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
本文仅做学术分享，如有侵权，请联系删文。
