过程框图如下：
具体步骤如下：
模型训练
-
安装环境依赖(https://github.com/AlexeyAB/darknet#requirements-for-windows-linux-and-macos)
-
训练工具编译
git clone https://github.com/AlexeyAB/darknetcd darknet
mkdir build_releasecd build_release
cmake …
cmake --build . --target install --parallel 8 -
准备数据集，训练集图片放在train文件夹内，验证集放在val文件夹内。
-
数据标注
git clone https://hub.fastgit.org/AlexeyAB/Yolo_mark.git
cmake .
make
./linux_mark.sh
使用方法详见Yolo_mark目录内的readme.md -
模型训练
除两个数据集外，启动训练还需要配置几个参数文件。
obj.data
obj.name
train.txt
以上三个文件,会在数据标注时自动生成在Yolo_mark/x64/Release/data目录下，obj.name文件包含所有目标的类别名，train.txt包含所有训练图片路径，val.txt非必须，可以手动从train文件中分割出30%的图片用于验证。而obj.data文件申明了上述所有文件的路径和类别总数，如果使用自己的数据集，对应参数修改请在标注前完成修改。
yolo.cfg(拓扑)
Yolo.conv（预训练权重）
cfg和conv存在一定对应关系，考虑此处训练的模型最终需部署在openncc上，推荐使用（yolov4-tiny.cfg+yolov4-tiny.conv.29）或（yolov3-tiny.cfg+yolov3-tiny.conv.11）的搭配，cfg文件可以直接在darknet/cfg目录下找到。
Cfg文件修改！！
如果目标类别数量不等于80，则必须修改cfg文件。
搜索cfg文件中所有yolo层的位置，若总共有3 类目标，则将[yolo]层classes参数定义为3，再将[yolo]上一层[convolutional]层的filters定义为24.计算方式为filters=（classes+5）*3。
对yolov4-tiny.cfg来说有两个yolo层，所以一共需要修改4个参数。
启动训练
第二步编译成功后，会在darknet目录下生成./darknet工具。
输入命令： ./darknet detector train ./obj.data ./yolov4-tiny.cfg ./yolov4-tiny.conv.29 -map
垃圾显卡（低于1080Ti）可能出现内存不够的报错，此时需要在cfg的第一层[net]中将batch参数改到8以下（8，4，2，1）。
若训练进行顺利，可看到如下图的训练日志图表。
训练结束后，可看到一系列.weights文件。这里还是建议制作数据集时设置一个验证集，这样可以直接锁定验证集中map最高的权重yolov4-tiny_best.weights作为后续使用。
- 模型转换
-
Darknet to tensorflow
git clone https://github.com/RenLuXi/tensorflow-yolov4-tiny.git
cd tensorflow-yolov4-tiny
python convert_weights_pb.py --class_names obj.names --weights_file yolov4-tiny_best.weights --tiny
这里需要用到第五步中obj.names和yolov4-tiny_best.weights. -
Tensorflow to IR(openvino推理格式)
修改json配置文件
打开tensorflow-yolov4-tiny目录下的yolo_v4_tiny.json，将其中的classes值修改为你自己的类别数，openvino进行tensorflow转换需要用到这个文件。
然后替换json配置文件
cp ./yolo_v4_tiny.json /opt/intel/openvino/deployment_tools/model_optimizer/extensions/front/tf
进入openvino模型转换工具目录
cd /opt/intel/openvino/deployment_tools/model_optimizer
转换命令
python mo.py --input_model yolov4-tiny.pb --transformations_config ./extensions/front/tf/yolo_v4_tiny.json --batch 1 --data_type FP32 --reverse_input_channels -
IR to blob
老办法，先初始化openvino环境，然后把上一步生成的xml和bin文件丢过去转换
source /opt/intel/openvino_2020.3.194/bin/setupvars.sh
cd /opt/intel/openvino_2020.3.194/deployment_tools/inference_engine/lib/intel64
cp /opt/intel/openvino/deployment_tools/model_optimizer/yolov4-tiny.xml ./
cp /opt/intel/openvino/deployment_tools/model_optimizer/yolov4-tiny.bin ./
/opt/intel/openvino_2020.3.194/deployment_tools/inference_engine/lib/intel64/myriad_compile -m yolov4-tiny.xml -o yolov4-tiny.blob -VPU_MYRIAD_PLATFORM VPU_MYRIAD_2480 -VPU_NUMBER_OF_SHAVES 6 -VPU_NUMBER_OF_CMX_SLICES 6
- 使用模型
把xml，bin，blob三个文件放入OpenNCC-yolo中使用，具体方法可参考Github repository OpenNCC yolo。
