目前darknet框架下的模型训练都是在C环境下训练的，难免较为晦涩，如果能将模型转换到Tensorflow环境下完成模型的训练，在将训练好的权重转为Darknet可以识别的权重部署到实际应用中。这样就可以将算法的训练和实际部署分开！
1、将Darknet框架下的.cfg与.weights 转为Tensorflow框架下的.cpkt模型
先clone这个项目，用于darknet模型转tensorflow
https://github.com/Linzmin1927/DW2TF
cd 到DW2TF目录下，然后执行
python3 main.py --cfg ‘data/yolov3-tiny.cfg‘ --weights ‘data/yolov3-tiny.weights‘ --output ‘tf_file/‘ --prefix ‘yolov3-tiny/‘ --gpu 0
可以在tf_file中查看相关生成的ckpt文件与pd文件
在python中执行以下脚本，可以查看网络结构和各个权重
import tensorflow as tf
from tensorflow.python import pywrap_tensorflow
tf.reset_default_graph()
model_dir = "tf_files" # ckpt文件目录
ckpt = tf.train.get_checkpoint_state(model_dir)
ckpt_path = ckpt.model_checkpoint_path
# 加载图结构
reader = pywrap_tensorflow.NewCheckpointReader(ckpt_path)
param_dict = reader.get_variable_to_shape_map()
# 打印图中变量
for key, val in param_dict.items():
try:
print(key, val)
except:
pass
# 加载权重数据
saver = tf.train.import_meta_graph(ckpt_path+‘.meta‘,clear_devices=True)
graph = tf.get_default_graph()
with tf.Session( graph=graph) as sess:
sess.run(tf.global_variables_initializer())
saver.restore(sess,ckpt_path)
#启动TensorBoard
summaryWriter = tf.summary.FileWriter(‘log/‘, tf.get_default_graph())
# 查看第一个卷积层的卷积权重
key = ‘yolov3-tiny/convolutional1/kernel‘
w = reader.get_tensor(key)
print(type(w))
print(w.shape)
print(w)
可以看到网络第一层卷积层卷积权重打印出来
然后在根目录下打开cmd 输入 tensorboard --logdir log/ 启动tensorboard服务，在浏览器中输入http://localhost:6006/ 可以查看当前网络结构
2、darknet 与 tensorflow 权重数据解析与转换
如果需要将Tensorflow的权重数据转为Darknet的权重，需要进一步解析两个框架下权重保存的数据格式。
分别打开 yolov3.weights文件和yolov3-tiny.ckpt.data-00000-of-00001文件。
yolov3.weights文件(Darknet)
yolov3-tiny.ckpt.data-00000-of-00001文件(Tensorflow)
可以看到权重值是一样的，yolov3.weights文件中还包含了权重版本信息和迭代训练次数！所以只要Tensorflow网络结构和Darknet一致，就能很方便手动将Tensorflow权重转存为Darknet。
---------------------
作者：橘子都吃不起！
来源：CSDN
原文：https://blog.csdn.net/weixin_42754237/article/details/87534092
版权声明：本文为博主原创文章，转载请附上博文链接！
原文地址：https://www.cnblogs.com/zhangmingcheng/p/10874059.html