yolov5转onnx,yolov5入门
https://blog.csdn.net/watermelon1123/article/details/82083522
下一节将重点介绍如何实现从darknet到yolov3的转换。首先，这个过程要感谢陈英鹏提供的代码。博客在这里。
1.加入上采样层并编译Caffe
上采样层的代码在这里，密码bwrd。
的upsample_layer.hpp放在include/cafe/layers下；Upsample_layer.cpp和upsample_layer.cu放在src/caffe/layers下。
修改对应的caffe.proto文件，在src/caffe/proto/caffe.proto中添加最后一行LayerParameter:
消息层参数{
.
可选upsample parameter up sample _ param=149；
}
请注意，149是新图层的ID号。请根据您的个人caffe.proto文件指定ID号。
然后在caffe.proto中添加上采样层的参数：
消息UpsampleParameter{
可选int 32 scale=1[默认值=1]；
}
然后重新编译Caffe，以便向上采样层被添加到Caffe中。更多信息，请参考caffe中添加新层的教程。
上面已经说过，转换成Caffe后只涉及推理过程，所以我们需要转换训练好的模型(。cfg)和重量文件(。重量)到。proto和。对应Caffe下的Caffe模型。代码可以借鉴github上的模型转换工具。注意，这个工具需要pytorch支持。请自行安装。而这个工具应用于Yolov2，因为我们在Caffe中添加了相应的upsample层并且yolov3和v2的网络结构发生了变化，所以需要替换相应的darknet2caffe.py，代码在这里，密码是i6y2。
至此，我们的准备工作结束，可以通过Caffe得到相应的blobs了。这些blobs中包含的信息与darknet输入到yolo层的信息相同。我们只需要通过yolo层分析blobs的信息就可以得到目标的位置和类别信息。由于个人原因，这部分代码不能打开，不过可以参考陈英鹏的代码，在这里。测试也是可用的。只是注意，因为我们yolo层的检测过程是在Caffe之外实现的，所以yolo层对应的信息作者是以硬编码的形式加入到代码中的。使用时需要根据个人yolo层的参数进行修改(比如我测试时yolo_layer.cpp中函数get_detections中的类别数没有变化，发生了无法形容的结果.).
yolov3从暗网过渡到Caffe的整个过程就结束了，其中yolov3的原理就不详细解释了。本文主要关注与向Caffe框架过渡相关的内容。关于yolov3的具体原理文章推荐大家看这篇文章，里面详细讲解了yolov1~v3(从一组大一新生的论文中，让人不禁感叹长江后浪推前浪，前浪是GG)。关于yolov3的训练代码，推荐大家去看看darknet的源代码，尤其是Yolo层的代码。作者文章中有很多内容没有说清楚，有兴趣的可以仔细研究一下。
【代码使用】YOLOv3和高斯YOLOv3模型使用指南caffe https://blog.csdn.net/weixin _ 38715903/article/details/103695844 yolov 3 caffe使用
1)转换为咖啡模式
前提：我只是通过训练得到了相应的权重，准备了yolo要求的layer layer - upsample_layer.cpp，upsample_layer.cu，upsample_layer.h。
参考：https://blog.csdn.net/watermelon1123/article/details/82083522
添加一个新的层来完成咖啡的制备。然后安装pytorch。
克隆转换工具：
git克隆https://github.com/marvis/pytorch-caffe-darknet-convert
开始转换：最后会得到yolov 3 . proto txt yolov 3 . caffemodel。
python 2.7 darknet 2 caffe . py CFG/yolo v3-VOC . CFG yolo v3-VOC . weights yolo v3 . proto txt yolo v3 . caffemodel
将yolov3-voc.weights放入文件夹。
然后把yolov3-voc.cfg放在。/cfg文件夹。
Yov3.prototxt yolov3.caffe model是要生成的caffe模型和pro文件的名称。
2)使用caffe模型：
克隆使用工具：
git克隆https://github.com/ChenYingpeng/caffe-yolov3
cd咖啡-yolov3
将生成的caffemodel和prototxt放在。/caffemodel和。/prototxt文件[如果没有，就创建一个]
修改cmakelist.txt
全部都要改成自己的框架路径
#构建C/C接口
包含目录($ { PROJECT _ INCLUDE _ DIR } $ { GIE _ PATH }/INCLUDE)
包含目录(${PROJECT_INCLUDE_DIR}
/home/Ubuntu 247/李良/咖啡-固态硬盘/包含
/home/Ubuntu 247/李良/咖啡-固态硬盘/构建/包含
)
文件（全球推理资源*。cpp * .铜)
文件（全局推理包括*。h)
cuda _ add _ library(yolov 3-插件共享$ {推理资源})
目标_链接_库(约洛夫3-插件
/home/Ubuntu 247/李良/caffe-SSD/build/lib/lib caffe。因此
/usr/lib/x86 _ 64-Linux-GNU/libglog。因此
/usr/lib/x86 _ 64-Linux-GNU/libgflags。所以。2
/usr/lib/x86 _ 64-Linux-GNU/lib boost _ system。因此
/usr/lib/x86 _ 64-Linux-GNU/libglew。所以。1.13
)
如果你在训练中使用的是自己的锚值，要修改锚的值(yolo.cpp中),再进行编译；还有yolo.h中的班数
/*
*公司：综合
*作者：陈
*日期：2018年6月四日
*/
#包含" yolo_layer.h "
#包含"布拉斯. h "
#包含" cuda.h "
#include activations.h
#包含box.h
#包含标准视频
#包含数学。h
//yolov3
//浮点偏差[18]={10,13,16,30,33,23,30,61,62,45,59,119,116,90,156,198,373,326 };
浮点偏差[18]={7,15,16,18,22,32,9,40,20,71,37,39,52,65,70,110,105,208 };
/*
*公司：综合
*作者：陈
*日期：2018年6月四日
*/
# ifndef _ _ YOLO _图层_H_
#定义_ _ YOLO _图层_H_
#包含咖啡/咖啡. hpp
#包含字符串
#包含矢量
使用名称空间框架
const int class=3；
常量浮点阈值=0.5
常量浮点hier _ thresh=0.5
常量浮点型nms _ thresh=0.5
const int num _ bbox es=3；
const int relative=1；
编译
创建目录构建
激光唱片版本
第一种.
品牌-j12
运行：/x86_64/jwdfn/detectnet./prototxt/yolov3.prototxt./caffemodel/yolov3.caffemodel./images/dog.jpg
郑重声明：本文由网友发布，不代表盛行IT的观点，版权归原作者所有，仅为传播更多信息之目的，如有侵权请联系，我们将第一时间修改或删除，多谢。