记录基于NCNN的YOLO4网络转换并推理成功的过程。
NCNN模型结构：
NCNN吃专有的网络格式，所以在使用NCNN对通用网络进行转换之前，必须将其转换为NCNN支持的网路格式。NCNN的模型有两个组成部分，分别是 {name}.param和{name}.bin，他们的作用如图所示：
NCNN Model中，.param是对网络结构的文本描述，用文本工具即可打开，文件内容较小，而*.bin文件保存的是网络权重和偏置数据，要大很多。
以NCNN官方的模型库为例（地址在https://github.com/nihui/ncnn-assets.git)
可以很明显的总结出以上结论，以其中某个*.param为例，用vim打开
可以看到其网络结构。
YOLOV4网络转换：
下载后的darknet目录中包含有yolov4的网络模型，不过它是用darknet识别的格式描述的。
同时我们还要下载yolov4.weights文件。
wget -c https://github.com/AlexeyAB/darknet/releases/download/darknet_yolo_v3_optimal/yolov4.weights
之后进入到darknet/cfg目录下，找到yolov4.cfg，他就是我们要转换的yolov4网络的darknet描述。
按照前面推荐的博客要求，编译完NCNN之后，在build/tools/darknet目录下，会生成模型转换工具darknet2ncnn:
转换命令格式为:
darknet2ncnn yolov4.cfg yolov4.weights [output.param] [output.bin] [merge]
默认情况下，我们输入前两个参数即可。
接下来开始转换模型，输入命令：
./darknet2ncnn /home/czl/WorkSpace/dark/darknet/cfg/yolov4.cfg /home/czl/WorkSpace/dark/darknet/cfg/yolov4.weights
默认情况下NCNN yolov4程序使用的是yolov4-tiny.cfg小模型文件，所以我们需要对小模型的权重和模型结构进行转化，就是yolov4-tiny.cfg和yolov4-tiny.weights.
如果没有后续参数，在当前目录下生成的默认名为ncnn.param和ncnn.bin的文件即是转换后的结果文件，可以被NCNN推理引擎识别。
用生成的模型推理：
测试模型，在build/examples目录下，生成的yolov4测试程序，可以用来对模型进行测试，首先将上一步生成的ncnn.bin,ncnn.param重命名为yolov4默认的文件名yolov4-tiny-opt.bin和yolov4-tiny-opt.param
之所以指定这个名字是因为代码中写死了。
之后找一张照片，执行./yolov4 ./person0.jpeg，进行推理，下面是输出结果：
可以看到，我们转换的模型是正确的，推理得到了正确的结果。
需要注意的是，NCNN图形化输出结果需要OPENCV的支持，请确保环境安装了opencv.
YOLOV4小模型转换：
上面转转换的是YOLOV4的大模型，现在转换yolov4-tiny.cfg小模型，小模型权重从这里下载：
https://github.com/AlexeyAB/darknet/releases/download/darknet_yolo_v4_pre/yolov4-tiny.weights
之后执行推理：
darknet2ncnn编译
NCNN项目下darknet2ncnn.cpp是个程序，它对环境没有特别依赖，可以直接用g++编译器编译运行。
之后就可以进行常规的模型转换操作了。
参照目录中的readme.md文件的使用说明：
值得注意的是merge_output参数，YOLOV3-tiny网络有两个YOLO层输出，merge_output参数表示是否需要将两个YOLO层输出合并为1个,以下截图代表两种情况下的差异，可以看到右边的多出一层YOLO层的输出。
XX_$$$命名符合"层号_行号"的规范.
并且发现，YOLO层是没有编号的，也就是并不像其它层一样，名字前有一个数字序号表明他在原.cfg文件中的顺序。
其它转换：
onnx2ncnn转换工具可以将onnx格式的模型转换为NCNN模型，由于ONNX模型的结构是数据和模型结构在一个文件中，所以输入参数只有一个，而输出则是NCNN模型的两个文件。
执行命令：./onnx2ncnn mnist.onnx
生成的ncnn.bin和ncnn.param是NCNN模型文件。
编译生成的工具有哪些？看如下列表：
