基于YOLOv5n/s/m不同参数量级模型开发构建茶叶嫩芽检测识别模型，使用pruning剪枝技术来对模型进行轻量化处理，探索不同剪枝水平下模型性能影响【续】

news2025/1/4 18:34:57

这里主要是前一篇博文的后续内容，简单回顾一下：本文选取了n/s/m三款不同量级的模型来依次构建训练模型，所有的参数保持同样的设置，之后探索在不同剪枝处理操作下的性能影响。

在上一篇博文中保持30的剪枝程度得到的效果还是比较理想的。这里进行的是分别进行60和90两种不同程度的剪枝，之后对其进行微调训练开发，对比分析模型性能。

先看60的结果：

【yolov5n_pruning】

 【yolov5s_pruning】

【yolov5m_pruning】

 三款参数量级的模型对比评估结果详情如下所示：

【yolov5n_pruning】
Validating runs/train/yolov5n_pruning_0.60/weights/best.pt...
Fusing layers... 
YOLOv5n summary: 157 layers, 932592 parameters, 0 gradients, 2.1 GFLOPs
                 Class     Images  Instances          P          R      mAP50   mAP50-95: 100%|██████████| 5/5 [00:01<00:00,  2.79it/s]                      
                   all         40        100      0.627       0.42      0.482      0.153
Results saved to runs/train/yolov5n_pruning_0.60

【yolov5s_pruning】
Validating runs/train/yolov5s_pruning_0.60/weights/best.pt...
Fusing layers... 
YOLOv5s summary: 166 layers, 4637807 parameters, 0 gradients
                 Class     Images  Instances          P          R      mAP50   mAP50-95: 100%|??????????| 5/5 [00:01<00:00,  2.51it/s]                      
                   all         40        100      0.488        0.5      0.481      0.183
Results saved to runs/train/yolov5s_pruning_0.60


【yolov5m_pruning】
Validating runs/train/yolov5m_pruning_0.60/weights/best.pt...
Fusing layers... 
YOLOv5m summary: 212 layers, 11711883 parameters, 0 gradients, 25.4 GFLOPs
                 Class     Images  Instances          P          R      mAP50   mAP50-95: 100%|██████████| 5/5 [00:01<00:00,  2.77it/s]                      
                   all         40        100      0.633      0.708      0.672      0.256
Results saved to runs/train/yolov5m_pruning_0.60

综合对比不难发现：在60%的剪枝程度处理下，各款模型都发现了明显的精度下降的问题。为了直观对比分析，我对其进行了可视化，如下所示：

【Precision曲线】
精确率曲线（Precision-Recall Curve）是一种用于评估二分类模型在不同阈值下的精确率性能的可视化工具。它通过绘制不同阈值下的精确率和召回率之间的关系图来帮助我们了解模型在不同阈值下的表现。
精确率（Precision）是指被正确预测为正例的样本数占所有预测为正例的样本数的比例。召回率（Recall）是指被正确预测为正例的样本数占所有实际为正例的样本数的比例。
绘制精确率曲线的步骤如下：
使用不同的阈值将预测概率转换为二进制类别标签。通常，当预测概率大于阈值时，样本被分类为正例，否则分类为负例。
对于每个阈值，计算相应的精确率和召回率。
将每个阈值下的精确率和召回率绘制在同一个图表上，形成精确率曲线。
根据精确率曲线的形状和变化趋势，可以选择适当的阈值以达到所需的性能要求。
通过观察精确率曲线，我们可以根据需求确定最佳的阈值，以平衡精确率和召回率。较高的精确率意味着较少的误报，而较高的召回率则表示较少的漏报。根据具体的业务需求和成本权衡，可以在曲线上选择合适的操作点或阈值。
精确率曲线通常与召回率曲线（Recall Curve）一起使用，以提供更全面的分类器性能分析，并帮助评估和比较不同模型的性能。


【Recall曲线】
召回率曲线（Recall Curve）是一种用于评估二分类模型在不同阈值下的召回率性能的可视化工具。它通过绘制不同阈值下的召回率和对应的精确率之间的关系图来帮助我们了解模型在不同阈值下的表现。
召回率（Recall）是指被正确预测为正例的样本数占所有实际为正例的样本数的比例。召回率也被称为灵敏度（Sensitivity）或真正例率（True Positive Rate）。
绘制召回率曲线的步骤如下：
使用不同的阈值将预测概率转换为二进制类别标签。通常，当预测概率大于阈值时，样本被分类为正例，否则分类为负例。
对于每个阈值，计算相应的召回率和对应的精确率。
将每个阈值下的召回率和精确率绘制在同一个图表上，形成召回率曲线。
根据召回率曲线的形状和变化趋势，可以选择适当的阈值以达到所需的性能要求。
通过观察召回率曲线，我们可以根据需求确定最佳的阈值，以平衡召回率和精确率。较高的召回率表示较少的漏报，而较高的精确率意味着较少的误报。根据具体的业务需求和成本权衡，可以在曲线上选择合适的操作点或阈值。
召回率曲线通常与精确率曲线（Precision Curve）一起使用，以提供更全面的分类器性能分析，并帮助评估和比较不同模型的性能。


【F1值曲线】
F1值曲线是一种用于评估二分类模型在不同阈值下的性能的可视化工具。它通过绘制不同阈值下的精确率（Precision）、召回率（Recall）和F1分数的关系图来帮助我们理解模型的整体性能。
F1分数是精确率和召回率的调和平均值，它综合考虑了两者的性能指标。F1值曲线可以帮助我们确定在不同精确率和召回率之间找到一个平衡点，以选择最佳的阈值。
绘制F1值曲线的步骤如下：
使用不同的阈值将预测概率转换为二进制类别标签。通常，当预测概率大于阈值时，样本被分类为正例，否则分类为负例。
对于每个阈值，计算相应的精确率、召回率和F1分数。
将每个阈值下的精确率、召回率和F1分数绘制在同一个图表上，形成F1值曲线。
根据F1值曲线的形状和变化趋势，可以选择适当的阈值以达到所需的性能要求。
F1值曲线通常与接收者操作特征曲线（ROC曲线）一起使用，以帮助评估和比较不同模型的性能。它们提供了更全面的分类器性能分析，可以根据具体应用场景来选择合适的模型和阈值设置。

 【loss曲线】

 接下来是剪枝度为90的最后一组实验。

【yolov5n_pruning】

 【yolov5s_pruning】

 【yolov5m_pruning】

 三款不同参数量级在剪枝度90的情况下，模型评估结果对比如下所示：

【yolov5n_pruning】
Validating runs/train/yolov5n_pruning_0.90/weights/best.pt...
Fusing layers... 
YOLOv5n summary: 157 layers, 710530 parameters, 0 gradients, 1.4 GFLOPs
                 Class     Images  Instances          P          R      mAP50   mAP50-95: 100%|██████████| 5/5 [00:01<00:00,  3.53it/s]                      
                   all         40        100      0.267       0.23      0.189     0.0464
Results saved to runs/train/yolov5n_pruning_0.90


【yolov5s_pruning】
Validating runs/train/yolov5s_pruning_0.90/weights/best.pt...
Fusing layers... 
YOLOv5s summary: 166 layers, 3920903 parameters, 0 gradients
                 Class     Images  Instances          P          R      mAP50   mAP50-95: 100%|??????????| 5/5 [00:01<00:00,  3.59it/s]                      
                   all         40        100      0.204       0.27      0.175     0.0635
Results saved to runs/train/yolov5s_pruning_0.90


【yolov5m_pruning】
Validating runs/train/yolov5m_pruning_0.90/weights/best.pt...
Fusing layers... 
YOLOv5m summary: 212 layers, 8908815 parameters, 0 gradients, 17.7 GFLOPs
                 Class     Images  Instances          P          R      mAP50   mAP50-95: 100%|??????????| 5/5 [00:01<00:00,  3.21it/s]                      
                   all         40        100      0.213       0.35      0.221      0.078
Results saved to runs/train/yolov5m_pruning_0.90

同样为了直观对比分析，我对其也进行了对比可视化展示，如下所示：

【F1值】

【loss曲线】

 【Precision】

 【Recall】

 90的话结果已经变差了很多了。

接下来我整体对比一下30/60/90这三组剪枝实验结果，如下所示：

【F1值】

 【loss】

 【Precision】

 【Recall】

 从对比可视化曲线上面不难看出：剪枝三组实验效果依次递降。

精度和速度本身就是一堆需要平衡的指标，在算力条件允许的情况下尽量保持较低程度的剪枝水平会带来不错的精度体验。

最后我们来直观体验感受下不同剪枝水平下模型体量的差异：

 后面有时间再继续实验分析吧。

本文来自互联网用户投稿，该文观点仅代表作者本人，不代表本站立场。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如若转载，请注明出处：http://www.coloradmin.cn/o/891792.html

如若内容造成侵权/违法违规/事实不符，请联系多彩编程网进行投诉反馈，一经查实，立即删除！

相关文章

【解决方法】浏览器连不上网了？扛狼扛狼扛，进来看~

【解决方法】浏览器连不上网了？扛狼扛狼扛，进来看~

哈喽&#xff0c;木易巷上线啦&#xff01; 今天一大早来到单位&#xff0c;打开笔记本电脑&#xff0c;发现浏览器连不上网&#xff0c;尝试了好多次都是这样的界面。 木易巷点击了下方的【运行Windows网络诊断】 哦豁&#xff0c;显示【远程计算机或设备将不接受连接】 小伙…
阅读更多...
第四章，登录注册

第四章，登录注册

目录 4.1 添加注册页面 4.2 注册表单验证 4.3提交注册信息 4.4 完善注册功能 4.5 完善登录功能 4.6 推出用户登录 4.7 用户登录界面 4.8 小结 4.1 添加注册页面 <template><div class="navbar-right"><div class="nav navbar-nav github…
阅读更多...
多维时序 | MATLAB实现PSO-CNN-BiGRU多变量时间序列预测

多维时序 | MATLAB实现PSO-CNN-BiGRU多变量时间序列预测

多维时序 | MATLAB实现PSO-CNN-BiGRU多变量时间序列预测 目录 多维时序 | MATLAB实现PSO-CNN-BiGRU多变量时间序列预测预测效果基本介绍模型描述程序设计参考资料 预测效果 基本介绍 1.多维时序 | MATLAB实现PSO-CNN-BiGRU多变量时间序列预测&#xff1b; 2.运行环境为Matlab20…
阅读更多...
kafka 入门到起飞 - 举个栗子一步一步说HW、LEO如何写入

kafka 入门到起飞 - 举个栗子一步一步说HW、LEO如何写入

举个简单栗子&#xff0c;如上图 replication.factory 2 副本因子是2一个Leader副本&#xff0c;一个Follower副本初始情况Leader和Follower 副本都是空我们逐步看当producer写入消息时&#xff0c;broker端的副本会做什么&#xff0c;副本的HW和LEO是如何被更新的 步骤一&a…
阅读更多...
网上考试系统将会成为提升教育质量的利器

网上考试系统将会成为提升教育质量的利器

随着信息技术的飞速发展&#xff0c;网上考试系统成为了现代教育的一项重要工具。这种基于网络的考试方式不仅为学校和机构提供了高效管理和评估学生的能力&#xff0c;同时也带来了许多便利和创新。 网上考试系统为学校和机构提供了更高效的管理方式。传统的纸笔考试需要大量…
阅读更多...
计算机中丢失MSVCR120.dll，找不到MSVCR120.dll是什么意思？

计算机中丢失MSVCR120.dll，找不到MSVCR120.dll是什么意思？

当计算机中缺少MSVCR120.dll文件时&#xff0c;意味着缺少了Microsoft Visual C Redistributable文件的一个组件。MSVCR120.dll是Visual C Redistributable 2013的动态链接库文件&#xff0c;它是应用程序依赖的重要文件之一。缺少MSVCR120.dll文件可能会导致一些应用程序无法正…
阅读更多...
极客时间-《左耳听风》

极客时间-《左耳听风》

技术基础 02 程序员如何用技术变现&#xff08;下&#xff09; 在学习技术的过程一定要多问自己两个问题&#xff1a;“一&#xff0c;这个技术解决什么问题&#xff1f;为什么别的同类技术做不到&#xff1f;二&#xff0c;为什么是这样解决的&#xff1f;有没有更好的方式&…
阅读更多...
【报错】git push --set-upstream origin XXXX重名

【报错】git push --set-upstream origin XXXX重名

您在尝试将分支推送到远程仓库时遇到了错误。错误信息表明&#xff0c;由于已经存在名为 refs/heads/xingfan/demo 的文件夹&#xff0c;Git 无法创建分支 refs/heads/xingfan。 要解决此问题&#xff0c;您可以尝试重命名本地分支&#xff0c;然后将其推送到远程仓库。以下是…
阅读更多...
冠达管理：被举牌的股票好不好？

冠达管理：被举牌的股票好不好？

所谓“举牌”&#xff0c;就是指通过买入目标公司5%以上的股份并自动公告&#xff0c;向商场宣示自己对公司股权的控制权和出资意向。那么&#xff0c;对于这些被举牌的公司&#xff0c;其股票好不好呢&#xff1f; 1. 举牌背面的原因 首先&#xff0c;咱们需求关注举牌背面的…
阅读更多...
图数据库_Neo4j和SpringBoot整合使用_创建节点_删除节点_创建关系_使用CQL操作图谱---Neo4j图数据库工作笔记0009

图数据库_Neo4j和SpringBoot整合使用_创建节点_删除节点_创建关系_使用CQL操作图谱---Neo4j图数据库工作笔记0009

首先需要引入依赖 springboot提供了一个spring data neo4j来操作 neo4j 可以看到它的架构 这个是下载下来的jar包来看看 有很多cypher对吧 可以看到就是通过封装的驱动来操作graph database 然后开始弄一下 首先添加依赖
阅读更多...
RunnerGo链接数据库功能详解

RunnerGo链接数据库功能详解

我们在做性能测试或者场景测试时往往需要从数据库中获取一些真实的系统数据让我们配置的场景更加贴合实际。而RunnerGo也是在最近的大版本更新中推出连接数据库功能&#xff0c;本篇文章也给大家讲解一下具体的操作方法和实际应用场景。 配置数据库 首先进入RunnerGo页面&…
阅读更多...
​怎么将物理机硬盘克隆到虚拟机？

​怎么将物理机硬盘克隆到虚拟机？

​用户案例&#xff1a;克隆后的硬盘是否能用于虚拟机&#xff1f; “我有一台安装了Windows10的计算机&#xff0c;现在正在尝试克隆电脑上的硬盘。然后我想把这个硬盘放在自己的虚拟机中使用&#xff0c;这样我就可以从克隆的硬盘中启动相同的Windows10系统。” …
阅读更多...
做好以下几点，可以让我们延长周末体验感，好好放松！！！

做好以下几点，可以让我们延长周末体验感，好好放松！！！

工作以后常常容易感到疲于奔命&#xff0c;让我们找到适合自己方式&#xff0c;来让我们度过一个充实放松的周末! 方向一&#xff1a;分享你周末的时间规划 我们可以把每个月当做一个周期&#xff0c;制定一个简单的计划&#xff0c;如&#xff1a;第一周&#xff0c;锻炼身体…
阅读更多...
手写代码-前端面试

手写代码-前端面试

GitHub&#xff1a;手写代码集合
阅读更多...
windows任务计划程序运行bat文件，报错脚本错误：系统找不到指定的文件

windows任务计划程序运行bat文件，报错脚本错误：系统找不到指定的文件

先看错误&#xff1a; 我用windows任务计划程序运行调用python的程序&#xff0c;就写了一个bat&#xff0c;我想让他不显示命令框&#xff0c;所以我就加了上面可以隐藏命令框的&#xff0c;然后我用任务调用的时候就报错了 echo offif "%1" "h" goto b…
阅读更多...
jenkins使用

jenkins使用

安装插件 maven publish over ssh publish over ssh 会将打包后的jar包&#xff0c;通过ssh推送到指定的服务器上&#xff0c;&#xff0c;在jenkins中设置&#xff0c;推送后脚本&#xff0c;实现自动部署jar包&#xff0c;&#xff0c; 装了这个插件之后&#xff0c;可以在项…
阅读更多...
一些封装电商API接口的常见步骤

一些封装电商API接口的常见步骤

电商API接口的封装是指将电商平台的功能和数据通过API接口的形式提供给开发者来调用。下面是一些封装电商API接口的常见步骤&#xff1a; 1. 确定需求&#xff1a;首先需要明确要封装的电商API接口的功能和数据&#xff0c;包括用户登录、商品搜索、订单管理等。Taobao。拼多多…
阅读更多...
高并发内存池(threadcache)[1]

高并发内存池(threadcache)[1]

高并发内存池 分层处理 thread cache 定义一个公共的FreeList管理切分的小空间 static void*& NextObj(void* obj) {return *(void**)obj; }//管理切分好的小对象的自由链表 class FreeList { public:void Push(void* obj){assert(obj);//头插//*(void**)obj _freeLis…
阅读更多...
RabbitMq-3入门案例

RabbitMq-3入门案例

rabbitmq入门 1.生产者&#xff08;服务提供方&#xff09; //依赖<dependencies> <!-- rabbitmq客户端依赖--><dependency><groupId>com.rabbitmq</groupId><artifactId>amqp-client</artifactId><version>5.8.0<…
阅读更多...
骨传导耳机会伤耳膜吗?骨传导耳机有什么优缺点一文教你读懂

骨传导耳机会伤耳膜吗?骨传导耳机有什么优缺点一文教你读懂

骨传导耳机会伤耳膜吗? 答案是不会&#xff01;因为骨传导耳机传声完全不会经过耳膜&#xff0c;说到这里就不得不讲一下骨传导的发声原理了&#xff0c;正常情况下&#xff0c;声音传声主要分为空气传导、固体传导和液体传导&#xff0c;物理大家都学过这里就不多赘述了。 我…
阅读更多...
推荐文章
最新文章

Copyright @ 2022~2023