yolov5网络剪枝代码

https://download.csdn.net/download/weixin_32759777/12346888这个代码的训练集2

https://download.csdn.net/download/weixin_32759777/12346888这个代码的训练集1

这个是https://download.csdn.net/download/weixin_32759777/12346888这个代码的测试数据集

社区缺乏标准化的基准和度量标准。这一缺陷非常严重，以至于很难对修剪技术进行比较，也很难确定这一领域在过去三十年中取得了多大的进步。为了解决这种情况，我们确定了当前实践中的问题，提出了具体的补救措施，并引入了ShrinkBench，这是一个开源框架，用于促进修剪方法的标准化评估。我们使用收缩台对各种修剪技术进行了比较，结果表明，它的综合评价可以防止在比较修剪方法时常见的缺陷。

首先，针对基于深度学习的两阶检测检测网络在复杂交通场景中目标漏检的问题，本文提出了一种基于双通道的车载视频目标检测算法，该方法增加一条深度信息通道补充深度细节特征，充分利用两条通道的视觉信息来描述车辆特征，提高车辆检测的准确性并且降低目标的漏检率，此外还添加了难样本挖掘策略来训练深度网络模型，解决训练过程中正负样本不均衡的问题。仿真结果表明，该方法在算法车辆检测的准确性以及漏检率方面都有明显性能提升。 其次，在两阶检测网络基础上，为了提高车辆检测算法的实时性，减小算法占用内存，本文提出了一种基于深度网络压缩的快速车辆检测算法。该方法利用批归一化（Batch Normalization，BN）层中的缩放因子作为通道剪枝的衡量指标，提出了一种阈值自适应策略进行通道剪枝，该策略中引入了剪枝比例上限来避免过度剪枝引起的精度降低问题。仿真结果表明，该方法可以有效提高算法运行效率，达到视频实时检测效果，并且能够减小模型的大小，以达到在移动端设备上运行的目的。