用Tiny-YOLO-V4 和YOLO-V4 在移動端跑自己訓練的模型

如何在移動端跑自己訓練的資料 Tiny-YOLO-V4 和YOLO-V4進行目标檢測 ncnn平台 Linux系統

• tiny-yolov4剛出沒幾天，想在移動端跑一下tiny-yolo,但是opencv不給力啊，還不支援yolo-v4
• 結果昨天騰訊釋出了支援tiny-yolo-v4的

  darknet2ncnn

  …………emmmmmmmmmmmmmmmm
• 于是果斷換ncnn

一、ncnn下載下傳

1. mkdir ncnn-TinyYoloV4

2. cd ncnn-TinyYoloV4

3. git clone https://github.com/Tencent/ncnn.git

4. git submodule init

5. git submodule update

二、選一個系統

由于我想在樹莓派上跑，先在電腦(電腦是ubuntu18.04)上試試，選的系統是(Linux x86)

1. 在外邊建立個檔案夾

   mkdir Linux86-TinyYOLOV4

2. cd Linux86-TinyYOLOV4

3. wget https://sdk.lunarg.com/sdk/download/1.1.114.0/linux/vulkansdk-linux-x86_64-1.1.114.0.tar.gz?Human=true -O vulkansdk-linux-x86_64-1.1.114.0.tar.gz

   下載下傳 (速度太慢就翻牆吧）翻牆還慢就下這個吧

4. tar -xf vulkansdk-linux-x86_64-1.1.114.0.tar.gz

   下載下傳好了就解壓

5. cd <解壓後的檔案夾>

6. export VULKAN_SDK=pwd/1.1.114.0/x86_64

   這裡就是給系統添加個環境變量VULKAN_SDK=解壓後檔案夾中的x86_64路徑

三、編譯

1. cd ncnn-TinyYoloV4

   進入之前建立的ncnn-TinyYoloV4檔案夾中

2. cd nccv

   進入clone的檔案夾中

3. mkdir -p build

   建立build檔案夾

4. cd build

5. cmake ..

   cmake出來的東西在build檔案夾中

6. make -j4

   nvcc編譯的結果都在build 檔案夾中了

四、運作YOLO-V4的檢測

1、檢測前要了解的知識

1. make完成之後，在build檔案夾中有個examples的檔案夾，進去看到有各種編譯好的網絡，其中就有yolov4

圖-1

1. 這裡解釋一下這些檔案是從哪裡編譯來的：在git clone下來的ncnn檔案夾中的examples檔案夾中

圖-2

1. 裡面應該是這樣

圖-3

1. 是以各種網絡都是通過編譯圖3中的

   .cpp

   檔案才有了圖1中的各種可直接運作的模型

   注意：

   • 其中方框圈起來的.cpp都是ncnn官方提供所支援的網絡
   • 圓圈圈起來的兩個檔案是

     squeexenet

     權重和參數檔案，其中

     • .bin

       檔案是權重相當于yolo的

       .weights

     • .param

       是網絡的參數檔案,相當于yolo中的

       .cfg

       檔案
   • 主要是告訴大家ncnn的訓練檔案是哪種格式，這個在下面訓練自己資料集時要進行格式轉換

2、進行檢測

官方提供了訓練好的樣闆

.bin

和

.param

，點選這裡下載下傳,也何以下載下傳我上傳的（内含yolov4的

.bin

+

.param

和yolov4-Tiny的

.bin

+

.param

）

解壓後是這4個檔案

圖-4

yolov4-Tiny的運作

1. 把圖4中的

   yolov4-tiny-opt.param

   和

   yolov4-tiny-opt.bin

   複制到圖1檔案夾中，進入圖1檔案夾中（也就是ncnn-TinyYoloV4->ncnn->build->examples)
2. 在加入一張圖檔，假設名字是

   test.jpg

3. 執行指令

   ./yolov4 test.jpg

   即可得到運作結果，如下所示

   

yolov4-的運作

1. 跑yolov4也是這個方法，把對應的的

   yolov4-opt.param

   和

   yolov4-opt.bin

   複制到圖1檔案夾中
2. 把上一步複制過去的兩個檔案的名字改了，改成對應的

   yolov4-tiny-opt.param

   和

   yolov4-tiny-opt.bin

   （為啥下面會說）
3. 執行指令

   ./yolov4 test.jpg

   即可得到運作結果，如下所示

   

   果然滿配的yolov4相比tiny版就是準确度高不少

如何運作自己的模型

1. 首先自己得有模型啊，不會用darknet train模型的看這篇部落格
2. 自己有模型之後，也就是有了自己的

   .weights

   和

   .cfg

   檔案之後，OK記得要把

   .cfg

   檔案的

   batch=1

   ,

   subdivisions=1

   設定好
3. 進入圖二的檔案夾中的tools檔案夾，如下

   

4. 進入darknet檔案夾:目前位置是(ncnn-TinyYoloV4->ncnn->tools->darknet)
5. 在裡面你會看到這個檔案

   darknet2ncnn.cpp

   這個檔案就是可以将darknet的

   .weights

   和

   .cfg

   檔案轉換為

   .bin

   和

   .param

   的函數，此函數沒有任何依賴，且支援yolov4和yolov4-tiny

6. 進行轉換:

   假設已有的兩個檔案是

   yolov4-tiny.cfg

   yolov4-tiny.weights

   ，要轉換為

   yolov4-tiny.param

   ，

   yolov4-tiny.bin

   這兩個檔案

   樣例指令：

   ./darknet2ncnn yolov4-tiny.cfg yolov4-tiny.weights yolov4-tiny.param yolov4-tiny.bin 1

   darknet2ncnn各個參數的意義

   Usage: darknet2ncnn [darknetcfg] [darknetweights] [ncnnparam] [ncnnbin] [merge_output]

   [darknetcfg] .cfg file of input darknet model.

   [darknetweights] .weights file of input darknet model.

   [cnnparam] .param file of output ncnn model.

   [ncnnbin] .bin file of output ncnn model.

   [merge_output] merge all output yolo layers into one, enabled by default.

   如果成功了會輸出這個：

   Loading cfg…

   WARNING: The ignore_thresh=0.700000 of yolo0 is too high. An alternative value 0.25 is written instead.

   WARNING: The ignore_thresh=0.700000 of yolo1 is too high. An alternative value 0.25 is written instead.

   Loading weights…

   Converting model…

   83 layers, 91 blobs generated.

   NOTE: The input of darknet uses: mean_vals=0 and norm_vals=1/255.f.

   NOTE: Remeber to use ncnnoptimize for better performance.

• 把新生成的

  yolov4-tiny.param

  yolov4-tiny.bin

  檔案移動到上一層目錄，也就是

  cp yolov4-tiny.param ..

  cp yolov4-tiny.bin ..

  cd ..

  ./ncnnoptimize yolov4-tiny.param yolov4-tiny.bin yolov4-tiny-opt.param yolov4-tiny-opt.bin 0

• 生成的

  yolov4-tiny-opt.param

  和

  yolov4-tiny-opt.bin

  兩個檔案即為ncnn可以使用的權重和參數，
• 把

  yolov4-tiny-opt.param

  和

  yolov4-tiny-opt.bin

  移動到（ncnn-TinyYoloV4->ncnn->build->examples）下，運作./yolov4 test.jpg就實作用自己的模型檢測目标了

  

補充:

有幾個小夥伴問我自己的label沒有改掉啊,這怎麼改,其實看這裡