OpenVINO运行Tensorflow模型

• 2019 年 11 月 20 日
• 筆記

请先阅读我的上一篇文章《Visual Studio 2017 配置OpenVINO开发环境》，在VS2017中配置好OpenVINO环境。

1 模型转换

1.1安装模型转换工具

打开conda控制台，创建虚拟环境vino：

conda create -n vino python=3.6

创建完成后，执行activate vino。然后安装OpenVINO模型转换工具，具体命令如下：

> activate vino  > cd E:OpenVINOopenvino_2019.3.334deployment_toolsmodel_optimizer  > pip install -r requirements_tf.txt

1.2 模型转换

以MobileNet为例，前往https://github.com/tensorflow/models/blob/master/research/slim/nets/mobilenet_v1.md下载MobileNet_v1_1.0_224模型，解压到目录E:model后，对mobilenet_v1_1.0_224_frozen.pb执行如下命令完成模型转换：

python E:OpenVINOopenvino_2019.3.334deployment_toolsmodel_optimizermo_tf.py --input_model mobilenet_v1_1.0_224_frozen.pb --input_shape [1,224,224,3] --output MobilenetV1/Logits/Conv2d_1c_1x1/Conv2D --mean_values [127.5,127.5,127.5] --scale_values [127.5,127.5,127.5]

参数介绍：

--input_model ：指定输入模型路径  --input_shape ：指定模型的输入Tensor的shape，如果不指定，则会自动从pb中读取  --output ：指定输出节点名称，如果不指定，会自动从图中提取。注意，这里由于openVINO不支持squeeze层，所以我们主动指定squeeze的上一层即：MobilenetV1/Logits/Conv2d_1c_1x1/Conv2D，获取每一层名称的方法：可以先不指定output，会自动导出xml，从xml中即可看到每一层名称。  --scale_values ：指定数据预处理的scale系数  --mean_values： 指定数据预处理的mean系数

除了上面参数外，还有一些其他常用的参数：

--data_type： 指定计算类型，可以选择全浮点和半浮点，可选参数为：{FP16,FP32,half,float}

注意，scale_values参数和mean_values参数一般用于输入Tensor预处理，更常见的就是归一化。假设输入Tensor名称为in_tensor，经过预处理后，输出Tensor为out_tensor，其计算公式如下：

out_tensor = (in_tensor-mean_values)/scale_values 

例如，需要将输入归一化为-1,1，则mean_values取值为127.5,127.5,127.5且scale_values取值为127.5,127.5,127.5

完成后，在E:model目录中生成如下三个文件：

其中bin文件是模型参数，xml文件是网络结构，mapping文件是模型转换前后计算节点映射关系。我们主要用bin和xml文件。

注意，如果转换过程中出错了，可以尝试卸载Tenorflow，可能是因为Tensorflow版本问题，改为Tensorflow1.14-cpu版本，笔者这边使用1.14-cpu版本没有问题。

2 VS2017运行

2.1 环境配置

主要用到OpenVINO和OpenCV环境，OpenCV用于读取图片，OpenVINO用于运行模型。

参考我的上一篇文章【Visual Studio 2017 配置OpenVINO开发环境】配置好openVINO环境。 参考我的另一篇文章【OpenCV 3.2.0 + opencv_contrib+VS2017】配置好OpenCV环境。

注意：如果懒得配置，可以从附件中下载笔者已经搭建好的环境，可直接用VS2017打开运行

2.2 代码编写

将E:model拷贝到项目根目录，输入以下代码。

#include <inference_engine.hpp>  #include <iostream>  #include <string>  #include <vector>  #include <opencv2/opencv.hpp>  using namespace InferenceEngine;  using namespace std;    string inputName;  string outputName;  InferRequest inferReq;  vector<wstring> labels;  //初试化模型相关参数  void initModel(string xml,string bin,string plugin="plugins.xml") {  	try {  		Core ie(plugin);  		CNNNetReader network_reader;  		network_reader.ReadNetwork(xml);  		network_reader.ReadWeights(bin);  		network_reader.getNetwork().setBatchSize(1);  		CNNNetwork network = network_reader.getNetwork();  		InputInfo::Ptr input_info = network.getInputsInfo().begin()->second;  		inputName = network.getInputsInfo().begin()->first;    		input_info->getPreProcess().setResizeAlgorithm(RESIZE_BILINEAR);  		input_info->setLayout(Layout::NCHW);  		input_info->setPrecision(Precision::U8);    		DataPtr output_info = network.getOutputsInfo().begin()->second;  		outputName = network.getOutputsInfo().begin()->first;    		output_info->setPrecision(Precision::FP32);    		ExecutableNetwork executable_network = ie.LoadNetwork(network, "CPU");    		inferReq = executable_network.CreateInferRequest();  	}catch (const std::exception & ex) {  		std::cerr << ex.what() << std::endl;  	}  }  //Mat 转Blob  void  matU8ToBlob(const cv::Mat& orig_image, InferenceEngine::Blob::Ptr& blob, int batchIndex=0) {  	InferenceEngine::SizeVector blobSize = blob->getTensorDesc().getDims();  	const size_t width = blobSize[3];  	const size_t height = blobSize[2];  	const size_t channels = blobSize[1];  	uint8_t* blob_data = blob->buffer().as<uint8_t*>();    	cv::Mat resized_image(orig_image);  	if (static_cast<int>(width) != orig_image.size().width ||  		static_cast<int>(height) != orig_image.size().height) {  		cv::resize(orig_image, resized_image, cv::Size(width, height));  	}    	int batchOffset = batchIndex * width * height * channels;    	for (size_t c = 0; c < channels; c++) {  		for (size_t h = 0; h < height; h++) {  			for (size_t w = 0; w < width; w++) {  				blob_data[batchOffset + c * width * height + h * width + w] =  					resized_image.at<cv::Vec3b>(h, w)[c];  			}  		}  	}  }  //读取label  void readLabel(string labelPath)  {  	std::wstring_convert<std::codecvt_utf8<wchar_t>> conv;  	ifstream in(labelPath.c_str());  	string line;  	if (in) { // 有该文件  		while (getline(in, line)) { // line中不包括每行的换行符  			wstring wb = conv.from_bytes(line);  			labels.push_back(wb);  		}  	} else { // 没有该文件  		cout << "no such file:" << labelPath << endl;  	}  }  //前向计算  wstring infer(cv::Mat rgb,float& rtP) {  	Blob::Ptr imgBlob = inferReq.GetBlob(inputName);  	matU8ToBlob(rgb, imgBlob);  	inferReq.Infer();  	Blob::Ptr output = inferReq.GetBlob(outputName);  	float* logits = output->buffer().as<InferenceEngine::PrecisionTrait<InferenceEngine::Precision::FP32>::value_type*>();    	int maxIdx = 0;  	float maxP = 0;  	int nclasses = labels.size();//1001类  	float sum = 1;  	//softmax  	for (int i = 0; i < nclasses; i++) {  		logits[i] = exp(logits[i]);  		sum = sum + logits[i];  		if (logits[i] > maxP) {  			maxP = logits[i];  			maxIdx = i;  		}  	}    	rtP = maxP / sum;  	return labels[maxIdx];  }  //测试  int main()  {  	string xml = "../model/mobilenet_v1_1.0_224_frozen.xml";  	string bin = "../model/mobilenet_v1_1.0_224_frozen.bin";  	string plugin = "../model/plugins.xml";  	string label = "../model/labels.txt";  	string testImg = "../model/test.png";  	initModel(xml, bin, plugin);  	readLabel(label);    	cv::Mat test = cv::imread(testImg);  	cv::Mat rgb;  	cv::cvtColor(test,rgb, cv::COLOR_BGR2RGB);  	float p;  	wstring cls = infer(rgb, p);  	std::wcout.imbue(std::locale("chs"));  	wcout << "类别：" << cls << ",概率：" << p << endl;  }   

readLabel函数读取label信息，用于将模型识别出的最大概率类别对应的中文文字，测试图片如下：

运行后，结果如下：

军用飞机,0.927341

3 附件下载

可以从【附件】中下载所有相关文件，直接用VS2017打开即可，注意只能用x64模式运行，openVNO目前不支持x86。另外，如果CSDN下载没有积分，或者是下载链接出错，可直接加群：824420877，联系群主免费获取代码。