第 24 期 - YOLOv3 模型转换和应用

要解决“ YOLOv3体系结构概述”部分中说明的问题，请使用yolo_v3.json或yolo_v3_tiny.json（取决于模型）配置文件以及位于<OPENVINO_INSTALL_DIR>/deployment_tools/model_optimizer/extensions/front/tf存储库中的自定义操作。

以YOLOV3配置文件为例，它包含几个属性：

[

  {

    "id": "TFYOLOV3",

    "match_kind": "general",

    "custom_attributes": {

      "classes": 80,

      "anchors": [10, 13, 16, 30, 33, 23, 30, 61, 62, 45, 59, 119, 116, 90, 156, 198, 373, 326],

      "coords": 4,

      "num": 9,

      "masks":[[6, 7, 8], [3, 4, 5], [0, 1, 2]],

      "entry_points": ["detector/yolo-v3/Reshape", "detector/yolo-v3/Reshape_4", "detector/yolo-v3/Reshape_8"]

    }

  }

]

其中：

· id和match_kind是参数，你不能改变。

· custom_attributes 是存储所有YOLOv3特定属性的参数：

o classes，coords，num，和masks是属性，你应该从用于模型训练的配置文件复制文件。如果您使用的暗网正式共享权，您可以使用yolov3.cfg或yolov3-tiny.cfg从配置文件https://github.com/pjreddie/darknet/tree/master/cfg。将默认值替换为配置文件中标题后面custom_attributes的参数[yolo]。

o anchors是一个可选参数，在模型推断时不使用，但在演示中用于解析Region图层输出

o entry_points 是一个节点名称列表，用于切断模型并向Region区域添加上面指定的自定义属性。

要生成YOLOv3 TensorFlow模型的IR，请运行：

python3 mo_tf.py

--input_model /path/to/yolo_v3.pb

--tensorflow_use_custom_operations_config $ MO_ROOT / extensions / front / tf / yolo_v3.json

要生成YOLOv3-tiny TensorFlow模型的IR，请运行：

python3 mo_tf.py

--input_model /path/to/yolo_v3_tiny.pb

--tensorflow_use_custom_operations_config $ MO_ROOT / extensions / front / tf / yolo_v3_tiny.json

其中：

· --batch定义模型输入的形状。在示例中，--batch等于1，但是您还可以指定其他大于1的整数。

· --tensorflow_use_custom_operations_configRegion向模型添加缺少的图层。在IR中，Region图层的名称为RegionYolo。