实际工作中，目标检测 yolov3 或者 yolov4 模型移植到 AI 芯片中，经常需要将其先转换为 caffe1.x 模型，大家可能或多或少也有这方面的需求。例如华为海思 NNIE 只支持caffe1.x 模型，所以 yolov3/yolov4 模型要想在海思芯片上部署，转换为 caffe1.x 模型是必须的。
今天，专门给大家写一下将 yolov3/yolov4 模型转为 caffe 模型的详细步骤。
0. 系统环境
1. 部署 caffe 环境
常规的方法是下载 caffe 的源码，进行编译安装。但是，这种方法比较复杂，不太容易成功。更简单的方法是直接下载 caffe1.x 的docker 镜像。这种方法需要你提前在 Ubuntu 里安装了 nvidia-docker。
打开 docker hub 网站：
https://registry.hub.docker.com/
搜索 caffe，看到这个镜像：
点击进去，看到该镜像的下拉命令：
sudo docker pull bvlc/caffe
打开 Ubuntu 终端，输入上面的下拉命令，将 caffe 的 docker 镜像下载下来。
下载完成之后，终端输入命令：
就可以看到已下载的 caffe 镜像了。
为镜像创建容器：
docker run --runtime=nvidia --name caffe -i -t bvlc/caffe /bin/bash
这里我们给该容器起的名字是 caffe，大家可以自由设置，根据 `sudo docker ps -a` 这条命令来查看各个容器。
这样，我们就进入了 caffe1.x 的 docker 容器之内了。
该容器已部署好了 caffe1.x，caffe1.x 路径为：
2. caffe 源码修改
因为官方 caffe1.x 框架不支持 yolo3/yolov4 的 upsample 层，所以需要手动增加 upsample 层，对 caffe 源码进行修改。
克隆 GitHub 上的转换工具项目：
git clone https://github.com/ChenYingpeng/darknet2caffe.git
将 darknet2caffe/caffe_layers/mish_layer 下的 mish_layer.hpp 文件和 darknet2caffe/tree/master/caffe_layers/upsample_layer 下的 upsample_layer.hpp 拷贝到容器的路径：/opt/caffe/include/caffe/layers 下。
将 darknet2caffe/caffe_layers/mish_layer 下的 mish_layer.cpp、mish_layer.cu 文件和 darknet2caffe/tree/master/caffe_layers/upsample_layer 下的 upsample_layer.cpp、upsample_layer.cu 拷贝到容器的路径：/opt/caffe/src/caffe/layers/ 下。
将 darknet2caffe/caffe_layers/pooling_layer 下的 pooling_layer.cpp 拷贝到容器的路径：/opt/caffe/src/caffe/layers/ 下。
然后，打开容器内的 caffe 文件：/opt/caffe/src/caffe/proto/caffe.proto。按照如下说明修改相应字段的程序。
// LayerParameter next available layer-specific ID: 147 (last added: recurrent_param)
message LayerParameter {
optional TileParameter tile_param = 138;
optional VideoDataParameter video_data_param = 207;
optional WindowDataParameter window_data_param = 129;
++optional UpsampleParameter upsample_param = 149; //added by chen for Yolov3, make sure this id 149 not the same as before.
++optional MishParameter mish_param = 150; //added by chen for yolov4,make sure this id 150 not the same as before.
}
// added by chen for YoloV3
++message UpsampleParameter{
++ optional int32 scale = 1 [default = 1];
++}
// Message that stores parameters used by MishLayer
++message MishParameter {
++ enum Engine {
++ DEFAULT = 0;
++ CAFFE = 1;
++ CUDNN = 2;
++ }
++ optional Engine engine = 2 [default = DEFAULT];
++}
其中，++ 表示该行是增加的内容。
3. caffe 重新编译
修改完 caffe 的一些源码之后，需要对 caffe 重新编译。
进入 /opt/caffe/build 目录，输入以下命令：
make clean
make all -j8
make pycaffe -j8
caffe 重新编译之后，就可以对 yolov3/yolov4 模型进行 caffe 转换了。
4. 模型转换
准备好我们已有的 yolov3 模型的配置文件和权重文件，例如：yolov3.cfg 和 yolov3.weights。在 darknet2caffe 目录下，输入以下命令：
python darknet2caffe.py ./yolov3.cfg ./yolov3.weights ./yolov3.prototxt ./yolov3.caffemodel
如果输出类似下面的语句，则证明转换成功！
I0522 10:19:19.015708 25251 net.cpp:228] layer1-act does not need backward computation.
I0522 10:19:19.015712 25251 net.cpp:228] layer1-scale does not need backward computation.
I0522 10:19:19.015714 25251 net.cpp:228] layer1-bn does not need backward computation.
I0522 10:19:19.015718 25251 net.cpp:228] layer1-conv does not need backward computation.
I0522 10:19:19.015722 25251 net.cpp:228] input does not need backward computation.
I0522 10:19:19.015725 25251 net.cpp:270] This network produces output layer139-conv
I0522 10:19:19.015731 25251 net.cpp:270] This network produces output layer150-conv
I0522 10:19:19.015736 25251 net.cpp:270] This network produces output layer161-conv
I0522 10:19:19.015911 25251 net.cpp:283] Network initialization done.
unknow layer type yolo
unknow layer type yolo
save prototxt to ./yolov3.prototxt
save caffemodel to ./yolov3.caffemodel
其中，yolov3.prototxt 和 yolov3.caffemodel 为转换后的 caffe 模型。
至此，yolov3/yolov4 转换为 caffe 模型完成！
AI 角：机器人遛弯
