darknet轉caffe中有很多潛在的問題，在yolov1、v2、v3幾個網路中有一些特殊的層。要在caffe中跑yolo，就得在caffe中原始碼實現這些層。這些層的caffe原始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
原始碼實現
yolov2
route層
用concat層替換
reorg層
原始碼實現
region層
原始碼實現
yolov3
shortcut層
用eltwise層實現
route層
用concat層實現
yolo層
原始碼實現
在caffe平台實現yolo系列，可以分成以下兩種方式：
（1）darknet平台訓練完成yolo模型，然後將.cfg檔案和.weights檔案通過指令碼轉換為caffe框架下的.prototxt檔案和.caffemodel檔案，最後在caffe下使用轉換好的.prototxt檔案和.caffemodel檔案進行目標檢測任務。
（2）手動寫好.prototxt模型結構檔案，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已經原始碼實現上面那幾個特殊層為前提。
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後可以將中間引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引數，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。
yolov1主要是需要實現detection層，再就是yolo系列中使用的啟用函式是leaky，可以選擇單獨實現，也可以用relu實現（配置引數）。
leaky層原始碼實現資源：
detection層原始碼實現資源：
leaky層的新增和detection層是一致的，具體實現參考：
（1）yolov1的detection層實現：
（2）實現yolov1目標檢測：
注：該detection的實現不支援gpu模式，通過這裡初步了解caffe下原始碼實現新增新層也還是可以的。
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）（2）caffe原始碼：
（3）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原始碼：已經包含了yolo一些層的實現）
具體步驟如下（以yolov2_tiny為例）：
（1）訓練yolov2_tiny，在darknet下完成，參考官網，
這裡有個問題需要注意！！！
下圖中，對於yolov2_tiny，416*416的輸入，經過最後乙個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原始碼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指定引數就行。
處理之後，經該max pool層處理特徵圖會由13*13變為14*14，darknet和caffe兩個框架下達成統一。
（2）訓練完成後得到.weights模型權重檔案
（3）模型轉換
使用指令碼將.cfg檔案和.weights檔案轉換為.prototxt檔案和.caffemodel檔案。
模型轉換參考：
（4）在caffe框架下進行測試
2）解壓得到資料夾caffe_yolov2-master
3）編譯安裝
make all -j8
sudo make pycaffe -j8
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：具體測試時使用的資料集，以及測多少張等，自行在指令碼detect.py中進行修改。
YOLO v2 檢測原理
v2版本的優化目標 改善召回率，提公升定位精度，保證分類準確度。yolov2相比yolov1的改進 v2在每乙個卷積之後增加了bn層，提高了網路訓練的速度，加快了收斂，消除了對其他正則化的依賴，且正則化效果更好，使調參更簡單，即使去掉dropout層也不會產生過擬合。v1先使用224 224的解析度...
YOLOV2演算法筆記
yolov2演算法詳解部落格 一 better 1.對每一層都做了歸一化 2.先利用分類資料對網路進行訓練，然後遷移學習。3.不再和yolov1那樣直接 bounding box，yolov2中開始利用ancher box,4.dimension clusters，利用k means聚類的方式，發現...
Yolo v2 多版本安裝
1 vs2015 opencv3.2 geforce gt 1030 c 編譯 github vs2015安裝 opencv3.2配置 cuda選擇9.0，cudnn配套 配置和編譯 雙擊 darknet master build darknet darknet.sln 如果沒有gpu採用darkn...