偶然间得到一块替代hi3559的最新昇腾生态的海思SD3403板子，闲暇之余将YOLOv5模型部署上去并跑通流程，整个过程详细记录在该blog中。

首先话不多说进入YOLOv5模型训练部分，本人使用的是YOLOv5 v6.2版本，需要的各位到GitHub上自取。这里就不挂链接了。但YOLOv5原版模型是无法直接部署到板子上的（至少在我的pipeline里无法直接部署），原因是训练好的pytorch模型需要转换成onnx模型再转换为caffemodel，caffe目前不支持Upsample层。

训练YOLOv5模型需要对模型定义文件（文件在repo中models文件夹下），本文以yolov5s模型为例，对模型定义文件中head部分进行改造。

# Parameters
nc: 80  # number of classes
depth_multiple: 0.33  # model depth multiple
width_multiple: 0.50  # layer channel multiple
anchors:
  - [10,13, 16,30, 33,23]  # P3/8
  - [30,61, 62,45, 59,119]  # P4/16
  - [116,90, 156,198, 373,326]  # P5/32

# YOLOv5 v6.0 backbone
backbone:
  # [from, number, module, args]
  [[-1, 1, Conv, [64, 6, 2, 2]],  # 0-P1/2
   [-1, 1, Conv, [128, 3, 2]],  # 1-P2/4
   [-1, 3, C3, [128]],
   [-1, 1, Conv, [256, 3, 2]],  # 3-P3/8
   [-1, 6, C3, [256]],
   [-1, 1, Conv, [512, 3, 2]],  # 5-P4/16
   [-1, 9, C3, [512]],
   [-1, 1, Conv, [1024, 3, 2]],  # 7-P5/32
   [-1, 3, C3, [1024]],
   [-1, 1, SPPF, [1024, 5]],  # 9
  ]

# YOLOv5 v6.0 head
head:
  [[-1, 1, Conv, [512, 1, 1]],
   # [-1, 1, nn.Upsample, [None, 2, 'nearest']],
   [-1, 1, nn.ConvTranspose2d, [512, 4, 2, 1, 0, 512]],
   [[-1, 6], 1, Concat, [1]],  # cat backbone P4
   [-1, 3, C3, [512, False]],  # 13

   [-1, 1, Conv, [256, 1, 1]],
   # [-1, 1, nn.Upsample, [None, 2, 'nearest']],
   [-1, 1, nn.ConvTranspose2d, [256, 4, 2, 1, 0, 256]],
   [[-1, 4], 1, Concat, [1]],  # cat backbone P3
   [-1, 3, C3, [256, False]],  # 17 (P3/8-small)

   [-1, 1, Conv, [256, 3, 2]],
   [[-1, 14], 1, Concat, [1]],  # cat head P4
   [-1, 3, C3, [512, False]],  # 20 (P4/16-medium)

   [-1, 1, Conv, [512, 3, 2]],
   [[-1, 10], 1, Concat, [1]],  # cat head P5
   [-1, 3, C3, [1024, False]],  # 23 (P5/32-large)

   [[17, 20, 23], 1, Detect, [nc, anchors]],  # Detect(P3, P4, P5)
  ]

按照以下命令即可开始训练：

python train.py --data path2yourdatayaml --weights '' --cfg models/yolov5s.yaml --imgsz 640

训练好后即可开始模型转换，转换模型使用YOLOv5中自带的export.py即可完成转换，但是需要更改models文件夹下的yolo.py中的Detect类中的forward函数，更改的原因这里就不赘述了，如果大家想了解可以看看其他博主写的blog，很详细。

def forward(self, x):
    z = []
    for i in range(self.nl)[::-1]:
        x[i] = self.m[i](x[i])
        bs, _, ny, nx = x[i].shape
        x[i] = x[i].view(bs, self.na, self.no, ny * nx)
        if not self.training:
            if self.onnx_dynamic or self.grid[i].shape[2:4] != x[i].shape[2:4]:
                self.grid[i], seld.anchor_gird[i] = self.make_grid[nx, ny, i]

            y = x[i]
            z.append(y)

    return z

代码改好后按以下命令即可完成pt到onnx的转换：

python export.py -include onnx --opset 11 --imgsz 640 --simplify --weights path2yourpt

致此，onnx模型的转换已经完成，下面进行onnx到caffemodel的转换。首先我们需要编译caffe，编译caffe可以直接借鉴我GitHub上的repo。

git clone https://github.com/Trepassing/caffe.git

caffe编译成功后（import caffe无报错即可视为成功），使用caffe转换onnx为caffemodel和prototxt，这里借鉴了GitHub - Wulingtian/yolov5_onnx2caffe: yolov5 onnx caffe这位大神的代码，但是原版转换代码不支持YOLOv5 6.2版本，需要对代码进行一些更改，我修改后的代码：

git clone https://github.com/Trepassing/onnx2caffe.git

拉下repo后进入convertCaffe.py，将onnx模型文件路径和将要保存的caffemodel，prototxt文件路径改后后直接执行即可。

致此得到caffemodel和prototxt后就进入到SD3403模型转换的步骤，该步骤过程是我自己摸索出来的，只能保证按照我的流程来不会报错。后续请看我的下一篇blog。