YOLOv8源码修改（5）- YOLO知识蒸馏（下）设置蒸馏超参数：以yolov8-pose为例
目录
前言
1. 不同蒸馏算法资源占用
2. 不动态调整蒸馏损失
2.1 训练定量化结果
2.1 训练结果可视化结果
3. 动态调整蒸馏损失权重及实验分析
3.1 余弦衰减和指数衰减
3.2 CWD蒸馏损失
3.3 MGD蒸馏损失
3.4 AT蒸馏损失
3.5 SKD和PKD蒸馏损失
4. 调权重心得总结
5. 待验证
前言
YOLOv8源码修改（5）- YOLO知识蒸馏（上）添加蒸馏代码，以yolov8-pose为例进行知识蒸馏
接上文，我们已经加好了yolo蒸馏训练的必要代码，但并不意味着知识蒸馏就有用。我总结了以下一些可能有影响的因素：
（1）蒸馏算法的选择。最常用的CWD、MGD等知识蒸馏算法，论文中MGD的性能就要好过CWD。
（2）蒸馏算法的超参设置。以MGD为例，alpha_mgd的权重设置，lambda_mgd的权重设置等等，不同的参数设置会取得不同效果，MGD的论文里也写了，他的最佳经验值，是够能在我们自己的数据集上取得最好呢？
（3）蒸馏损失权重的设置。这点我认为是最重要的。因为所有蒸馏算法都绕不开，尤其对于yolo来说，yolo基于检测最基本的loss有box_loss、cls_loss和dfl_loss，如果是obb、seg、pose等任务，还会引入其他的loss。如果蒸馏损失过大，势必会导致其中一些较小的loss“失效”。
（4）数据集本身的质量。以COCO2017人体关键点为例，里面有些人需要预测出，有些人不需要预测出（我认为是标注错误、或者漏标）。但模型可能有别的“思考”，比如，只预测出属于“前景”的人，而“背景”的人不预测。大模型（m号以上）可以区分这种细粒度的区别，但小模型不行，因此就表现为中间层显著的特征差异，这时候知识蒸馏就明显了。而我数据清洗后，几乎没有漏标和错标，只要是人就预测出，这种特征可能相对简单，小模型（s号，n号可能还是不行）已经足够表示，所以再用知识蒸馏，这时效果就不明显了。
（5）教师模型和学生模型的差异。这里的差异不仅表现为中间层维度的差异，还可能是架构的差异，比如用yolov11m去蒸馏yolov8s，从一个维度映射到另一个维度，这种特征映射真的能形成等效表达吗？以及还有性能上的差异，教师模型比学生模型优秀多少，才能让学生模型有一个稳定提升。
（6）蒸馏代码实现的细节。我主要还是参考了paddleDetection中的yolo蒸馏实现，其中对特征用了均值归一化，如果换成一个可学习的BN层是否会更好，还有中间相同维度特征的映射，是否还要再加入一个相同维度的1D卷积？
经过大量调试训练后，我得出的心得：
对于实际落地的yolo训练而言（写论文不在其中），一个好的蒸馏算法应该只有一个参数，就是“损失权重”，最多再加一个影响不大的可调节参数。
根据动态调整训练过程中的损失权重，我发现：不同蒸馏算法的影响可能没有那么大，只要损失权重调整的好，都可以取得一个不错的训练结果。
1. 不同蒸馏算法资源占用
下面是我训练时候记录的资源占用情况，可以看到MGD训练时间比其他的多了1小时，这些算法大都要生成中间特征，以进行一系列操作，因此显存占用大。
所以，经过我的调整测试，我一般选择AT来做蒸馏，实现简单，资源占用少，关键还有效。除非准确度有要求，才考虑其他的蒸馏算法。
2. 不动态调整蒸馏损失
2.1 训练定量化结果
首先，还是问问神奇的GPT，蒸馏损失大小怎么调整，他是这样告诉我的：
可调节的占比范围大概在0.1-0.8之间，然后如下图绿色框中所示，观察一下yolov8s-pose的几类损失，发现box_loss和dfl_loss很小加起来才等于其他3个损失。所以，我就想蒸馏损失应该控制在20%~30%之间（绝对数值在1.0~2.0之间），这样占比刚好取个平均值。
基于上面这样设置参数，本文直接进行了实验，得到了以下结果：
如上图，仅CWD取得比较明显的效果，MGD仅次于CWD。于是，我们就有疑问：这和论文中的结果不对啊。MGD是后发的论文，里面明明还写了自己效果比CWD好的。
此外，我们还容易发难：这个AT是什么鬼，不仅没正面作用，还产生负面效果了，难道是这个蒸馏算法实现不对，或者就是个rubbish算法，打着“attention”的旗号水论文，根本没有普适性？
而经过我对训练过程分析，发现恰恰相反，AT是所有算法中收敛最快的，尤其在前50轮的训练，基本要比正常训练高1~2%的点。那就又有疑问了：假设我们从50轮起训练，不加任何蒸馏损失，我AT训练得到的模型，应该有一个更好的起点（各项指标都高），那么最终获取的模型，至少不应该比其他蒸馏算法训练得到的差吧？
因此，我也做了一些可视化分析。
2.1 训练结果可视化结果
每10轮，记录一下验证的结果（B表示检测框，P表示关键点）：
根据上面的图表，我很很如看到AT在开始是瑶瑶领先的，收敛速度很快。但是在50轮之后就不行了。那只有一个原因，训练后期，AT的蒸馏损失对模型优化是负面影响。
因此，我用余弦衰减来对AT蒸馏损失进行加权，最终得到以下变化：
根据上图，很容易发现，进行衰减加权后，整个训练过程中，取得的性能都要优于直接使用的性能。最终，pose的mAP50:95取得66.8（超正常训练的66.5），也说明知识蒸馏产生了一些效果。
3. 动态调整蒸馏损失权重及实验分析
使用余弦衰减、指数衰减后损失权重的可视化分析。这里没有使用“温度”这个参数来调整损失大小，是因为相比分类，检测、关键点等损失调整要困难很多，直接用权重加权会简单很多。
3.1 余弦衰减和指数衰减
也可以引入warmup，因为前期损失过大，不过用了以后，似乎没啥用。
这两种衰减方式的选择，主要是看损失需不需要快速衰减，比如AT后期没用，可能需要衰减快一点，就用指数衰减，其他可以用余弦衰减。具体还是要根据自己的训练过程中，蒸馏损失下降的特性以及产生的影响去调整。
指数衰减：
余弦衰减：
衰减的预设参数的代码写在了distillation.py中YOLOv8DistillationLoss类的get_kd_weight方法中：
3.2 CWD蒸馏损失
如下图，最初用BN来归一化的版本的，下井很快，20轮后比例就稳定在0.11，总统而言，该算法损失下降速度和yolov8-pose的一致，可能不需要加权重，只需要调整比例。
加权后下降，如下图，精度反而掉了0.3%，参数还需要调整一下。
3.3 MGD蒸馏损失
MGD的蒸馏损失在后期占比还提升了，说明下降过慢，对应后期性能增加也变慢了。
我设置最终权重衰减到0.1，不过训练结果好像也没有提升，也没有下降。经过多次实验，我发现只要权重不是设置太高或者太低，该方法都能产生效果，是鲁棒性比较好的一个方法。
3.4 AT蒸馏损失
AT的下降趋势看起和CWD类似，但是比例却不同，损失占比一致在20%左右，可能太高了，但是前期收敛快也是真的快，是唯一一个能在20轮的时候就让原始损失到6.5的，比其他算法快了10轮。
加权后，衰减到0，衰减好像过快了，导致后期就是没进行知识蒸馏的训练。所以这部分参数还得再调试。
3.5 SKD和PKD蒸馏损失
这两种算法不会实际用，仅做实验参考。
SKD：2.1中训练效果变差，有原因，就是这个损失在后期占比越来越高，影响原始损失的下降了。
PKD：中规中矩，没啥特点，类似CWD，要用估计也优先用CWD。
4. 调权重心得总结
我会优先选择AT，因为实现简单，资源消耗少，训练时间也不会变长。实际训练的想法就是但求无错，最好有功。
求鲁棒性选择MGD，算法对参数设置（用论文中的就行）没那么敏感，多多少少会有些效果。
求结果选择CWD，只要参数调的好，效果比MGD还好。
初始权重调整：将蒸馏损失与原始损失的初始比例调整到15%~25%，最终比例调整到5%~15%，可能是一个比较好的设置。
如果教师模型性能远超学生模型（比如yolov8m-pose蒸馏yolov8n-pose），那么参数设置可以没那么严格，因为我在做m蒸n时，参数直接用的m蒸s的，根本没调，结果也能提升2.5%~2.8%。
5. 待验证
优于时间有限，目前验证的结论如上。大家可以多尝试，分享下调参经验。
还可以采用多种/多阶段的知识蒸馏方式，比如AT+MGD，开始设置9：1权重，最后设置1：9权重，因为AT开始效果好，MGD后期效果好一些，可以多尝试。