map上升速度问题

[SISTMrL]

你好，我在对yolov3(best.pt)进行稀疏化剪枝后得到的prune_0.5_yolov3.weights，percent为0.5，然后将best.pt和prune_0.5_yolov3.weights进行蒸馏时，发现map上升的很奇怪，描述如下： epoch=0一直到epoch=4, map: 0.332-->0.528-->0.645-->0.706-->0.801，这段上升的十分快，可是从epoch=5一直到epoch=100,map一直在（0.802，0.83）这段区间内，彷佛蒸馏在前几个epoch就完成了，能否解答这个现象，不是很明白，十分感谢！

[SpursLipu]

你可以试试不带蒸馏直接finetuning的效果.....剪植后保留了网络的权重没相当于使用了预训练，确实可以快速的较高的map这可能不是蒸馏的效果，是使用预训练模型的效果

[SISTMrL]

你的意思是剪枝得到的prune_0.5_yolov3.weights充当了预训练模型的效果？另外当在执行normal_prune.py时，剪枝前后的map变化如下： +------------+----------+----------+ | Metric | Before | After | +------------+----------+----------+ | mAP | 0.840241 | 0.000357 | | Parameters | 61523734 | 21872821 | | Inference | 0.1514 | 0.1094 | +------------+----------+----------+ 看这个map似乎起不到预训练的效果，而且也不懂为何剪纸后map几乎降为0，在进行蒸馏后，上升那么快

[SpursLipu]

剪植的步骤是 稀疏化训练-剪植-finetuning，剪植完后还需要一个finetuning的步骤，全部走完后才能得到效果比较好的剪植模型

[SISTMrL]

哦哦好的，我看readme里写正常剪枝，无需微调，，我再试试微调，重新跑下剪枝后的模型

[SpursLipu]

对于剪植率比较低和数据集简单确实可以无需微调，比率较大数据集复杂还是需要的。

[SISTMrL]

好的，谢谢

[SISTMrL]

你好，请问下finetune有啥可以建议的么，建议调整哪些参数，我就是直接把剪枝后的模型直接拿来重新训练了，指令如下： python train.py --data data/xray.data --batch_size 2 --accumulate 1 -pt --weights weights/yolov3_hand_normal_pruning_0.5percent.weights --cfg cfg/prune_0.5_yolov3/prune_0.5_yolov3.cfg --img_size 608 --epochs 80，

map变化情况： epoch: 0--->12 map: 0.0091, 0.182, 0.335, 0.397, 0.395, 0.374, 0.431, 0.452, 0.472, 0.608, 0.688, 0.722, 0.788 epoch: 13--->80, map几乎都在(0.78, 0.8)之间，感觉map上升的也很快，前十三个epoch就模型几乎达到最优了。所以不知如何调整参数，能否给点意见，因为是第一次做检测，刚入门深度学习不久。诚盼回复，十分感谢

[SpursLipu]

fine tuning的最优结果就是达到原模型的精度，不知道你测试的结果和原模型差的有多少？

[SISTMrL]

我重新跑剪纸的模型最优的map为0.809, 原模型是0.83-0.84之间

[SpursLipu]

呢你可以尝试用蒸馏fine tuning的方式。调参的话可以尝试学习率或者蒸馏时的温度系数。

[SISTMrL]

好的，我尝试下用蒸馏的方式，十分感谢

[SISTMrL]

你好，用蒸馏（温度系数有设为3， 6， 10），学生模型的map没有多大变化，是否是因为重新训练后的模型本身就与原模型相差不到6个百分点的map？（--percent 0.5的情况）。不知道你记不记得，我当时有改过yolo-tiny的结果，加了卷积，shortcut和yololayer结构，然后我将yolov3作为教师网络，yolo-tiny作为学生网络，tiny的best map 由0.654--->0.752, 接近十个百分点，yolov3的best map为0.834. 本身教师网络和学生网络的map就相差较大。

此外我还有一个问题，我又尝试了0.7的剪纸率，--percent 0.7,我将剪纸得到的模型再次重新训练，得到如下map图 也是得到了map为0.8的模型，但此时map上升的趋势则较为平稳，直到epoch=40左右到达最优，与上面问题提到的--percent 0.5重新训练时，第13个epoch就基本达到最优，形成鲜明对比。我的猜测是剪纸后由于-- percent 0.5相对于0.7所保留的结构更多，所以优化的更快？是否是这样的原因？

[SpursLipu]

不好意思 由于问题closed了 我没看到问题。剪植率比较低当然更容易回复精度。至于知识蒸馏的问题我还在调试，现在的效果不一定可靠。

[SISTMrL]

好的感谢，我之后也会继续跟进对你repo的研究

[SISTMrL]

你好，另外能否在readme中 写下如何对剪枝后的微调的一些方法的说明，还是有点对剪枝有点模糊，我也会对看点模型压缩的论文丰富经验

[SpursLipu]

行，我之后会更新一些剪植的数据