Darknet2Caffe 大概步骤

注：第四、五、六节文章只是极端理想的情况（模型移植精度损失不大，后处理代码也无需过多修改），可以作为熟悉大致流程的例子看看。移植模型绝对不会这么理想…

1训练模型

我的模型训练是在 Linux 服务器上进行。因为我的笔记本没有 GPU。
使用 yolov3 训练模型网上有很多教程。大体上就是先标注数据再训练得到模型。
大家查一下就可以看到很多图文并茂的教程了。我就不重复了。
完事之后，你会得到如下2个文件：

xxx.cfg
xxx.weights

2转换模型

因为相机需要的是 WK 模型，而 WK 模型只能从 Caffe 模型转换得到。
所以我们先把 Darknet 转换到 Caffe。

2.1安装Caffe

第一步当然是安装 Caffe。
Caffe 的安装非常坑，光是安装就可以写一个博客了。
网上也有很多教程，每个人遇到的问题也不一样，这个只能靠自己（Google）了。
我只能说一说大体上的步骤。
你可能需要先安装 protobuf-2.6.1
需要的Caffe源码 :https://github.com/BVLC/caffe
编辑Makefile.config之后是编译安装。

make all
make test
make runtest
make pycaffe

2.2拓展 upsample 层

装完之后是需要在 Caffe 里拓展 upsample 层，可以参考网络上的一些教程。

darknet2caffe的原理性说明：
Yolov3转化Caffe框架详解

在caffe里拓展新层：
caffe添加新层教程

darknet2caffe开源工具作者 ChenYingpeng 在网络上提供的upsample层拓展文件：
https://github.com/ChenYingpeng/darknet2caffe/tree/master/caffe_layers

具体操作如下：

1. 把upsample_layer.hpp放入include/caffe/layers下面
2. 把upsample_layer.cpp与upsample_layer.cu放在src/caffe/layers下面
3. 修改自己的caffe.proto文件
   src/caffe/proto/caffe.proto中的LayerParameter的最后一行加入加入：

   message LayerParameter { 
   	.....  
   	optional UpsampleParameter upsample_param = 149;  
   }  
   

   注意149为新层的ID号，该ID号请根据个人的caffe.proto文件指定即可
4. 然后在caffe.proto文件的最后添加upsample层的参数：

   message UpsampleParameter{  
     optional int32 scale = 1 [default = 1];  
   }  
   

5. 重新编译Caffe

   make clean
   make all -j4
   make test -j4
   make runtest -j4
   make pycaffe -j4

2.3转换模型

模型转换工具：https://github.com/ChenYingpeng/darknet2caffe
使用时需要修改 darknet2caffe.py 文件里的 caffe_root 值
转换命令：

python darknet2caffe.py cfg/xxx.cfg weights/xxx.weights prototxt/xxx.prototxt caffemodel/xxx.caffemodel  

转换完成后会出现：

unknow layer type yolo 
unknow layer type yolo 
save prototxt to xxx.prototxt
save caffemodel to xxx.caffemodel

此处打印 yolo 层未识别，这是因为 yolo 层的处理现在需要自己用代码完成，正好与华为给的 yolov3_demo 文件中的 yolov3后处理步骤 对应起来。此时 Darknet转Caffe已经完成了。