reduce the number of parameters by 75% without losing any accuracy!

[Tim5Tang]

能否分享一下裁剪网络3/4，还没有掉精度的日志

[heyongxin233]

使用torch-pruning(https://github.com/VainF/Torch-Pruning) pruner = tp.pruner.MagnitudePruner( self.model, example_inputs, importance=tp.importance.MagnitudeImportance(p=2), # L2 norm pruning, iterative_steps=self.prune_iterative_steps, pruning_ratio=self.prune_ratio, ignored_layers=ignored_layers, ) pruner.step() 可以这样对模型剪枝，整个剪枝代码我已经集成进我的github中了，你可以先运行train.py,得到没有剪枝但训练好的模型，然后运行prune.py便可以在基本上不损失精度的情况下提升超过一半的速度

[Tim5Tang]

谢谢告知方法，我试试看

[mozhuqin]

您好，我想知道，咱们的剪枝方法是参考哪篇论文，或者是您想到的，有相应的文档嘛，小弟想要拜读一下

[xiaoshuomin]

@heyongxin233 我把prune.py中的model = YOLO('yolov8m.yaml')替换为model = YOLO('yolov8m.pt')，想从已经训练好的模型进行剪枝，但是从运行结果来看精度掉了很多，仿佛是从头开始训练一样，你可以提供这个项目更详细的使用手册吗？