搭建caffe平台：

先在Linux系统下搭建caffe环境，安装依赖包：

sudo apt-get install libprotobuf-dev libleveldb-dev libsnappy-dev libopencv-dev libhdf5-serial-dev protobuf-compiler

sudo apt-get install --no-install-recommends libboost-all-dev

sudo apt-get install libgflags-dev libgoogle-glog-dev liblmdb-dev

sudo apt-get install libblas-dev

sudo apt-get install libatlas-base-dev

sudo apt-get install libopenblas-dev

sudo apt-get install python-skimage

sudo apt-get install python-protobuf

pip install easydict

(1)在linux环境下首先按下ctrl+alt+t打开一个新的terminal， 选定一个目录(还是建议不要在根目录下操作，尽量在用户目录下操作)输入命令mkdir Github; cd Github新建一个目录，并进入目录。

(2)输入git clone https://github.com/BVLC/caffe.git把远端仓库拉到本地目录。

(3)进入caffe目录，cp Makefile.config.example Makefile.config; 复制一份Makefile。

(4)该步骤为修改Makefile.config与Makefile文件，注意进行区分。

Makefile.config文件：

vim Makefile.config进入编辑模式；按住shift+：输入set number显示行号。

*第8行：如果没有CUDA的话就取消这一行的注释，编译CPU版本caffe，如果有显卡的话，注意需要安装CUDA，CUDA的搭建我们在先前教程已完成；

*第39行：根据代码注释，结合CUDA版本注释或接注释：

*第70行：将 /usr/lib/python2.7/dist-packages/numpy/core/include gaicheng修改为/usr/lib/local/python2.7/dist-packages/numpy/core/include

*第97行添加/usr/include/hdf5/serial 到 INCLUDE_DIRS。

INCLUDE_DIRS := $(PYTHON_INCLUDE) /usr/local/include /usr/include/hdf5/serial

*第98行进行修改，添加/usr/lib/x86_64-linux-gnu /usr/lib/x86_64-linux-gnu/hdf5/serial到LIBRARY_DIRS：

LIBRARY_DIRS := $(PYTHON_LIB) /usr/local/lib /usr/lib /usr/lib/x86_64-linux-gnu /usr/lib/x86_64-linux-gnu/hdf5/serial

Makefile文件：

*第181行，添加hdf5_hl hdf5。

LIBRARIES += glog gflags protobuf boost_system boost_filesystem m hdf5_serial_hl hdf5_serial

1)输入 ：

make –j12

进行编译。

2)make通过后输入：

make test –j12

make runtest –j12

测试编译正确性。通过后输入：

make pycaffe，编译通过后就可以在python下调用caffe。(也可以进入python环境下输入import caffe，若无报错则caffe环境搭建成功)

3)将caffe添加至环境变量：

gedit ~/.bashrc

export PYTHONPATH=$PYTHONPATH:{your local caffe path}/python

source ~/.bashrc

至此caffe环境搭建完成。

Pytorch转caffe模型：

首先将远端的Pytorch转Caffe模型工具git到本地路径下，进入../Github路径下(为了方便使用，同一将文件放入../Github路径下)：

git clone https://github.com/tuvia0213/brocolli.git

(1)进入到../Github/brocolli/tests/pytorch_model文件目录下，将之前训练好的pytorch模型(pnet_epoch_9.pt、pnet_epoch_10.pt，后缀数字越大模型越精确，P、R、Onet相同)放入该目录。

(2)打开../Github/brocolli/tests目录，将../DFace/dface/core下的models.py与models.pyc文件放入../Github/brocolli下，运行../brocolli/tests下的pytorch_model_converter.py脚本。

(3)在转换Pnet、Rnet、Onet三种模型时需要对该脚本进行修改，三者类似，只以Pnet为例修改：

1)19行改为from models import PNet；

2)21行改为model_file = “pytorch_model/pnet_epoch_9.pt”；

3)25行改为PNet；

4)27行改为model_weights = torch.load(‘pytorch_model/pnet_epoch_10.pt’)；

5)42、49、51行中，分别对红字进行修改：

dummy_input = torch.ones([1, 3, 24, 24])

summary(net, (3, 24, 24), device='cpu')

pytorch_parser = PytorchParser(model_file, [3, 24, 24])

在(1，3，24，24)中，1是batch size，3是channel(RGB)，24为input size，只需要修改24，修改方法分别参考教程《深度学习之DFACE模型pytorch训练(二)》三个网络的input_size，只需改成input size的整数倍即可；

(4)修改完后进入../brocoll/tests路径下进行模型转换：

python pytorch_model_converter.py

完成模型Pytorch转Caffe的模型转换，转换完后生成.caffemodel和.prototxt格式文件，进行Caffe转NCNN模型的转换。

Caffe转NCNN模型：

ncnn是腾讯推出的一款嵌入式端推理框架，它可以完美兼容caffe环境，将caffe模型转换成ncnn框架支持的格式，然后就可以进行推理了。

在这里感谢腾讯。

(1)cd ../Github；git clone https://github.com/Tencent/ncnn.git；

(2)cd ncnn; mkdir –p build; cd build; cmake ..; make –j4;编译生成pc端的工具；

(3)将caffe模型转换到ncnn可使用的模型；

(4)切换到目录ncnn/build/tools/caffe，运行

./caffe2ncnn pnet_epoch_10.pt.prototxt pnet_epoch_10.pt.caffemodel det1.param det1.bin

即可得到NCNN模型，Pnet、Rnet、Onet分别对应det1、det2、det3。

至此，模型转换完毕。