锐客网

  1. 首页 > 睿知 > it技术 > >

模型转换|【yolov4-tiny】一、darknet-＞caffe

神经网络caffe模型转换

1、知识储备 【模型转换|【yolov4-tiny】一、darknet-＞caffe】yolo系列理论学习
pytorch版本yolov4-tiny实操
实操视频讲解
学完以上内容应该能掌握yolov4-tiny模型结构和数据处理方式
2、手撕caffe模型 1、下载基于darknet框架的yolov4-tiny模型和权重
找到yolov4-tiny.cfg和yolov4-tiny.weight并下载
模型转换|【yolov4-tiny】一、darknet-＞caffe
文章图片

2、下载darknet转换caffe的代码
3、下载跑caffe推理的代码
4、打开模型可视化，把yolov4-tiny.cfg放进去，可以看到整个模型结构。
模型转换|【yolov4-tiny】一、darknet-＞caffe
文章图片

模型转换|【yolov4-tiny】一、darknet-＞caffe
文章图片

5、新建文本文档命名为 yolov4-tiny.prototxt，根据可视化模型来一步步构建caffe版本，也就38层，不多。

  • 输入部分
    模型转换|【yolov4-tiny】一、darknet-＞caffe
    文章图片
name: "yolov4-tiny" input: "data" input_dim: 1 input_dim: 3 input_dim: 416 input_dim: 416

  • 卷积层
    这里caffe代码只需要根据可视化模型的参数修改convolution层的参数就好，下面三层代码不变，num_output对应filters，kernel_size对应size，stride对应stride，注意pad=(kernel_size-1)/2，这个不对应。
    BatchNorm层的参数use_global_stats在训练时设为false,只对batch归一化，在推理时为true，对全局数据进行归一化，我们不进行训练所以都是true。
    bottom为输入层，top为输出层，name为本层名字，type为本层类型。
    LeakyReLU用ReLU替代，参数可以设置负直段的斜率。
模型转换|【yolov4-tiny】一、darknet-＞caffe
文章图片

layer { bottom: "data" top: "layer1-conv" name: "layer1-conv" type: "Convolution" convolution_param { num_output: 32 kernel_size: 3 pad: 1 stride: 2 bias_term: false } } layer { bottom: "layer1-conv" top: "layer1-conv" name: "layer1-bn" type: "BatchNorm" batch_norm_param { use_global_stats: true } } layer { bottom: "layer1-conv" top: "layer1-conv" name: "layer1-scale" type: "Scale" scale_param { bias_term: true } } layer { bottom: "layer1-conv" top: "layer1-conv" name: "layer1-act" type: "ReLU" relu_param { negative_slope: 0.1 } }

  • convolution层下面有跟BatchNorm层的时候bias_term为false，因为偏置会被bn减去消掉，不跟bn层的时候就设置为true，比如yolo层的前一层卷积层就只有convolution层没有bn等另外三层
    模型转换|【yolov4-tiny】一、darknet-＞caffe
    文章图片
layer { bottom: "layer36-conv" top: "layer37-conv" name: "layer37-conv" type: "Convolution" convolution_param { num_output: 255 kernel_size: 1 pad: 0 stride: 1 bias_term: true } }

  • route层
    route层分为两种，一种把channel减半，对应caffe的slice层，一种拼接channel，对应caffe的concat层。
    slice层，把数据沿着channel砍半，取第二个。很简单，没啥参数，默认是拼接channel的，slice_point就是砍下去的地方。这里注意那个unuse层因为后面我们没有用到了，所以模型会认为它是输出层，导致最后的输出为2个真输出层+3个unuse层。
    模型转换|【yolov4-tiny】一、darknet-＞caffe
    文章图片
layer { bottom: "layer3-conv" top: "layer4-unuse" top: "layer4-route" name: "layer4-route" type: "Slice" slice_param { slice_point: 32 } }

  • concat层，很简单，没啥参数，默认是拼接channel的
    模型转换|【yolov4-tiny】一、darknet-＞caffe
    文章图片
layer { bottom: "layer6-conv" bottom: "layer5-conv" top: "layer7-route" name: "layer7-route" type: "Concat" }

  • maxpool层，也很简单。原本它有个round_mode参数可以设置为FLLOR或者CEIL模式，但是后来caffe转nnie的时候不支持这个设置，就没设置了，在这里区别不大。
模型转换|【yolov4-tiny】一、darknet-＞caffe
文章图片

layer { bottom: "layer9-route" top: "layer10-maxpool" name: "layer10-maxpool" type: "Pooling" pooling_param { pool: MAX kernel_size: 2 stride: 2 } }

  • upsample层
    也很简单。这个层caffe没有，要手写，可以用别人写好的加到自己的caffe环境里，后文会讲怎么加。
    模型转换|【yolov4-tiny】一、darknet-＞caffe
    文章图片
layer { bottom: "layer33-conv" top: "layer34-upsample" name: "layer34-upsample" type: "Upsample" upsample_param { scale: 2 } }

就这样一层层照着可视化模型往下写caffe模型，layer31和layer38为yolo输出层，这里不定义，后面再做数据处理。
3、caffe加自定义层
  • caffe环境自行搭建，有一说一很麻烦，推荐使用Docker容器，见下文
    最后make all成功就表示成功了
    这里记录一下我遇到的protoc的坑，我有使用anaconda，系统提示找不到这个文件

    实际上能在anaconda里头找到

    折腾好久最后发现把anaconda路径加入makefile的INCLUDE_DIRS里就好了
  • 推荐使用Docker容器（麻麻再也不用担心我把环境搞坏啦）
docker pull bvlc/caffe:cpu sh docker_caffe.sh

docker_caffe.sh内容如下，修改darknet2caffe的路径，（推荐https://github.com/lwplw/darknet2caffe下的转换代码，不依赖pytorch，不用在容器里装额外环境）
#/bin/bashexport MY_CONTAINER="caffe_1.0.0" num=`docker ps -a|grep "$MY_CONTAINER"|wc -l` echo $num echo $MY_CONTAINER if [ 0 -eq $num ]; then xhost + docker run --net=host --pid=host -it --privileged--name $MY_CONTAINER -v darknet2caffe的路径:/映射到docker里的路径 \ bvlc/caffe:cpu /bin/bash else docker start $MY_CONTAINER #sudo docker attach $MY_CONTAINER docker exec -ti $MY_CONTAINER /bin/bash fi

容器里的caffe路径在/opt/caffe里
  • 加自定义Upsample层
1、复制 caffe_layers/upsample_layer/upsample_layer.hpp 到 include/caffe/layers/
2、复制 caffe_layers/upsample_layer/upsample_layer.cpp和upsample_layer.cu 到 src/caffe/layers/
3、在src/caffe/proto/caffe.proto添加如下语句
message LayerParameter { （略） optional UpsampleParameter upsample_param = 149; //added for Yolo, make sure this id 149 not the same as before. } // added for Yolo message UpsampleParameter{ optional int32 scale = 1 [default = 1]; }

  • 重新编译caffe
//如果是Docker容器里 cd /opt/caffe/build cmake .. make all -j12 //也可以按需修改CMakeList文件，比如只用cpu

4、权重转换
  • 将darknet模型放到darknet2caffe/cfg下面，darknet权重放到darknet2caffe/weights下面，
  • 将自己写的yolov4-tiny.prototxt放到darknet2caffe/prototxt文件夹下面，打开darknet2caffe.py，修改如下，第一行改成自己的caffe路径，注释掉生成prototxt的两行代码，因为我们自己写了，不用这个代码转是因为代码里的route全转为concat了，我们还需要转为slice。
caffe_root='/opt/caffe/'def darknet2caffe(cfgfile, weightfile, protofile, caffemodel): #net_info = cfg2prototxt(cfgfile) #save_prototxt(net_info , protofile, region=False)net = caffe.Net(protofile, caffe.TEST) params = net.params

  • 跑权重转换
python darknet2caffe.py cfg/yolov4-tiny.cfg weights/yolov4-tiny.weights prototxt/yolov4-tiny.prototxt caffemodel/yolov4-tiny.caffemodel

  • 跑完生成yolov4-tiny.caffemodel，提示shape不对的话检查自己的prototxt模型，看看哪里写错了，权重在yolov4-tiny里只有卷积层有
5、推理
  • 来自https://github.com/ChenYingpeng/caffe-yolov3，上文已下载
  • 打开caffe-yolov3/CMakeLists.txt，加入自己的路径
# build C/C++ interface include_directories(${PROJECT_INCLUDE_DIR} ${GIE_PATH}/include) include_directories(${PROJECT_INCLUDE_DIR} /home/chen/caffe/include /home/chen/caffe/build/include #改成自己caffe路径，编译有问题的话还能加上自己的anaconda/include路径 )

cuda_add_library(yolov3-plugin SHARED ${inferenceSources}) target_link_libraries(yolov3-plugin /home/chen/caffe/build/lib/libcaffe.so /usr/lib/x86_64-linux-gnu/libglog.so /usr/lib/x86_64-linux-gnu/libgflags.so.2 /usr/lib/x86_64-linux-gnu/libboost_system.so /usr/lib/x86_64-linux-gnu/libGLEW.so.1.13 #改成自己电脑里能找到的路径，有的.so.数字不一样，有的没安装就安装 )

  • 将darknet2caffe/caffemodel/yolov4-tiny.caffemodel复制到caffe-yolov3/caffemodel里，将自己写的yolov4-tiny.prototxt放到caffe-yolov3/prototxt里
  • 打开caffe-yolov3/src/detector.cpp，修改如下，因为我们输出有5层其中3个没用的层，我原本以为是01234中的34有用，结果发现是23，可以通过注释的这几行打印出输出层的大小来判断哪个是输出层，416X416大小的输入的话，输出应该是13X13和26X26大小。
// forward m_net->Forward(); for(int i =2; i(num_outputs()-1); ++i){ m_blobs.push_back(m_net->output_blobs()[i]); //LOG(INFO) << "w" << m_net->output_blobs()[i]->width(); //LOG(INFO) << "h" << m_net->output_blobs()[i]->height(); //LOG(INFO) << "c" << m_net->output_blobs()[i]->channel(); }

  • 编译
cd caffe-yolov3mkdir buildcd buildcmake ..make -j6

  • 推理
./x86_64/bin/demo ../prototxt/yolov4-tiny.prototxt ../caffemodel/yolov4-tiny.caffemodel ../images/dog.jpg

  • 大功告成，识别框会有点儿大，但是都识别出来了，更改输入图片大小的话在prototxtx文件开头直接把416一改就好
6、BN层与CONV层的融合 参考Caffe中BN层与CONV层的融合（merge_bn）
对代码做了点小改动，因为最后一层conv没有bn
import caffe import os import numpy as np import google.protobuf as pb import google.protobuf.text_format# choose your source model and destination model WEIGHT = './yolov4-tiny.caffemodel' MODEL = './yolov4-tiny.prototxt' DEPLOY_MODEL = './yolov4-tiny.prototxt'# set network using caffe api caffe.set_mode_cpu() net = caffe.Net(MODEL, WEIGHT, caffe.TRAIN) dst_net = caffe.Net(DEPLOY_MODEL, caffe.TEST) with open(MODEL) as f: model = caffe.proto.caffe_pb2.NetParameter() pb.text_format.Parse(f.read(), model)# go through source model for i, layer in enumerate(model.layer): if layer.type == 'Convolution': # extract weight and bias in Convolution layer name = layer.name if 'fc' in name: dst_net.params[name][0].data[...] = net.params[name][0].data dst_net.params[name][1].data[...] = net.params[name][1].data break w = net.params[name][0].data batch_size = w.shape[0] try: b = net.params[name][1].data except: b = np.zeros(batch_size)try: # extract mean and var in BN layer bn = name[:-4]+'bn' mean = net.params[bn][0].data var = net.params[bn][1].data scalef = net.params[bn][2].data if scalef != 0: scalef = 1. / scalef mean = mean * scalef var = var * scalef# extract gamma and beta in Scale layer scale = name[:-4]+'scale' gamma = net.params[scale][0].data beta = net.params[scale][1].data# merge bn tmp = gamma/np.sqrt(var+1e-5) w = np.reshape(tmp, (batch_size, 1, 1, 1))*w b = tmp*(b-mean)+beta except: print("nothing")# store weight and bias in destination net dst_net.params[name][0].data[...] = w try: dst_net.params[name][1].data[...] = b except: try: net.params[scale][1].data[...] = b dst_net.params[name].extend([net.params[scale][1]]) except: print("nothing")dst_net.save('yolov4-tiny-mergeBN.caffemodel')

对prototxt就手动修改一下，删除 BatchNorm 和 Scale，在 Convolution 中将 bias_term 设为 true
layer { bottom: "data" top: "layer1-conv" name: "layer1-conv" type: "Convolution" convolution_param { num_output: 32 kernel_size: 3 pad: 1 stride: 2 bias_term: true } } layer { bottom: "layer1-conv" top: "layer1-conv" name: "layer1-act" type: "ReLU" relu_param { negative_slope: 0.1 } }

    推荐阅读


    上一篇：Darkent|Darknet-Yolo系列(一）利用 Darknet 在自己的数据集上训练 Yolov4-tiny 模型

    下一篇：YOLO-V4|yolov4 darknet编译和训练自己的数据集