【GiantPandaCV】基于Caffe格式部署YOLOV5模型

[Violet_恒源智享云]

【GiantPandaCV导语】本文为大家介绍了一个caffe部署yolov5 模型的教程，并开源了全部代码。主要是教你如何搭建caffe推理环境，对yolov5模型做onnx格式转换，onnx模型转caffe模型，实测在1070显卡做到了11ms一帧！

部署简介

如果说目标检测落地最广的是哪个算法，yolo系列肯定有一席之地，本文为大家介绍yolov5s 4.0模型如何转换为caffe模型并推理，据我所知，华为海思NNIE只支持caffe模型的转换，所以yolov5模型要想在海思芯片上部署，转换为caffe模型是有必要的（在我的1070显卡上，yolov5s 4.0 的模型inference做到了11ms一帧！）

推理速度截图

环境配置

• ubuntu：18.04

• cuda：10.0

• cudnn：7.6.5

• caffe: 1.0

• OpenCV：3.4.2

• Anaconda3：5.2.0

• 相关的安装包我已经放到百度云盘，可以从如下链接下载: https://pan.baidu.com/s/17bjiU4H5O36psGrHlFdM7A 密码: br7h

• cuda和cudnn的安装

• 可以参考我的TensorRT量化部署yolov5模型的文章（https://zhuanlan.zhihu.com/p/348110519）

• Anaconda安装

• chmod +x Anaconda3-5.2.0-Linux-x86_64.sh（从上面百度云盘链接下载） .- /Anaconda3-5.2.0-Linux-x86_64.sh

• 按ENTER，然后按q调至结尾

• 接受协议　yes

• 安装路径　使用默认路径

• 执行安装

• 在使用的用户.bashrc上添加anaconda路径，比如

• export PATH=/home/willer/anaconda3/bin:$PATH

• caffe安装

• git clone https://github.com/Wulingtian/yolov5_caffe.git

• cd yolov5_caffe

• 命令行输入如下内容：

• export CPLUS_INCLUDE_PATH=/home/你的用户名/anaconda3/include/python3.6m

• make all -j8

• make pycaffe -j8

• vim ~/.bashrc

• export PYTHONPATH=/home/你的用户名/yolov5_caffe/python:$PYTHONPATH

• source ~/.bashrc

编译过程踩过的坑

libstdc++.so.6: version `GLIBCXX_3.4.21’ not found
解决方案：https://blog.csdn.net/phdsky/article/details/84104769?utm_medium=distribute.pc_relevant.none-task-blog-BlogCommendFromMachineLearnPai2-1.add_param_isCf&depth_1-utm_source=distribute.pc_relevant.none-task-blog-BlogCommendFromMachineLearnPai2-1.add_param_isCf#commentBox

ImportError: No module named google.protobuf.internal
解决方案：https://blog.csdn.net/quantum7/article/details/83507364
wrap_python.hpp:50:23: fatal error: pyconfig.h: No such file or dir

解决方案：https://blog.csdn.net/weixin_37251044/article/details/79158823

yolov5s模型转换onnx模型

• pip安装onnx和onnx-simplifier
• pip install onnx
• pip install onnx-simplifier
• 拉取yolov5官方代码
• git clone https://github.com/ultralytics/yolov5.git
• 训练自己的模型步骤参考yolov5官方介绍，训练完成后我们得到了一个模型文件
• cd yolov5
• python models/export.py --weights 训练得到的模型权重路径 --img-size 训练图片输入尺寸
• python -m onnxsim onnx模型名称 yolov5s-simple.onnx 得到最终简化后的onnx模型

onnx模型转换caffe模型

• git clone https://github.com/Wulingtian/yolov5_onnx2caffe.git
• cd yolov5_onnx2caffe v- im convertCaffe.py
• 设置onnx_path（上面转换得到的onnx模型），prototxt_path（caffe的prototxt保存路径），caffemodel_path（caffe的caffemodel保存路径）
• python convertCaffe.py 得到转换好的caffe模型

caffe模型推理

• 定位到yolov5_caffe目录下
• cd tools
• vim caffe_yolov5s.cpp
• 设置如下参数：
• INPUT_W（模型输入宽度）
• INPUT_H（模型输入高度）
• NUM_CLASS（模型有多少个类别，例如我训练的模型是安全帽检测，只有1类，所以设置为1，不需要加背景类）
• NMS_THRESH（做非极大值抑制的阈值）
• CONF_THRESH（类别置信度）
• prototxt_path（caffe模型的prototxt路径）
• caffemodel_path（caffe模型的caffemodel路径）
• pic_path（预测图片的路径）
• 定位到yolov5_caffe目录下
• make -j8
• cd build
• ./tools/caffe_yolov5s 输出平均推理时间，以及保存预测图片到当前目录下，至此，部署完成！

华为海思NNIE部署拙见

如果有小伙伴，想把caffe模型部署到海思芯片，建议把yolov5的focus层替换为conv层（stride为2），upsample层替换为deconv层，如下图所示修改：

修改后的模型配置yaml文件

预测图片展示

预测效果展示

————————————————————————————
转载来源：公众号【GiantPandaCV】
公众号简介：专注于机器学习、深度学习、计算机视觉、图像处理等多个方向技术分享。团队由一群热爱技术且热衷于分享的小伙伴组成。我们坚持原创，每周一到两篇原创技术分享。希望在传播知识、分享知识的同时能够启发你，大家一起共同进步(･ω<)☆

[Alice_恒源云]

博主分享的踩坑经历，很有帮助～感兴趣的用户可以关注博主公众号哈