一種輕量型YOLO v3行人檢測(cè)方法

李巖，孟令軍

(中北大學(xué)， 電子測(cè)試技術(shù)國防科技重點(diǎn)實(shí)驗(yàn)室， 山西， 太原 030051)

0 引言

隨著深度神經(jīng)網(wǎng)絡(luò)目標(biāo)檢測(cè)算法的發(fā)展，神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)越來越復(fù)雜，權(quán)重參數(shù)量大幅度增加。當(dāng)網(wǎng)絡(luò)被部署到移動(dòng)端設(shè)備時(shí)，龐大的模型導(dǎo)致加載時(shí)間長，參數(shù)占用計(jì)算機(jī)資源較多，對(duì)目標(biāo)預(yù)測(cè)推理較慢，達(dá)不到實(shí)時(shí)性的要求。因此對(duì)模型壓縮和加速的研究有重大意義[1]。對(duì)模型的壓縮研究主要分為2個(gè)方向。

(1) 壓縮已有網(wǎng)絡(luò)，如HOWARD A G等[2]在模型構(gòu)建階段選擇緊湊網(wǎng)絡(luò)設(shè)計(jì)。MAO H Z等[3]利用1、2 bit代替來32 bit所表示的權(quán)重位數(shù)，犧牲精度降低模型權(quán)重大小。LIN X F等[4]刪除網(wǎng)絡(luò)不重要的權(quán)值，重新微調(diào)整個(gè)網(wǎng)絡(luò)。

(2) 構(gòu)建新的小網(wǎng)絡(luò)，如HINTON G等[5]利用復(fù)雜的網(wǎng)絡(luò)模型指導(dǎo)簡單網(wǎng)絡(luò)的訓(xùn)練，得到精度較高的簡單模型結(jié)構(gòu)。

本文采用壓縮已有網(wǎng)絡(luò)的方法，將YOLO v3-SPP[6-7]目標(biāo)檢測(cè)算法應(yīng)用于行人圖像的目標(biāo)檢測(cè)任務(wù)中，為了能夠?qū)⒛Ｐ透玫牟渴鸬揭苿?dòng)端設(shè)備，對(duì)網(wǎng)絡(luò)進(jìn)行初始訓(xùn)練，得到預(yù)稀疏模型。將預(yù)稀疏模型進(jìn)行稀疏訓(xùn)練，得到稀疏模型，對(duì)模型冗余的卷積層通道和殘差結(jié)構(gòu)剪枝，減少模型的權(quán)重，降低模型的運(yùn)浮點(diǎn)算次數(shù)，提高模型的推理速度，得到一個(gè)輕量化的行人檢測(cè)模型。

1 算法檢測(cè)原理

如圖1所示，YOLO v3-SPP由卷積層和殘差結(jié)構(gòu)堆疊而成，殘差結(jié)構(gòu)包括卷積層和殘差層[8]。在模型訓(xùn)練階段，將數(shù)據(jù)集中行人圖像送入網(wǎng)絡(luò)，經(jīng)過不同大小卷積核的卷積層和殘差結(jié)構(gòu)，訓(xùn)練網(wǎng)絡(luò)中參數(shù)權(quán)重，輸出3個(gè)不同尺度的特征圖[9]，利用錨框匹配的方法在3個(gè)特征圖對(duì)行人目標(biāo)位置、類別、置信度進(jìn)行預(yù)測(cè)，獲取行人目標(biāo)預(yù)測(cè)框與真實(shí)框的交并比，回歸行人目標(biāo)的位置損失和分類損失，調(diào)整神經(jīng)網(wǎng)絡(luò)中卷積層的權(quán)重，經(jīng)過行人數(shù)據(jù)集的多次迭代，得到一個(gè)精度較高的行人檢測(cè)模型[10]。在行人預(yù)測(cè)階段，將待檢測(cè)行人目標(biāo)送入訓(xùn)練好的網(wǎng)絡(luò)權(quán)重，得到3個(gè)不同尺度的特征圖。通過錨框匹配特征圖，得到行人目標(biāo)的預(yù)測(cè)框，過濾置信度低的預(yù)測(cè)框，將置信度最高預(yù)測(cè)框的位置、精度、類別輸出，得到行人目標(biāo)檢測(cè)的結(jié)果[11]。

2 模型剪枝

2.1 稀疏訓(xùn)練

神經(jīng)網(wǎng)絡(luò)經(jīng)過稀疏性訓(xùn)練，可以為卷積層中每個(gè)通道培訓(xùn)比例因子，描述卷積層通道的重要性。對(duì)YOLO v3-SPP來說，卷積層后的歸一化層可以對(duì)卷積特征進(jìn)行歸一化，提高模型的收斂和泛化能力[12]，公式為

圖1 YOLO v3網(wǎng)絡(luò)結(jié)構(gòu)圖

(1)

(2)

當(dāng)f(γ)=|γ|時(shí)，表示L1正則化，α表示平衡兩個(gè)損失項(xiàng)的懲罰因子。實(shí)驗(yàn)中使用次梯度方法來優(yōu)化非平滑L1的懲罰項(xiàng)。

稀疏訓(xùn)練通過α給模型添加額外的梯度，大的α一般稀疏較快且精度下降較快，小的α一般稀疏較慢且精度下降緩慢。當(dāng)神經(jīng)網(wǎng)絡(luò)設(shè)置較大的學(xué)習(xí)率，模型梯度下降的較快，可以加快稀疏過程。在模型稀疏后期可以通過設(shè)置小的學(xué)習(xí)率，使模型精度上升。稀疏訓(xùn)練就是平衡精度和稀疏度的關(guān)系，通過稀疏訓(xùn)練我們可以得到卷積層中各個(gè)通道的比例因子γ[14]，如圖2所示。

2.2 卷積層通道剪枝

經(jīng)過稀疏訓(xùn)練得到每一個(gè)卷積層通道的γ絕對(duì)值，將γ絕對(duì)值進(jìn)行排序，通過設(shè)置通道剪枝率，得到需要剪枝的通道數(shù)量，剪掉γ絕對(duì)值較低的通道[15]，如圖3所示。

同理，我們將所有殘差結(jié)構(gòu)中3×3卷積層后歸一化層γ的絕對(duì)平均值進(jìn)行排序，設(shè)置剪枝數(shù)量，剪掉γ絕對(duì)平均值較低的殘差結(jié)構(gòu)[16]，如圖4所示。

圖2 稀疏網(wǎng)絡(luò)

圖3 通道剪枝網(wǎng)絡(luò)

圖4 層剪枝網(wǎng)絡(luò)

2.3 算法流程

模型剪枝的算法流程，如圖5所示。初始網(wǎng)絡(luò)經(jīng)過權(quán)重訓(xùn)練得到訓(xùn)練模型，訓(xùn)練模型經(jīng)過稀疏訓(xùn)練得到各個(gè)卷積層及殘差結(jié)構(gòu)γ分布情況，設(shè)置通道剪枝率和需要剪掉殘差結(jié)構(gòu)的個(gè)數(shù)，得到剪枝后的模型，將剪枝模型進(jìn)行微調(diào)訓(xùn)練得到壓縮模型，將不同壓縮率的剪枝模型進(jìn)行對(duì)比分析，得到最優(yōu)剪枝模型[17]。

圖5 模型剪枝算法流程

3 實(shí)驗(yàn)及結(jié)果分析

3.1 實(shí)驗(yàn)環(huán)境

為了驗(yàn)證剪枝后的模型在行人數(shù)據(jù)集的預(yù)測(cè)效果，全部實(shí)驗(yàn)在顯卡為GTX1080Ti的平臺(tái)上進(jìn)行，該平臺(tái)搭有PyTorch深度學(xué)習(xí)框架、CUDA加速庫(GPU)。

3.2 模型訓(xùn)練

實(shí)驗(yàn)中輸入圖像尺寸為608×608，采用SGD優(yōu)化器調(diào)節(jié)學(xué)習(xí)率?；A(chǔ)和稀疏訓(xùn)練的情況如圖6所示，基礎(chǔ)訓(xùn)練由于加載了初始權(quán)重，模型收斂較快，在中段已經(jīng)出現(xiàn)過擬合現(xiàn)象，經(jīng)過100Epochs迭代，最終得到基礎(chǔ)模型的AP為0.891；稀疏訓(xùn)練加載基礎(chǔ)訓(xùn)練模型權(quán)重，每次反向傳播前，始終以恒定α0.001將L1正則化產(chǎn)生的梯度添加到歸一化層的梯度中，并在epoch為210、290時(shí)降低學(xué)習(xí)率，設(shè)置γ為0.1?？梢钥吹皆谀Ｐ拖∈璧倪^程中，精度曲線波動(dòng)較大，在學(xué)習(xí)率降低后，梯度下降減緩，模型精度得到了提高，最終經(jīng)過稀疏訓(xùn)練的模型AP為0.866。

圖6 基礎(chǔ)和稀疏訓(xùn)練AP變化曲線

利用TensorBoard可視化工具，我們可以查看歸一化層在基礎(chǔ)和稀疏訓(xùn)練的情況。如圖7所示，在基礎(chǔ)訓(xùn)練的過程中γ分布在1左右，類似正態(tài)分布；在稀疏訓(xùn)練的過程中，隨著稀疏訓(xùn)練次數(shù)的增加，γ分布在0附近，接近0的通道輸出值近似于常量，可以將接近0的通道剪掉。

(a) 基礎(chǔ)模型γ分布

(b) 稀疏模型γ分布

實(shí)驗(yàn)采用卷積層和通道同時(shí)剪枝的方式，將所有歸一化層(不包括殘差結(jié)構(gòu))通道的γ絕對(duì)值進(jìn)行排序，設(shè)置剪枝率剪掉卷積層的通道。同理，對(duì)殘差結(jié)構(gòu)中3×3卷積層后BN層中所有通道γ的絕對(duì)平均值進(jìn)行排序，剪掉平均值較低的殘差結(jié)構(gòu)。

3.3 對(duì)比實(shí)驗(yàn)

選取0.95、0.93、0.85、0.75、0.65五種剪枝率對(duì)模型通道進(jìn)行剪枝，同時(shí)剪掉16個(gè)殘差結(jié)構(gòu)(32個(gè)卷積層，16個(gè)殘差層)。模型經(jīng)歷不同剪枝率的剪枝后，權(quán)重大小分別壓縮到了3.69 MB、5.295 MB、9.66 MB、15.5 MB、26.8 MB；參數(shù)量分別減少了98.5%、97.9%、96.2%、93.6%、88.8%；推理時(shí)間從18.3 ms降低到8.5 ms；但是模型精度出現(xiàn)了不同程度的下跌，分別為0.004、0.000、0.360、0.168、0.365，如表1所示。

表1 不同剪枝策略測(cè)試結(jié)果

稀疏訓(xùn)練后，對(duì)不同剪枝率下的模型通過，50Epochs的微調(diào)，模型精度分別回升到0.808、0.847、0.868、0.866、0.868，如圖8所示。

圖8 微調(diào)模型后的準(zhǔn)確率

通過表4和圖8可以看到，當(dāng)剪枝率為0.95和0.93時(shí)，剪枝模型的初始精度接近于0，但是通過50Epochs的微調(diào)后，精度依然可以回升到0.808和0.848，我們可以得出結(jié)論，經(jīng)過通道和殘差結(jié)構(gòu)剪枝得到的模型是相對(duì)于數(shù)據(jù)集和初始模型得到的合理結(jié)構(gòu)，保留的權(quán)重可以讓剪枝模型快速接近這個(gè)結(jié)構(gòu)的上限。同時(shí)，提高模型的剪枝率可以大幅度減少模型參數(shù)量，加快模型的推理速度；降低模型的剪枝率可以提高模型的精度，加快模型的推理速度。

通過5種不同剪枝率模型的比較，當(dāng)剪枝率在0.75～0.93區(qū)間內(nèi)有較高的精度，且模型權(quán)重較小。在區(qū)間內(nèi)進(jìn)行間隔取樣，并進(jìn)行模型微調(diào)后得到如表2和圖9測(cè)試結(jié)果。

表2 0.75～0.93剪枝策略微調(diào)測(cè)試結(jié)果

圖9 0.75～0.93區(qū)間內(nèi)微調(diào)模型后的準(zhǔn)確率

當(dāng)剪枝率為0.88時(shí)，剪枝模型在區(qū)間內(nèi)較高的精度，同時(shí)推理速度相接近且較剪枝前降低了近一半，權(quán)重大小僅為8.82 MB。平衡了模型權(quán)重大小、精度和推理速度的關(guān)系，歸一化層γ也趨近于正態(tài)分布，如圖10所示。

圖10 0.88剪枝率模型微調(diào)后γ分布

圖11是剪枝率為0.88的模型結(jié)構(gòu)，同剪枝前的模型進(jìn)行比較，可以看到模型的輸出通道大幅度減少，16個(gè)殘差結(jié)構(gòu)被剪掉，模型大部分壓縮。

通過表3對(duì)0.88剪枝率模型與原始模型的復(fù)雜度進(jìn)行比較分析，可以看到剪枝后的模型浮點(diǎn)運(yùn)算量減少了98.8 GFLOPS，提高了模型的運(yùn)行速度；當(dāng)行人圖像輸入GPU顯存占用相同時(shí)，模型前后向傳播顯存占用降低了1 170.34 MB，模型權(quán)重顯存占用減少了230 MB，減少了資源占用，降低了移動(dòng)端硬件部署的限制，更符合實(shí)際要求。

圖11 0.88剪枝率的模型結(jié)構(gòu)

表3 復(fù)雜度對(duì)比

4 總結(jié)

為了更好的將行人檢測(cè)模型部署到移動(dòng)端設(shè)備，本文通過對(duì)卷積層通道和殘差結(jié)構(gòu)重要性進(jìn)行分析，剪掉相應(yīng)的通道和結(jié)構(gòu)，降低硬件部署要求，減少計(jì)算機(jī)資源限制。實(shí)驗(yàn)結(jié)果表明，行人檢測(cè)模型通過模型剪枝后，精度僅僅降低了2.2%，浮點(diǎn)運(yùn)算次數(shù)降低了84.5%，前后向傳播顯存占用降低了54%，推理時(shí)間降低了50.4%，模型參數(shù)量減少了96.3%。下一步工作將利用TensorRT推理優(yōu)化器，進(jìn)行快速的部署和推理。