代码地址
https://zhuanlan.zhihu.com/p/172121380
CPU:
双核 ARM Cortex A73@1.8GHz，32KB I-Cache，64KB D-Cache /512KB L2 cache
双核 ARM Cortex A53@1.2GHz，32KB I-Cache，32KB D-Cache /256KB L2 cache
单核 ARM Cortex A53@1.2GHz，32KB I-Cache，32KB D-Cache /128KB L2 cache
支持 Neon 加速，集成 FPU 处理单元
GPU:
双核 ARM Mali G71@900MHz，256KB cache
支持 OpenCL 1.1/1.2/2.0
支持 OpenGL ES 3.0/3.1/3.2
智能视频分析：
提供视觉计算处理能力
四核 DSP@700MHz，32K I-Cache /32K IRAM/512KB DRAM
双核 NNIE@840MHz 神经网络加速引擎 INT8 4T算力
内置双目深度检测单元
1）下载yolov5源码
a、git clone https://github.com/ultralytics/yolov5.git
b、git reset --hard 69be8e738
2）安装yolov5训练环境
a、conda create --name yolov5 python=3.7.9 -y
b、conda activate yolov5
c、修改requirements.txt，删除coremltools、onnx、scikit-learn前的”#“，增加一行“onnx-simplifier”
d、pip install -r requirements.txt
3）修改训练参数和模型结构
a、修改data/coco.yaml文件中类别数目、类别名、train/test/val的路径，按照自己的项目规划修改
b、修改models/yolov5s.yaml文件中类别数目
c、修改models/yolov5s.yaml中的网络结构，将focus层修改为卷积层，并设置stride为2
backbone:
# [from, number, module, args]
# [[-1, 1, Focus, [64, 3]], # 0-P1/2
[
[-1, 1, Conv, [64, 3, 2]],
[-1, 1, Conv, [128, 3, 2]], # 1-P2/4
[-1, 3, C3, [128]],
[-1, 1, Conv, [256, 3, 2]], # 3-P3/8
[-1, 9, C3, [256]],
[-1, 1, Conv, [512, 3, 2]], # 5-P4/16
[-1, 9, C3, [512]],
[-1, 1, Conv, [1024, 3, 2]], # 7-P5/32
[-1, 1, SPP, [1024, [5, 9, 13]]],
[-1, 3, C3, [1024, False]], # 9
]
或者用yolov5 release6.0版本已经去掉focus层，
backbone:
# [from, number, module, args]
[[-1, 1, Conv, [64, 6, 2, 2]], # 0-P1/2 <--- update
[-1, 1, Conv, [128, 3, 2]], # 1-P2/4
[-1, 3, C3, [128]],
[-1, 1, Conv, [256, 3, 2]], # 3-P3/8
[-1, 9, C3, [256]],
[-1, 1, Conv, [512, 3, 2]], # 5-P4/16
[-1, 9, C3, [512]],
[-1, 1, Conv, [1024, 3, 2]], # 7-P5/32
[-1, 1, SPP, [1024, [5, 9, 13]]],
[-1, 3, C3, [1024, False]], # 9
]
4）启动模型训练
python train.py --data data/coco.yaml --cfg models/yolov5s.yaml --weights '' --batch-size 64 --img-size 416 --noautoanchor
5）模型导出
python models/export.py --weights weights/last.pt
6）模型简化
python -m onnxsim weights/last.onnx weights/simple.onnx (先安装onnx-simpler)
确保已经搭建好caffe
cd yolov5_onnx2caffe
修改 convertCaffe.py 中路径
设置onnx_path（上面转换得到的简化后onnx模型），prototxt_path（caffe的prototxt保存路径），caffemodel_path（caffe的caffemodel保存路径）
python convertCaffe.py
得到转换后的caffemodel.
本地linux转换环境搭建参考：https://blog.csdn.net/racesu/article/details/107045858
配置文件注意预处理顺序即可