如何修剪 Detectron2 模型？
How to prune a Detectron2 model?
我是一名老师，正在研究计算机视觉几个月。当我能够使用 Detectron2 的 Faster R-CNN 模型训练我的第一个物体检测模型时，我感到非常兴奋。它就像一个魅力！超级酷！
但问题是，为了提高准确率，我在model zoo中使用了the largest model
现在我想将其部署为人们可以用来简化工作的东西。但是，该模型太大了，在我的 CPU（Intel i7-8750h）上推断出一张图像需要大约 10 秒。
因此，即使在常规云服务器上也很难部署此模型。我需要使用 GPU 服务器或最新型号 CPU 服务器，它们非常昂贵，我不确定我是否可以补偿几个月的服务器费用。
我需要让它更小更快以便部署。
所以，昨天我发现有修剪模型的东西！！我很兴奋（因为我不是计算机或数据科学家，不要怪我（（（：）
我看了official pruning documentation of PyTorch，但是我真的很难理解。
我发现全局修剪是最简单的一种。
但问题是，我不知道应该写什么参数来剪枝。
正如我所说，我使用了 Faster R-CNN X-101 模型。我把它写成“model_final.pth”。它使用 Base RCNN FPN.yaml 并且它的元架构是“GeneralizedRCNN”。
这似乎是一个简单的配置。但是就像我说的，因为这不是我的领域，所以对我这样的人来说很难。
如果你能一步一步地帮助我，我会非常高兴。
我要离开我用来训练模型的 cfg.yaml 并使用 "dump" method in Detectron2 config class just in case. Here's the Drive link.
保存它
非常感谢您。
所以我猜，您正在尝试优化推理时间并获得令人满意的准确性。在不了解对象类型、训练大小、图像大小的详细信息的情况下，很难提供建议。但是，如您所知，ML 项目开发是一个迭代过程，您可以查看以下页面并检查推理和准确性。
我建议你试试 R50-FPN backbone 看看你的准确性如何。然后，您将更好地了解下一步该做什么。
如果您希望在移动设备上进行部署 platforms/edge。可以试试最近发布的D2go软件系统
它是由 PyTorch 和 Detectron2 提供支持的深度学习工具包。拥有最先进的高效 backbone 移动设备网络。端到端模型训练、量化和部署管道。轻松导出为 TorchScript 格式以进行部署。
我是一名老师，正在研究计算机视觉几个月。当我能够使用 Detectron2 的 Faster R-CNN 模型训练我的第一个物体检测模型时，我感到非常兴奋。它就像一个魅力！超级酷！
但问题是，为了提高准确率，我在model zoo中使用了the largest model
现在我想将其部署为人们可以用来简化工作的东西。但是，该模型太大了，在我的 CPU（Intel i7-8750h）上推断出一张图像需要大约 10 秒。
因此，即使在常规云服务器上也很难部署此模型。我需要使用 GPU 服务器或最新型号 CPU 服务器，它们非常昂贵，我不确定我是否可以补偿几个月的服务器费用。
我需要让它更小更快以便部署。
所以，昨天我发现有修剪模型的东西！！我很兴奋（因为我不是计算机或数据科学家，不要怪我（（（：）
我看了official pruning documentation of PyTorch，但是我真的很难理解。
我发现全局修剪是最简单的一种。
但问题是，我不知道应该写什么参数来剪枝。
正如我所说，我使用了 Faster R-CNN X-101 模型。我把它写成“model_final.pth”。它使用 Base RCNN FPN.yaml 并且它的元架构是“GeneralizedRCNN”。
这似乎是一个简单的配置。但是就像我说的，因为这不是我的领域，所以对我这样的人来说很难。
如果你能一步一步地帮助我，我会非常高兴。
我要离开我用来训练模型的 cfg.yaml 并使用 "dump" method in Detectron2 config class just in case. Here's the Drive link.
保存它非常感谢您。
所以我猜，您正在尝试优化推理时间并获得令人满意的准确性。在不了解对象类型、训练大小、图像大小的详细信息的情况下，很难提供建议。但是，如您所知，ML 项目开发是一个迭代过程，您可以查看以下页面并检查推理和准确性。
我建议你试试 R50-FPN backbone 看看你的准确性如何。然后，您将更好地了解下一步该做什么。
如果您希望在移动设备上进行部署 platforms/edge。可以试试最近发布的D2go软件系统
它是由 PyTorch 和 Detectron2 提供支持的深度学习工具包。拥有最先进的高效 backbone 移动设备网络。端到端模型训练、量化和部署管道。轻松导出为 TorchScript 格式以进行部署。