https://github.com/lwplw/caffe_yolov2
DarkNet轉Caffe中有很多潛在的問題，在YOLOv1、v2、v3幾個網絡中有一些特殊的層。要在Caffe中跑YOLO，就得在Caffe中源碼實現這些層。這些層的Caffe源碼實現可以在網上找到很多。
| YOLO特殊層的Caffe框架實現 | ||
|---|---|---|
| YOLOv1 | detection層 | 源碼實現 |
| YOLOv2 | route層 | 用concat層替換 |
| reorg層 | 源碼實現 | |
| region層 | 源碼實現 | |
| YOLOv3 | shortcut層 | 用eltwise層實現 |
| route層 | 用concat層實現 | |
| yolo層 | 源碼實現 |
在Caffe平臺實現YOLO系列，可以分成以下兩種方式：
（1）DarkNet平臺訓練完成YOLO模型，然後將.cfg文件和.weights文件通過腳本轉換爲Caffe框架下的.prototxt文件和.caffemodel文件，最後在Caffe下使用轉換好的.prototxt文件和.caffemodel文件進行目標檢測任務。
（2）手動寫好.prototxt模型結構文件，直接在Caffe下進行訓練，訓練完成後進行目標檢測任務。
以上兩種方式，都是以當前Caffe已經源碼實現上面那幾個特殊層爲前提。
具體按哪種方式看自己實際需求，比如，我現在是已經有在DarkNet下訓練好可用YOLOv2_tiny模型，所以我選擇將訓練好的模型轉換到Caffe再使用，而不是從頭訓練。個人感覺YOLO在原生框架DarkNet下訓練起來更方便一些，更重要的是，在Caffe實現YOLO後可以將中間參數以及輸出結果拿出來，再和DarkNet下的YOLO做對比分析，這點還是很關鍵的，相同的模型結構和權重參數，經過對比可以很清楚的知道轉換是否正確、Caffe新加層實現是否正確。
1、YOLOv1
YOLOv1主要是需要實現detection層，再就是YOLO系列中使用的激活函數是Leaky，可以選擇單獨實現，也可以用ReLU實現（配置參數）。
Leaky層源碼實現資源：https://download.csdn.net/download/lwplwf/10712919
detection層源碼實現資源：https://download.csdn.net/download/lwplwf/10712961
Leaky層的添加和detection層是一致的，具體實現參考：
（1）YOLOv1的Detection層實現：https://blog.csdn.net/lwplwf/article/details/82788376
（2）實現YOLOv1目標檢測：https://blog.csdn.net/lwplwf/article/details/82685347
注：該detection的實現不支持GPU模式，通過這裏初步瞭解Caffe下源碼實現添加新層也還是可以的。
2、YOLOv2
重點說YOLOv2的實現，YOLOv2的Caffe實現就已經很多了，網上可以找到很多個版本，都挺好的，但也都存在的不同的問題。
還不錯的幾個實現：
（1）https://github.com/gklz1982/caffe-yolov2
（2）Caffe源碼：https://github.com/hustzxd/z0
相關轉換工具：https://github.com/hustzxd/z1
（3）https://github.com/marvis/pytorch-caffe-darknet-convert
上面幾個都有很大的參考價值，綜合以上和其他一些實現，踩了很多坑，總算是把這條路走下來了。
結合前人成果，整理得到目前可用的Caffe源碼：https://github.com/lwplw/caffe_yolov2，（已經包含了YOLO一些層的實現）
具體步驟如下（以YOLOv2_tiny爲例）：
（1）訓練YOLOv2_tiny，在DarkNet下完成，參考官網，https://pjreddie.com/darknet/yolo/
這裏有個問題需要注意！！！
下圖中，對於YOLOv2_tiny，416*416的輸入，經過最後一個max pool（size=2，stride=1），可以看到特徵圖13*13處理後還是13*13。
這就有點問題了，測試發現，Caffe中經過這一層特徵圖由13*13變成了12*12，會導致在Caffe下檢測結果的box有偏差。
解決方案：對這層max pool使用pad，由於Caffe和DarkNet對pool的處理邏輯有些差異，需要指定DarkNet中該層padding=2，Caffe種該層pad=1。
去看DarkNet源碼maxpool_layer.c發現：
簡單說一下，在DarkNet中有pad和padding兩個東西，是不一樣的，重點體現在卷積層中，而對於池化層就沒那麼複雜了，用padding指定參數就行。
處理之後，經該max pool層處理特徵圖會由13*13變爲14*14，DarkNet和Caffe兩個框架下達成統一。
（2）訓練完成後得到.weights模型權重文件
可以先在DarkNet下進行測試：
測試腳本下載：https://download.csdn.net/download/lwplwf/10723849
（3）模型轉換
使用腳本將.cfg文件和.weights文件轉換爲.prototxt文件和.caffemodel文件。
模型轉換參考：https://github.com/lwplw/darknet2caffe
（4）在Caffe框架下進行測試
1）下載caffe_yolov2源碼：https://github.com/lwplw/caffe_yolov2
2）解壓得到文件夾caffe_yolov2-master
3）編譯安裝
make all -j8
sudo make pycaffe -j8
具體參考：https://blog.csdn.net/lwplwf/article/details/82415620
編譯過程中有warning，但不影響。
4）測試
進入caffe_yolov2-master/examples/yolov2目錄下，執行命令：python detect.py
注：具體測試時使用的數據集，以及測多少張等，自行在腳本detect.py中進行修改。