修剪后的OpenVINO-YOLO 先决条件 首先安装mish-cuda： : 测试平台：WIN10 + RTX3090 + CUDA11.2 如果您无法在设备上安装它，也可以尝试 开发日志 扩张 2021-2-25支持yolov4-tiny和yolov4-tiny-3l。请使用或修剪yolov4-tiny和yolov4-tiny-3l模型（提示：使用darknet调整修剪后的模型而无需加载权重）和转换权重 2021-3-13更新了Mish-cuda支持。增强了代码对yolov4的适应性（训练更快，内存占用更少） 介绍 当在OpenVINO上部署YOLOv3 / v4时，该模型的完整版本的FPS较低，而微型模型的准确性较低且稳定性较差。 完整版的模型结构通常被设计为能够在更复杂的场景中检测80个或更多的类。 在我们的实际使用中，通常只有几个类，而且场景并不那么复杂。 本教程将分享如何修

修剪YOLO 使用模型修剪方法获得紧凑模型，即基于YOLOv5的Pruned-YOLOv5。 注意： 1.该项目基于 。 首先将其安装。 然后，使用此处提供的模型配置文件（ coco_yolov5l.yaml ）和网络模块定义文件（ common.py ）替换原始的对应文件。 2.参考 ，我们还使用次梯度方法进行稀疏度训练（ sparsity.py ）。 此外，稀疏训练和微调相结合以简化修剪流程。 在训练过程中，我们介绍了软掩膜策略和稀疏因子余弦衰变。 3.使用train_sr.py进行稀疏火车，可以直接进行修剪，而无需进行微调。 4.请把prune_channel_v5_weightingByKernel.py和prune_layer_v5_weightingByKernel.py放在主目录（ / yolov5 / ）中。 前者用于通道修剪，后者用于层修剪。 模型修剪可以由他们