https://github.com/lwplw/caffe_yolov2
DarkNet转Caffe中有很多潜在的问题，在YOLOv1、v2、v3几个网络中有一些特殊的层。要在Caffe中跑YOLO，就得在Caffe中源码实现这些层。这些层的Caffe源码实现可以在网上找到很多。
| YOLO特殊层的Caffe框架实现 | ||
|---|---|---|
| YOLOv1 | detection层 | 源码实现 |
| YOLOv2 | route层 | 用concat层替换 |
| reorg层 | 源码实现 | |
| region层 | 源码实现 | |
| YOLOv3 | shortcut层 | 用eltwise层实现 |
| route层 | 用concat层实现 | |
| yolo层 | 源码实现 |
在Caffe平台实现YOLO系列，可以分成以下两种方式：
（1）DarkNet平台训练完成YOLO模型，然后将.cfg文件和.weights文件通过脚本转换为Caffe框架下的.prototxt文件和.caffemodel文件，最后在Caffe下使用转换好的.prototxt文件和.caffemodel文件进行目标检测任务。
（2）手动写好.prototxt模型结构文件，直接在Caffe下进行训练，训练完成后进行目标检测任务。
以上两种方式，都是以当前Caffe已经源码实现上面那几个特殊层为前提。
具体按哪种方式看自己实际需求，比如，我现在是已经有在DarkNet下训练好可用YOLOv2_tiny模型，所以我选择将训练好的模型转换到Caffe再使用，而不是从头训练。个人感觉YOLO在原生框架DarkNet下训练起来更方便一些，更重要的是，在Caffe实现YOLO后可以将中间参数以及输出结果拿出来，再和DarkNet下的YOLO做对比分析，这点还是很关键的，相同的模型结构和权重参数，经过对比可以很清楚的知道转换是否正确、Caffe新加层实现是否正确。
1、YOLOv1
YOLOv1主要是需要实现detection层，再就是YOLO系列中使用的激活函数是Leaky，可以选择单独实现，也可以用ReLU实现（配置参数）。
Leaky层源码实现资源：https://download.csdn.net/download/lwplwf/10712919
detection层源码实现资源：https://download.csdn.net/download/lwplwf/10712961
Leaky层的添加和detection层是一致的，具体实现参考：
（1）YOLOv1的Detection层实现：https://blog.csdn.net/lwplwf/article/details/82788376
（2）实现YOLOv1目标检测：https://blog.csdn.net/lwplwf/article/details/82685347
注：该detection的实现不支持GPU模式，通过这里初步了解Caffe下源码实现添加新层也还是可以的。
2、YOLOv2
重点说YOLOv2的实现，YOLOv2的Caffe实现就已经很多了，网上可以找到很多个版本，都挺好的，但也都存在的不同的问题。
还不错的几个实现：
（1）https://github.com/gklz1982/caffe-yolov2
（2）Caffe源码：https://github.com/hustzxd/z0
相关转换工具：https://github.com/hustzxd/z1
（3）https://github.com/marvis/pytorch-caffe-darknet-convert
上面几个都有很大的参考价值，综合以上和其他一些实现，踩了很多坑，总算是把这条路走下来了。
结合前人成果，整理得到目前可用的Caffe源码：https://github.com/lwplw/caffe_yolov2，（已经包含了YOLO一些层的实现）
具体步骤如下（以YOLOv2_tiny为例）：
（1）训练YOLOv2_tiny，在DarkNet下完成，参考官网，https://pjreddie.com/darknet/yolo/
这里有个问题需要注意！！！
下图中，对于YOLOv2_tiny，416*416的输入，经过最后一个max pool（size=2，stride=1），可以看到特征图13*13处理后还是13*13。
这就有点问题了，测试发现，Caffe中经过这一层特征图由13*13变成了12*12，会导致在Caffe下检测结果的box有偏差。
解决方案：对这层max pool使用pad，由于Caffe和DarkNet对pool的处理逻辑有些差异，需要指定DarkNet中该层padding=2，Caffe种该层pad=1。
去看DarkNet源码maxpool_layer.c发现：
简单说一下，在DarkNet中有pad和padding两个东西，是不一样的，重点体现在卷积层中，而对于池化层就没那么复杂了，用padding指定参数就行。
处理之后，经该max pool层处理特征图会由13*13变为14*14，DarkNet和Caffe两个框架下达成统一。
（2）训练完成后得到.weights模型权重文件
可以先在DarkNet下进行测试：
测试脚本下载：https://download.csdn.net/download/lwplwf/10723849
（3）模型转换
使用脚本将.cfg文件和.weights文件转换为.prototxt文件和.caffemodel文件。
模型转换参考：https://github.com/lwplw/darknet2caffe
（4）在Caffe框架下进行测试
1）下载caffe_yolov2源码：https://github.com/lwplw/caffe_yolov2
2）解压得到文件夹caffe_yolov2-master
3）编译安装
make all -j8
sudo make pycaffe -j8
具体参考：https://blog.csdn.net/lwplwf/article/details/82415620
编译过程中有warning，但不影响。
4）测试
进入caffe_yolov2-master/examples/yolov2目录下，执行命令：python detect.py
注：具体测试时使用的数据集，以及测多少张等，自行在脚本detect.py中进行修改。