Ecosyste.ms: Awesome
An open API service indexing awesome lists of open source software.
https://github.com/Sharpiless/Yolov5-distillation-train-inference
Yolov5 distillation training | Yolov5知识蒸馏训练，支持训练自己的数据
https://github.com/Sharpiless/Yolov5-distillation-train-inference
distillation konwledge-distillation model-compression object-detection yolov5
Last synced: 3 months ago
JSON representation
Yolov5 distillation training | Yolov5知识蒸馏训练，支持训练自己的数据
- Host: GitHub
- URL: https://github.com/Sharpiless/Yolov5-distillation-train-inference
- Owner: Sharpiless
- License: gpl-3.0
- Created: 2021-05-07T03:28:26.000Z (almost 4 years ago)
- Default Branch: main
- Last Pushed: 2022-10-29T09:13:04.000Z (over 2 years ago)
- Last Synced: 2024-08-02T01:19:27.956Z (7 months ago)
- Topics: distillation, konwledge-distillation, model-compression, object-detection, yolov5
- Language: Python
- Homepage:
- Size: 2.36 MB
- Stars: 200
- Watchers: 2
- Forks: 32
- Open Issues: 9
-
Metadata Files:
- Readme: README.md
- License: LICENSE
Awesome Lists containing this project
- awesome-yolo-object-detection - Sharpiless/Yolov5-distillation-train-inference - distillation-train-inference?style=social"/> : Yolov5 distillation training | Yolov5知识蒸馏训练，支持训练自己的数据。 (Lighter and Deployment Frameworks)
- awesome-yolo-object-detection - Sharpiless/Yolov5-distillation-train-inference - distillation-train-inference?style=social"/> : Yolov5 distillation training | Yolov5知识蒸馏训练，支持训练自己的数据。 (Lighter and Deployment Frameworks)
README
# 代码地址：
https://github.com/Sharpiless/Yolov5-distillation-train-inference
# 最新版本：
请移步：https://github.com/Sharpiless/yolov5-distillation-5.0
# 教师模型权重：
链接：[https://pan.baidu.com/s/13gq5QwCrRNdRXWzSYUeJIw ](https://pan.baidu.com/s/13gq5QwCrRNdRXWzSYUeJIw )
提取码：4ppv
# 蒸馏训练：
```bash
python train_distill.py --weights yolov5s.pt \
--teacher weights/yolov5l_voc.pt --distill_ratio 0.001 \
--teacher-cfg model/yolov5l.yaml --data data/voc.yaml \
--epochs 30 --batch-size 16
```
# 训练参数:
> --weights：预训练模型
> --teacher：教师模型权重
> --distill-ratio：蒸馏损失权重
> --with-gt-loss：是否同时使用ground truth
> --soft-loss：是否使用KL散度作为蒸馏的类别损失（缺省使用L2-logits损失）
> --full-output-loss：是否使用[《Object detection at 200 Frames Per Second》](https://arxiv.org/pdf/1805.06361.pdf)中的损失
这篇文章分别对这几个损失函数做出改进，具体思路为只有当teacher network的objectness value高时，才学习bounding box坐标和class probabilities。
# 准备数据集：
默认会启用 data/voc.yaml 自动下载VOC数据集进行训练
或者手动运行 data/scripts/get_voc2007.sh 下载
如需修改成自己的数据集，则只需要修改yaml路径即可
# 实验结果：
数据集：
VOC2007（补充的无标签数据使用VOC2012）
GPU：2080Ti*1
Batch Size：16
Epoches：30
Baseline：Yolov5s
Teacher model：Yolov5l（mAP 0.5:0.95 = 0.541）
这里假设VOC2012中新增加的数据为无标签数据（2k张）。
|教师模型|训练方法|蒸馏损失|P|R|mAP50|
|:----|:----|:----|:----|:----|:----|
|无|正常训练|不使用|0.7756|0.7115|0.7609|
|Yolov5l|output based|l2|0.7585|0.7198|0.7644|
|Yolov5l|output based|KL|0.7417|0.7207|0.7536|
|Yolov5m|output based|l2|0.7682|0.7436|0.7976|
|Yolov5m|output based|KL|0.7731|0.7313|0.7931|
参数和细节正在完善，支持KL散度、L2 logits损失和Sigmoid蒸馏损失等
# 待做事项：
- [√] 修改logist输出作为蒸馏损失输入
- [√] 完善代码结构和相关参数设定
- [×] 查找为何蒸馏损失不起作用（或者收敛慢）的原因
- [×] 完善相关实验并测试精度
- [√] 修改dataloader加快训练速度
- [√] 修改teacher model的批量推理加快训练速度
# 可能存在的问题：
- 1.训练轮数太少没收敛，可能蒸馏训练收敛满最终结果高
- 2.教师模型是Yolov5l在VOC训练30轮得到的（mAP 0.5:0.95 = 0.541），质量比标注较差影响蒸馏训练的结果
- 3.可调整的参数还有很多（教师模型的检测、IOU阈值，蒸馏损失种类，蒸馏损失比率等）
# 我的公众号：
