁的slice操作会让缓存占用严重
（2）避免多次使用C3 Leyer以及高通道的C3 Layer（违背G1与G3准则）
（3）中间通道不变
C、MobileNetv3Small-YOLOv5
（1）原文结构，部分使用Hard-Swish激活函数以及SE模块
（2）Neck与head部分嫁接YOLOv5l原结构
（3）中间通道人为设定（expand）
D、EfficientNetLite0-YOLOv5
（1）使用Lite0结构，且不使用SE模块
（2）针对dropout_connect_rate，手动赋值(随着idx_stage变大而变大)
（3）中间通道一律*6（expand）
E、PP-LCNet-YOLOv5
（1）使用PP-LCNet-1x结构，在网络末端使用SE以及5*5卷积核
（2）SeBlock压缩维度为原1/16
（3）中间通道不变
Pruning for YOLOs
| Model | mAP | mAP@50 | Parameters(M) | GFLOPs | FPS@CPU |
|---|---|---|---|---|---|
| YOLOv5s | 18.4 | 34 | 7.05 | 15.9 | |
| YOLOv5n | 13 | 26.2 | 1.78 | 4.2 | |
| YOLOv5s-EagleEye@0.6 | 14.3 | 27.9 | 4.59 | 9.6 |
1、Prune Strategy
（1）基于YOLOv5块状结构设计，对Conv、C3、SPP(F)模块进行剪枝，具体来说有以下：
- Conv模块的输出通道数
- C3模块中cv2块和cv3块的输出通道数
- C3模块中若干个bottleneck中的cv1块的输出通道数
（2）八倍通道剪枝（outchannel = 8*n）
（3）ShortCut、concat皆合并剪枝
2、Prune Tools
（1）EagleEye
EagleEye: Fast Sub-net Evaluation for Efficient Neural Network Pruning
基于搜索的通道剪枝方法，核心思想是随机搜索到大量符合目标约束的子网，然后快速更新校准BN层的均值与方差参数，并在验证集上测试校准后全部子网的精度。精度最高的子网拥有最好的架构，经微调恢复后能达到较高的精度。
Usage
- 正常训练模型
python train.py --data data/VisDrone.yaml --imgsz 640 --weights yolov5s.pt --cfg models/prunModels/yolov5s-pruning.yaml --device 0
（注意训练其他模型，参考/prunModels/yolov5s-pruning.yaml进行修改，目前已支持v6架构）
- 搜索最优子网
python pruneEagleEye.py --weights path_to_trained_yolov5_model --cfg models/prunModels/yolov5s-pruning.yaml --data data/VisDrone.yaml --path path_to_pruned_yolov5_yaml --max_iter maximum number of arch search --remain_ratio the whole FLOPs remain ratio --delta 0.02
- 微调恢复精度
python train.py --data data/VisDrone.yaml --imgsz 640 --weights path_to_Eaglepruned_yolov5_model --cfg path_to_pruned_yolov5_yaml --device 0
（2）Network Slimming
Learning Efficient Convolutional Networks through Network Slimming
Usage
- 模型BatchNorm Layer \gamma 稀疏化训练
python train.py --data data/VisDrone.yaml --imgsz 640 --weights yolov5s.pt --cfg models/prunModels/yolov5s-pruning.yaml --device 0 --sparse
（注意训练其他模型，参考/prunModels/yolov5s-pruning.yaml进行修改，目前已支持v6架构）
- BatchNorm Layer剪枝
python pruneSlim.py --weights path_to_sparsed_yolov5_model --cfg models/prunModels/yolov5s-pruning.yaml --data data/VisDrone.yaml --path path_to_pruned_yolov5_yaml --global_percent 0.6 --device 3
- 微调恢复精度
python train.py --data data/VisDrone.yaml --imgsz 640 --weights path_to_Slimpruned_yolov5_model --cfg path_to_pruned_yolov5_yaml --device 0
Quantize Aware Training for YOLOs
MQBench是实际硬件部署下评估量化算法的框架，进行各种适合于硬件部署的量化训练（QAT）
Requirements
- PyTorch == 1.8.1
Install MQBench Lib
由于MQBench目前还在不断更新，选择0.0.2稳定版本作为本仓库的量化库。
git clone https://github.com/ZLkanyo009/MQBench.git
cd MQBench
python setup.py build
python setup.py install
Usage
训练脚本实例：
python train.py --data VisDrone.yaml --weights yolov5n.pt --cfg models/yolov5n.yaml --epochs 300 --batch-size 8 --img 608 --nosave --device 0,1 --sync-bn --quantize --BackendType NNIE
Deploy
目前已支持TensorRT及NCNN部署，详见deploy
To do
- Multibackbone: MobileNetV3-small
- Multibackbone: ShuffleNetV2
- Multibackbone: GhostNet
- Multibackbone: EfficientNet-Lite0
- Multibackbone: PP-LCNet
- Multibackbone: TPH-YOLOv5
- Module: SwinTrans（C3STR）
- Module: Deformable Convolution
- Pruner: Network Slimming
- Pruner: EagleEye
- Pruner: OneShot (L1, L2, FPGM), ADMM, NetAdapt, Gradual, End2End
- Quantization: MQBench
- Knowledge Distillation
