yolov3 darknet模型轉換為DPU xmodel模型

一、個人電腦或服務器安裝Vitis-AI docker鏡像

參考github倉庫Installation

  1. 確保已經安裝了docker環境,并安裝docker鏡像
docker pull xilinx/vitis-ai-cpu:latest  
  1. 下載Vitis-AI倉庫
git clone --recurse-submodules https://github.com/Xilinx/Vitis-AI  

cd Vitis-AI
  1. 啟動Vitis-AI docker鏡像
./docker_run.sh xilinx/vitis-ai-cpu:latest

二、darknet模型轉為caffe模型

以下二 三 四步操作都在Vitis-AI docker鏡像中完成

  1. 激活conda環境
conda activate vitis-ai-caffe
  1. 使用工具進行轉換
python /opt/vitis_ai/conda/envs/vitis-ai-caffe/bin/convert.py /path/to/yolov3-voc.cfg /path/to/yolov3-voc.weights /path/to/yolov3.prototxt /path/to/yolov3.caffemodel #prototxt和caffemodel為生成的文件

三、caffe模型量化

  1. 修改生成的yolov3.prototxt文件,將文件頭部修改為如下
name: "Darkent2Caffe"
#input: "data"
#input_dim: 1
#input_dim: 3
#input_dim: 416
#input_dim: 416

layer {
  name: "data"
  type: "ImageData"
  top: "data"
  top: "label"
  include {
    phase: TRAIN
  }
  image_data_param {
    root_folder: "/workspace/quImg/"
    source: "/workspace/q.txt"
    batch_size: 1
    shuffle: false
  }
  transform_param {
    mirror: false
    yolo_width: 416
    yolo_height: 416
  }
}

其中root_folder是圖片的文件夾,source中的q.txt中是具體圖片的名字。

q.txt中內容如下:

64_01_20210428111258426_1-7265.jpg 0
64_01_20210429011105543_19-6710.jpg 1
64_01_20210429011105543_23-3593.jpg 1
64_01_20210427115650449_3-2244.jpg 0
64_01_20210429011105543_20-4260.jpg 1

該步驟解釋:量化時要準備多張訓練時的樣本圖片,這些樣本圖片對量化后的檢測準確率有很大提升。(一類200張)

  1. 使用vai_q_caffe進行量化
vai_q_caffe quantize -model yolov3.prototxt -keep_fixed_neuron -calib_iter 20 -weights yolov3.caffemodel -output_dir yolov3_quantized/ -method 1

編譯成功之后,yolov3_quantized文件夾下有四個文件

  • deploy.caffemodel
  • deploy.prototxt 前兩個都是后續編譯需要的模型,無法被caffe所讀取
  • quantize_train_test.caffemodel
  • quantize_train_test.prototxt 這兩個文件是量化過后的caffe模型,可以用作測試和遷移訓練

四、模型編譯

將caffemodel轉換為DPU可以運行的模型

ARCH=/opt/vitis_ai/compiler/arch/DPUCZDX8G/ZCU104/arch.json; #不同開發板設置不同json

vai_c_caffe --prototxt yolov3_quantized/deploy.prototxt --caffemodel yolov3_quantized/deploy.caffemodel --arch ${ARCH} --output_dir yolov3_compiled/ --net_name dpu_yolov3_voc --options "{'mode':'normal','save_kernel':''}";

運行完成后,可以yolov3_compiled文件夾下生成dpu_yolov3_voc.xmodel,拷貝到zcu104開發板即可。

?著作權歸作者所有,轉載或內容合作請聯系作者
平臺聲明:文章內容(如有圖片或視頻亦包括在內)由作者上傳并發布,文章內容僅代表作者本人觀點,簡書系信息發布平臺,僅提供信息存儲服務。

推薦閱讀更多精彩內容