YOLOv3模型剪枝，瘦身80%，提速100%，精度基本不变

如果要在实际应用中部署目标检测，你会想到哪项算法？

在52CV目标检测交流群里，被提及最多的，恐怕就是YOLOv3了。

虽然新出的一些算法号称“完胜”“吊打”某某某算法，但YOLOv3 仍是被推荐最多的。

首先它有着目前为止还不错的精度表现，而且计算速度较快，适合在移动端、边缘设备部署。

另一个重要原因是，YOLOv3是被很多人使用验证过的模型，被某个数据库验证过的某算法精度好很重要，但被社区大量验证过效果OK的算法更重要。

今天向大家推荐一个Github新工程，对YOLOv3进行模型剪枝：

https://github.com/Lam1360/YOLOv3-model-pruning

这份代码是基于Python 3.6, PyTorch 实现的。

作者用 YOLOv3 做人手检测（在 oxford hand 数据集上训练的），并进行了模型剪枝，剪枝后YOLOv3 模型的参数量减少 80% ，FLOPs 降低 70%，推断的速度提高了100%，而 mAP 基本保持不变！

可谓是相当成功了！

剪枝前后的对比

1. 部分卷积层的通道数大幅度减少

剪枝前后指标对比:

精度还略微上升了！

作者使用的剪枝算法来自：

Learning Efficient Convolutional Networks Through Network Slimming (ICCV 2017)

https://arxiv.org/abs/1708.06519

剪枝步骤也非常简单：

作者称，后续还会在其他数据集上做实验。

看来剪枝在实际应用部署时还真的很重要呢！