点击上方“3D视觉工坊”，选择“星标”

干货第一时间送达

【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！）

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：

预测图片展示

本文仅做学术分享，如有侵权，请联系删文。

下载1

在「3D视觉工坊」公众号后台回复：3D视觉，即可下载 3D视觉相关资料干货，涉及相机标定、三维重建、立体视觉、SLAM、深度学习、点云后处理、多视图几何等方向。

下载2

在「3D视觉工坊」公众号后台回复：3D视觉github资源汇总，即可下载包括结构光、标定源码、缺陷检测源码、深度估计与深度补全源码、点云处理相关源码、立体匹配源码、单目、双目3D检测、基于点云的3D检测、6D姿态估计源码汇总等。

下载3

在「3D视觉工坊」公众号后台回复：相机标定，即可下载独家相机标定学习课件与视频网址；后台回复：立体匹配，即可下载独家立体匹配学习课件与视频网址。

重磅！3DCVer-学术论文写作投稿 交流群已成立

扫码添加小助手微信，可申请加入3D视觉工坊-学术论文写作与投稿 微信交流群，旨在交流顶会、顶刊、SCI、EI等写作与投稿事宜。

同时也可申请加入我们的细分方向交流群，目前主要有3D视觉、CV&深度学习、SLAM、三维重建、点云后处理、自动驾驶、多传感器融合、CV入门、三维测量、VR/AR、3D人脸识别、医疗影像、缺陷检测、行人重识别、目标跟踪、视觉产品落地、视觉竞赛、车牌识别、硬件选型、学术交流、求职交流、ORB-SLAM系列源码交流、深度估计等微信群。

一定要备注：研究方向+学校/公司+昵称，例如：”3D视觉 + 上海交大 + 静静“。请按照格式备注，可快速被通过且邀请进群。原创投稿也请联系。

▲长按加微信群或投稿

▲长按关注公众号

3D视觉从入门到精通知识星球：针对3D视觉领域的知识点汇总、入门进阶学习路线、最新paper分享、疑问解答四个方面进行深耕，更有各类大厂的算法工程人员进行技术指导。与此同时，星球将联合知名企业发布3D视觉相关算法开发岗位以及项目对接信息，打造成集技术与就业为一体的铁杆粉丝聚集区，近3000星球成员为创造更好的AI世界共同进步，知识星球入口：

学习3D视觉核心技术，扫描查看介绍，3天内无条件退款

圈里有高质量教程资料、可答疑解惑、助你高效解决问题

觉得有用，麻烦给个赞和在看~