基于Openvino（c++）猫狗识别应用_svm 车辆识别 opencv c++

一、代码

链接：https://pan.baidu.com/s/1nvgtKIRVPOEa0pJazW8GHQ提取码：qhkp

或者：https://github.com/caip1299920300/Openvino_dog_cat

二、环境配置

1、opencv环境配置

opencv版本：opencv340

可以使用下面的教程（也可以参考：VS+OpenCV+OpenVINO2022详细配置 - 知乎 (zhihu.com)）

（1）我的电脑右键->属性->高级系统设置->环境变量->系统变量->Path->添加D:\OpenCV\build\x64\vc15\bin（注意是按照你自己的OpenCV的路径，这里给出的是我的路径，不可直接复制使用, 添加进的是opencv安装目录的build中的bin文件夹路径）

（2）将路径：D:\OpenCV\build\x64\vc15\bin\中的opencv_world420.dll、opencv_world420d.dll 复制到C:\Windows\SysWOW64目录下

（3）将路径：D:\OpenCV\build\bin\中的opencv_videoio_ffmpeg420_64.dll 复制到C:\Windows\System32目录下

如果找不到Windows可以点查看把隐藏项目勾上

2、VS新建项目，配置项目

配置VC++ 目录的”包含目录“和”库目录“
”包含目录“:
C:\Program Files(x86)\Intel\openvino_2022.1.0.643\runtime\include
C:\Program Files(x86)\Intel\openvino_2022.1.0.643\runtime\include\openvino
C:\Program Files(x86)\Intel\openvino_2022.1.0.643\runtime\include\ngraph
C:\Program Files(x86)\Intel\openvino_2022.1.0.643\runtime\include\ie
E:\opencv\build\include
E:\opencv\build\include\opencv2
”库目录“:
E:\opencv\build\x64\vc15\lib
C:\ProgramFiles (x86)\Intel\openvino_2022.1.0.643\runtime\lib\intel64\Release

配置”链接器“的输入：
openvino.lib
openvino_onnx_frontend.lib
openvino_ir_frontend.lib
opencv_world340.lib

三、运行代码

#include <openvino/openvino.hpp>
#include <iostream>
#include <vector>
#include <opencv2/opencv.hpp>
 
 
int main() {
    std::string img_path = "E:/project/VS2017/dog_cat/img/dog.jpg";    // 预测图片
    std::string onnx_path = "E:/project/VS2017/dog_cat/model/Cat_dog.onnx"; // 预测模型
    size_t input_batch_size = 1;    // 输入图片的batch_size
    size_t num_channels = 3;        // 输入通道
    size_t h = 224;                    // 输入图片的高
    size_t w = 224;                    // 输入图片的宽
    clock_t startTime, endTime;        // 推理时间记录变量
 
    // 0、创建IE插件，查询支持硬件设备
    ov::Core core;
    //获取当前支持的所有的AI硬件推理设备
    std::vector<std::string> devices = core.get_available_devices();
    for (int i = 0; i < devices.size(); i++) {
        std::cout << devices[i] << std::endl;
    }
    // 1、加载检测模型
    // 模型加载并编译
    ov::CompiledModel compiled_model = core.compile_model(onnx_path, "AUTO");
    // 创建用于推断已编译模型的推理请求对象  创建的请求分配了输入和输出张量
    ov::InferRequest infer_request = compiled_model.create_infer_request();    
    
    // 2、请求网络输入
    auto input_tensor = infer_request.get_input_tensor(0);
 
    // 3、指定shape的大小
    input_tensor.set_shape({ input_batch_size, num_channels, w, h }); 
    // 4、获取输入的地址，并传递给指针input_data_host
    float* input_data_host = input_tensor.data<float>();  
 
    // 对应于pytorch的代码部分
    // 推理开始时间
    startTime = clock();
    // opencv读取图片
    cv::Mat src = cv::imread(img_path);
    int image_height = src.rows;
    int image_width = src.cols;
    // 修改图片大小
    cv::Mat image;
    cv::resize(src, image, cv::Size(w, h));
    int image_area = image.cols * image.rows;
    unsigned char* pimage = image.data;
    float* phost_b = input_data_host + image_area * 0;   // input_data_host和phost_*进行地址关联
    float* phost_g = input_data_host + image_area * 1;
    float* phost_r = input_data_host + image_area * 2;
    // BGR->RGB
    float mean[] = { 0.406, 0.456, 0.485 };
    float std[] = { 0.225, 0.224, 0.229 };
    for (int i = 0; i < image_area; ++i, pimage += 3) {
        // 注意这里的顺序rgb调换了
        *phost_r++ = pimage[0] / 255.;  // 将图片中的像素点进行减去均值除方差，并赋值给input
        *phost_g++ = pimage[1] / 255.;
        *phost_b++ = pimage[2] / 255.;
    }
    
    
    // 5、执行预测
    infer_request.infer();
    // 6、推理结果
    auto output = infer_request.get_output_tensor(0);
    // 对输出结果处理
    float* prob = output.data<float>();
    const int num_classes = 2; // 种类
    int predict_label = std::max_element(prob, prob + num_classes) - prob;  // 确定预测类别的下标
    std::string label;
    if (predict_label == 0)
        label = "cat";
    else
        label = "dog";
    float confidence = prob[predict_label];    // 获得预测值的置信度
    printf("confidence = %f, label = %s\n", confidence, label);
    endTime = clock();//计时结束
    std::cout << "total推理时间: " << (double)(endTime - startTime) / CLOCKS_PER_SEC << "s" << std::endl;
 
    return 0;
}

四、运行结果