bev-project/project/docs/模型优化_快速开始.md

# 模型优化 - 快速开始指南

**当前状态**: 跳过评估，直接开始模型优化  
**Baseline**: Epoch 23 (NDS 0.6941, mAP 0.6446, mIoU 0.4130)  
**目标**: 为Orin部署准备优化模型

---

## ⚡ 一键开始（5分钟）

### 立即运行模型分析

```bash
cd /workspace/bevfusion

# 一键启动分析
bash 开始模型分析.sh
```

**这个脚本会**:
1. ✅ 分析模型参数量和大小
2. ✅ 统计各模块参数分布
3. ✅ 生成优化建议
4. ✅ 创建详细分析报告

**预计时间**: 2-5分钟  
**GPU使用**: 不需要（CPU分析）  
**不影响**: Stage 1训练继续运行

---

## 📊 预期分析结果

基于BEVFusion架构，预期结果：

```
模型规模:
  总参数量: ~110M
  模型大小: ~441MB (FP32)
  
主要模块:
  Camera Encoder: ~47M (43%)  ← 最大模块，优先优化
  LiDAR Encoder:  ~19M (17%)
  Detection Head: ~18M (16%)
  Decoder:        ~16M (14%)
  Segmentation Head: ~8M (7%)
  
优化潜力:
  剪枝40%: → 66M参数, 264MB
  INT8量化: → 66MB模型
  总压缩: 85% (441MB → 66MB)
```

---

## 🎯 三阶段优化路线

### 阶段1: 模型分析（今天，1小时）
```
任务:
  ✓ 运行复杂度分析
  ✓ 确定优化策略
  ✓ 准备剪枝工具

输出:
  - model_complexity.txt
  - optimization_recommendations.md
```

### 阶段2: 结构化剪枝（3-5天）
```
目标:
  参数量: 110M → 60M (-45%)
  模型大小: 441MB → 240MB
  精度损失: <1.5%

步骤:
  Day 1-2: 实施剪枝
  Day 3-4: 微调3 epochs
  Day 5: 评估效果
```

### 阶段3: INT8量化（4-6天）
```
目标:
  模型大小: 240MB → 60MB (-75%)
  推理加速: 2-3倍
  累计精度损失: <3%

步骤:
  Day 1: PTQ快速验证
  Day 2-5: QAT训练5 epochs
  Day 6: 最终评估
```

---

## 📋 分析后的下一步

### 查看分析结果

```bash
# 查看最新分析
ANALYSIS_DIR=$(ls -td analysis_results/analysis_* | head -1)

# 查看模型复杂度
cat $ANALYSIS_DIR/model_complexity.txt

# 查看优化建议
cat $ANALYSIS_DIR/optimization_recommendations.md
```

### 准备剪枝工具

```bash
# 安装torch-pruning（如果需要）
pip install torch-pruning

# 或使用PyTorch内置剪枝
# 已包含在环境中
```

### 创建剪枝配置

```yaml
# configs/nuscenes/det/.../multitask_pruned.yaml

# 基于原始配置，修改:
pruning:
  enabled: true
  method: 'l1'  # L1范数剪枝
  target_params: 60000000  # 目标60M参数
  
  # 各模块剪枝比例
  ratios:
    encoders.camera: 0.30  # 剪枝30%
    decoder: 0.25
    heads.object: 0.15
    heads.map: 0.15
```

---

## 🚀 立即执行的命令

### Step 1: 运行分析（现在）

```bash
cd /workspace/bevfusion

# 启动分析
bash 开始模型分析.sh

# 等待完成（2-5分钟）
```

### Step 2: 查看结果

```bash
# 找到最新分析目录
ANALYSIS_DIR=$(ls -td analysis_results/analysis_* | head -1)

# 查看关键信息
echo "=== 总体统计 ==="
cat $ANALYSIS_DIR/model_complexity.txt | grep -A 6 "总体统计"

echo -e "\n=== 模块分布 ==="
cat $ANALYSIS_DIR/model_complexity.txt | grep -A 15 "各模块参数统计"

echo -e "\n=== 优化建议 ==="
cat $ANALYSIS_DIR/model_complexity.txt | grep -A 10 "优化建议"
```

### Step 3: 准备剪枝（今天晚些时候）

```bash
# 安装剪枝库（如需要）
pip install torch-pruning

# 检查安装
python -c "import torch_pruning as tp; print(tp.__version__)"
```

---

## 📊 并行执行（不影响训练）

**当前状态**:
- ✅ Stage 1训练运行中（GPU 0-3）
- ✅ 模型分析可并行（CPU或GPU 4-7）
- ✅ 互不影响

**资源使用**:
```
GPU 0-3: Stage 1训练
GPU 4-7: 空闲（可选用于分析）
CPU: 模型分析（主要）
内存: ~2GB（分析需要）
磁盘: ~100MB（结果文件）
```

---

## 🎯 今天的目标

### 必须完成
- [ ] 运行模型分析
- [ ] 查看分析结果
- [ ] 理解优化策略
- [ ] 准备剪枝工具

### 可选完成
- [ ] 安装torch-pruning
- [ ] 创建剪枝配置模板
- [ ] 阅读剪枝文档

---

## 📚 相关文档

### 已创建文档
1. **模型优化启动计划.md** - 完整优化计划
2. **模型优化_快速开始.md** - 快速开始（本文档）
3. **EPOCH23_训练中的评估结果.md** - Baseline数据

### 分析脚本
1. **开始模型分析.sh** - 一键启动脚本
2. **tools/analysis/model_complexity_simple.py** - 复杂度分析

---

## 📞 常见问题

### Q: 分析需要多久？
**A**: 2-5分钟。主要是加载模型和统计参数，不需要GPU。

### Q: 会影响训练吗？
**A**: 不会。分析主要使用CPU，不占用训练GPU。

### Q: 分析结果准确吗？
**A**: 参数统计是准确的。FLOPs和推理时间是估算值。

### Q: 下一步做什么？
**A**: 查看分析结果，准备剪枝工具，明天开始剪枝实施。

---

## 🎉 总结

### 当前进度
- ✅ 跳过评估（已有baseline数据）
- ✅ 创建优化计划和工具
- ⏳ 准备运行模型分析
- ⏳ Stage 1训练继续进行

### 立即行动
```bash
# 一行命令启动
cd /workspace/bevfusion && bash 开始模型分析.sh
```

### 今天结束前
1. 完成模型分析
2. 理解优化策略
3. 准备剪枝工具
4. 明天开始剪枝实施

---

**状态**: 🚀 准备就绪  
**时间**: 5分钟启动  
**影响**: 零影响训练  
**下一步**: 运行分析脚本