yolov2-Tiny在darknet下训练模型转caffe再到ncnn实现

最近一直和师兄在调试ncnn下使用yolov2-Tiny，感觉资料很少，踩了很多坑，就记录一下过程吧。
yolov2-Tiny在darknet下训练过程可以参考我之前的博客：
https://blog.csdn.net/qq_29377279/article/details/83141239
过程都类似，只是聚类的anchor有点不太一样，yolov3是9个，yolov2-Tiny是5个。
这是我聚类的脚本：https://github.com/yuace/yolo_python/blob/master/kmeans.py
注意：（我这里是给yolov3使用的，在yolov2-Tiny使用时，注意classes改为5，结果要除以32（下采样率））。

我们做的是一个目标检测的demo。

我们用的120000的权重，先看一下在darknet下测试效果：

下面要用到两个文件，一个是网络结构的.cfg，另一个是训练出来的权重文件的.weights
我这里就是：
yolov2-tiny_tarmac.cfg
yolov2-tiny_tarmac_120000.weights

先转到caffe下：

先要安装caffe，转换时使用，转换模型之后也可以用来测试测试。
参考：https://blog.csdn.net/lwplwf/article/details/83011667
看他提出了一个需要注意的问题：
对于YOLOv2_tiny，416×416的输入，经过最后一个max pool（size=2，stride=1），可以看到特征图13×13处理后还是13×13。
这就有点问题了，测试发现，Caffe中经过这一层特征图由13*13变成了12×12，会导致在Caffe下检测结果的box有偏差。
我们经过测试果然是这样，根据他的建议进行修改：
DarkNet中max pool层加上padding=2
Caffe中max pool层加上pad=1
这里要注意保持两个框架一致，darknet下再进行训练。

DarkNet下训练的yolo的.cfg文件和.weights文件转换为Caffe的.prototxt文件和.caffemodel文件

转换脚本：https://github.com/lwplw/darknet2caffe
这里使用他的darknet2caffe.py脚本时，只需修改caffe_root的路径即可。
使用命令：

python darknet2caffe.py yolov2-tiny_tarmac.cfg yolov2-tiny_tarmac_120000.weights yolov2-tiny_tarmac.prototxt yolov2-tiny_tarmac.caffemodel

完成之后会生成两个文件：

yolov2_tiny_tarmac.prototxt ---- 待生成的Caffe框架下的模型结构文件

yolov2_tiny_tarmac.caffemodel – 待生成的Caffe框架下的模型权重文件
注意：
修改.prototxt文件：
将第一层：

input: "data"
input_dim: 1
input_dim: 3
input_dim: 416
input_dim: 416

改为：

layer {
  name: "data"
  type: "Input"
  top: "data"
  input_param { shape: { dim: 1 dim: 3 dim: 416 dim: 416 } }
}

还有最后一层：

layer { 
	name: "region1" 
	type: "Region" 
	bottom: "layer15-conv"
	 top: "region1" 
	 region_param { 
	 classes: 1
	 coords: 4 
	 boxes_of_each_grid: 5 
	 softmax: true
	  }
 }

修改为：

layer { 
	name: "detection_out" 
	type: "YoloDetectionOutput" 
	bottom: "layer15-conv" 
	top: "detection_out" 
	include { 
		phase: TEST 
	} 
	yolo_detection_output_param { 
		num_classes: 1
		coords: 4 
		confidence_threshold: 0.4
		nms_threshold: 0.45 
		
		biases: 1.08 
		biases: 1.19 
		biases: 3.42 
		biases: 4.41 
		biases: 6.63 
		biases: 11.38 
		biases: 9.42 
		biases: 5.11 
		biases: 16.62 
		biases: 10.52 
	} 
}

这里为自己的classes和anchor，threshold自己定就好。

再转到ncnn下：

参考：https://blog.csdn.net/lwplwf/article/details/83016219 安装ncnn
安装完成后进入ncnn/build/tools/caffe下执行
转换命令：

./caffe2ncnn yolov2_tiny_tarmac.prototxt yolov2_tiny_tarmac.caffemodel yolov2_tiny_tarmac.param yolov2_tiny_tarmac.bin

转换完成即可得到ncnn下的权重和网络文件：
yolov2_tiny_tarmac.param
yolov2_tiny_tarmac.bin

修改NCNN根目录下CMakeLists.txt 文件取消注释add_subdirectory(examples)

add_subdirectory(examples)

修改官方examples里的yolov2.cpp
（因为官方有了yolov2.cpp,所以我们只要编译使用就ok了，后面转到手机端也会照着这个cpp写哦）
https://github.com/Tencent/ncnn/blob/master/examples/yolov2.cpp
我们只需修改param和bin，以及classes_names。（注意这里classe_names第一个为background，第二个开始才为我们的目标名称。）

完成后全部重新编译。

使用ncnn来测试一下我们的转换效果吧：
测试命令：

./yolov2 ncnn.jpg 

看着效果和darknet下效果一样哦，到此我们模型及权重的转化就完成了啊。
这是在pc端的测试，下一篇将分享我们移植到android端的过程哦。