在目標檢測任務中，我們常使用yolov3, yolov4作為目標檢測模型，在實際部署工作中，我們很多邊緣設備需要把模型轉換成caffe。在次記錄下轉換過程。
　　我們需要在caffe框架中，添加所需要的層。這個轉換工具可以參考github上一位大佬項目：

git clone https://github.com/ChenYingpeng/darknet2caffe.git

把大佬mish_layer文件中的mish_layer.hpp和upsample_layer文件中的upsample_layer.hpp復制到安裝caffe目錄下的include/caffe/layers/文件夾中。

├── mish_layer │ ├── mish_layer.cpp │ ├── mish_layer.cu │ └── mish_layer.hpp ├── pooling_layer │ └── pooling_layer.cpp └── upsample_layer├── upsample_layer.cpp├── upsample_layer.cu└── upsample_layer.hpp

把大佬mish_layer文件中的mish_layer.cpp、mish_layer.cu 和　upsample_layer文件中的
upsample_layer.cpp、upsample_layer.cu復制到caffe目錄下的/src/caffe/layers/文件夾中。
最后在caffe目錄下的/src/caffe/proto/caffe.proto。打開這個文件，添加以下內容：
在423行下面添加：

optional UpsampleParameter upsample_param = 149; optional MishParameter mish_param = 150;

在最后一行下添加如下內容：

message UpsampleParameter{optional int32 scale = 1 [default = 1];}message MishParameter {enum Engine {DEFAULT = 0;CAFFE = 1;CUDNN = 2;}optional Engine engine = 2 [default = DEFAULT]; }

然后我們重新編譯一下caffe，在caffe/build目錄下

sudo make clean sudo make all -j8 sudo make pycaffe -j8

最后執行轉換命令

python3 darknet2caffe.py

打印信息如下

I1030 22:34:06.650609 7437 net.cpp:202] layer1-conv does not need backward computation. I1030 22:34:06.650612 7437 net.cpp:202] input does not need backward computation. I1030 22:34:06.650614 7437 net.cpp:244] This network produces output layer139-conv I1030 22:34:06.650619 7437 net.cpp:244] This network produces output layer150-conv I1030 22:34:06.650621 7437 net.cpp:244] This network produces output layer161-conv I1030 22:34:06.650758 7437 net.cpp:257] Network initialization done. unknow layer type yolo unknow layer type yolo save prototxt to ./yolov4.protofile save caffemodel to ./yolov4.caffemode

總結

以上是生活随笔為你收集整理的darknet yolov3 yolov4转caffe 教程的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。