使用opencv在PC端部署深度神经网络模型

原创

languageX

修改于 2019-12-02 11:20:14

1.3K0

修改于 2019-12-02 11:20:14

文章被收录于专栏：计算机视觉CV计算机视觉CV

Opencv在3.3版本之后就加入了深度神经网络模块的支持，可以导入caffe,tensorflow,pytorch等主流框架的模型。

我们以之前大头分割项目的模型为例，介绍下opencv_dnn模块的python和C++的使用，以及在PC端部署。

在PC端对摄像头数据实时分割，最终效果如下图所示：

Opencv_dnn应用

我们的模型是使用tensorflow框架训练的，Opencv导入pb格式的模型，所以首先我们需要把ckpt转为pb。

Python版本：

安装opencv-python>3.3，我安装的最新版本4.1

opencv_dnn使用流程：

1.读取图像

2.cv2.dnn.readNetFromTensorflow读取pb模型

3.cv2.dnn.blobFromImage对图像进行resize，减均值等预处理并转为blob

4.blob作为网络输入

5.dnn的forward接口进行inference计算

6.得到网络输出进行后处理输出最终结果

上代码：

# -\*- coding: utf-8 -\*-

import cv2

import numpy as np

from PIL import Image

#预处理

def preprocessing(file):

 pic = cv2.imread(file)

 return pic

def test\_dnn\_module():

 """ Function to test OpenCV DNN module. """

 model = './model/test/opencv/seg.pb'

 file = "test.jpg"

 frame = preprocessing(file)

 print("frame", frame.shape)

 #读取pb模型

 net = cv2.dnn.readNetFromTensorflow(model)

 #输入图像img转为blob

 blob = cv2.dnn.blobFromImage(frame, 1.0/255.0, (320,320), swapRB=False, crop=False)

 #blob作为网络输入

 net.setInput(blob)

 #进行inference

 raw\_output = net.forward()

 raw\_output = np.squeeze(raw\_output)

 # print("raw\_output",raw\_output[:,0,0],raw\_output.shape)

 #argmax得到分割结果

 output = np.argmax(raw\_output, axis=0)

 #保存分割图

 image = output \* 255.0

 images = np.asarray(image, np.uint8)

 im\_o = Image.fromarray(images)

 im\_o.save("./reslut\_opencv.png")

if \_\_name\_\_ == '\_\_main\_\_':

 test\_dnn\_module()

ofrw1zcemf.jpg

C++版本我使用的win10系统+VS2017+编译安装Opencv3.3以上版本 VS2017新建工程配置引用Opencv目录和库上代码：

// seg\_cv.cpp 

//

#include "pch.h"

#include <iostream>

#include <opencv2/dnn.hpp>

#include <opencv2/imgproc.hpp>

#include <opencv2/highgui.hpp>

using namespace cv;

using namespace dnn;

void get\_segResult(cv::Mat output,cv::Mat &result)

{

 const int rows = output.size2;

 const int cols = output.size3;

 const int chns = output.size1;

 result = Mat::zeros(rows, cols, CV\_8UC1);

 Mat maxVal(rows, cols, CV\_32FC1, output.data);

 for (int ch = 0; ch < chns; ch++) {

  for (int row = 0; row < rows; row++) {

   const float \*ptrout = output.ptr<float>(0, ch, row);

   uint8\_t \*ptrMaxCl = result.ptr<uint8\_t>(row);

   float \*ptrMaxVal = maxVal.ptr<float>(row);

   for (int col = 0; col < cols; col++) {

if (ptrout[col] > ptrMaxVal[col]) {

 ptrMaxVal[col] = ptrout[col];

 ptrMaxCl[col] = (uchar)ch \* 255;

}

   }

  }

 }

}

void infer\_image(String win\_name,cv::Mat img, cv::dnn::Net net) {

 cv::Scalar mean{ 0, 0, 0 };

 bool swapRB{ false };

 int inputW = 320;

 int inputH = 320;

 //image to blob

 cv::Mat blob = cv::dnn::blobFromImage(img, 1.0 / 255.0, cv::Size(inputW, inputH), mean, swapRB, false);

 net.setInput(blob);

 //infer image

 cv::Mat output = net.forward();

 std::cout << ",output size:" << output.size << std::endl; //1,3,320,320

 //求argmax

 cv::Mat result;

 get\_segResult(output, result);

 imshow(win\_name, img);

 imshow(win\_name+"\_2", result);

}

void infer\_capture(cv::dnn::Net net) {

 // Create a window

 static const std::string kWinName = "Deep learning image classification in OpenCV";

 namedWindow(kWinName, WINDOW\_NORMAL);

 //! Open a video file or an image file or a camera stream

 VideoCapture cap;

 cap.open(0);

 // Process frames.

 Mat frame, blob;

 while (waitKey(1) < 0) {

  cap >> frame;

  if (frame.empty()) {

   waitKey();

   break;

  }

  else {

   infer\_image(kWinName,frame, net);

  }

 }

}

int main()

{

 String model = "res/seg.pb";

 //读取网络pb

 cv::dnn::Net net = cv::dnn::readNetFromTensorflow(model);

 int backendId = cv::dnn::DNN\_BACKEND\_OPENCV;

 net.setPreferableBackend(backendId);

 //单张图片infer

 cv::Mat img = cv::imread("E:\resize.jpg");

infer\_image("out",img,net);

 waitKey();

 return 0;

}