Darknet模型与Tensorflow模型相互转换

       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。

具体如下：