《表1 训练、剪枝、微调得到的各模型在Vis Drone-Det数据集上的测试结果》

  提示：宽带有限、当前游客访问压缩模式

本系列图表出处文件名：随高清版一同展现

《一种适合无人机部署的轻量级YOLO剪枝模型》

1. 获取 高清版本忘记账户？点击这里登录

1. 下载图表忘记账户？点击这里登录

工作经过以上实验步骤，分别得到了正常训练的模型、稀疏训练的模型、剪枝剪层的模型以及蒸馏微调后的模型，各个模型实测的性能如表1所示。可以看出，相对于正常训练的模型，稀疏训练策略能够有效地使模型稀疏化，但这也付出了精度降低的代价，剪枝后精度进一步降低。然后，通过知识蒸馏的微调策论，模型很快恢复了检测精度，使用的知识蒸馏微调策略实际应用效果非常好，知识蒸馏的微调策略对于精度恢复的效果优于普通微调策略。微调过程中的平均精度值与分类召回率随着训练轮数变化如图3所示，提出的知识蒸馏微调策略收敛更快、最终达到的精度和召回率都优于普通微调策略。