README.md

PaddleSeg剪裁教程

在阅读本教程前，请确保您已经了解过PaddleSeg使用说明等章节，以便对PaddleSeg有一定的了解

该文档介绍如何使用PaddleSlim的卷积通道剪裁接口对检测库中的模型的卷积层的通道数进行剪裁。

在分割库中，可以直接调用PaddleSeg/slim/prune/train_prune.py脚本实现剪裁，在该脚本中调用了PaddleSlim的paddleslim.prune.Pruner接口。

该教程中所示操作，如无特殊说明，均在PaddleSeg/路径下执行。

1. 数据与预训练模型准备

执行如下命令，下载cityscapes数据集

python dataset/download_cityscapes.py

参照预训练模型列表获取所需预训练模型

2. 确定待分析参数

我们通过剪裁卷积层参数达到缩减卷积层通道数的目的，在剪裁之前，我们需要确定待裁卷积层的参数的名称。 通过以下命令查看当前模型的所有参数：

# 查看模型所有Paramters
for x in train_prog.list_vars():
    if isinstance(x, fluid.framework.Parameter):
        print(x.name, x.shape)
            

通过观察参数名称和参数的形状，筛选出所有卷积层参数，并确定要裁剪的卷积层参数。

3. 启动剪裁任务

使用train_prune.py启动裁剪任务时，通过SLIM.PRUNE_PARAMS选项指定待裁剪的参数名称列表，参数名之间用逗号分隔，通过SLIM.PRUNE_RATIOS选项指定各个参数被裁掉的比例。

CUDA_VISIBLE_DEVICES=0 
python -u ./slim/prune/train_prune.py --log_steps 10 --cfg configs/cityscape_fast_scnn.yaml --use_gpu --use_mpio \
SLIM.PRUNE_PARAMS 'learning_to_downsample/weights,learning_to_downsample/dsconv1/pointwise/weights,learning_to_downsample/dsconv2/pointwise/weights' \
SLIM.PRUNE_RATIOS '[0.1,0.1,0.1]'

这里我们选取三个参数，按0.1的比例剪裁。

4. 评估

CUDA_VISIBLE_DEVICES=0 
python -u ./slim/prune/eval_prune.py --cfg configs/cityscape_fast_scnn.yaml --use_gpu \
TEST.TEST_MODEL your_trained_model \

5. 模型

模型	数据集合	下载地址	剪裁方法	flops	mIoU on val
Fast-SCNN/bn	Cityscapes	fast_scnn_cityscapes.tar	无	7.21g	0.6964
Fast-SCNN/bn	Cityscapes	fast_scnn_cityscapes-uniform-51.tar	uniform	3.54g	0.6990