OpenCV调用TensorFlow预训练模型

OpenCV调用TensorFlow预训练模型

  【尊重原创，转载请注明出处】https://panjinquan.blog.csdn.net/article/details/80570120

      强大OpenCV从自OpenCV 3.1版以来，dnn模块一直是opencv_contrib库的一部分，在3.3版中，它被提到了主仓库中。新版OpenCV dnn模块目前支持Caffe、TensorFlow、Torch、PyTorch等深度学习框架。另外，新版本中使用预训练深度学习模型的API同时兼容C++和Python

    OpenCV 3.3开始就提供了读取TensoFlow模型的接口了，不过现在能支持的模型并不多。目前，我测试成功只有两个，分别是object_detection的“ssd_mobilenet_v1_coco_11_06_2017”和“ssd_inception_v2_coco_2017_11_17”预训练模型，其他模型报出各种各样的错误，反正我暂时还没有解决问题，各位神一样的网友若有新的进展，麻烦告知一声，哈哈~！

一、版本配置要求

• 1. Windows 7 和 VS2015
• 2. OpenCV3.3.1以上，本人使用的OpenCV 3.4.1，下载地址：https://github.com/opencv/opencv/releases 
• 3.至于TensoFlow，鄙人只是想测试已经训练好的模型，那就可以不安装TensoFlow了，偷懒一下~！

二、模型下载和配置

1.   先用VS2015新建一个项目“opercv4tensorflow”，并在源文件目录下新建 一个“models”的文件夹，这个文件夹用于下载TensoFlow的模型。

2.   目前，只测试TensoFlow的object_detection模块的“ssd_mobilenet_v1_coco_11_06_2017”和“ssd_inception_v2_coco_2017_11_17”两个预训练模型，其他的自己看着办吧：

 

• ssd_mobilenet_v1_coco_11_06_2017下载地址：

    http://download.tensorflow.org/models/object_detection/ssd_mobilenet_v1_coco_11_06_2017.tar.gz

• ssd_inception_v2_coco_2017_11_17下载地址：

    http://download.tensorflow.org/models/object_detection/ssd_inception_v2_coco_2017_11_17.tar.gz

• COCO-trained models

    当然了，你可以自己训练模型，也可以下载更多的预训练模型，这个可以到TensoFlow下载，下载地址是：
    https://github.com/tensorflow/models/blob/master/research/object_detection/g3doc/detection_model_zoo.md

    Tensorflow模型的graph结构可以保存为.pb文件或者.pbtxt文件，或者.meta文件，其中只有.pbtxt文件是可读的。在OpenCV中，每个模型.pb文件，原则上应有一个对应的文本图形定义的.pbtxt文件，当然也可能没有，在opencv_extra\testdata\dnn有些.pbtxt文件是可以对应找到，这个要看opencv会不会提供，当然，你厉害的话，可以自己按照网络定义结构写一份。

    下表给出，目前我在object_detection模块中测试成功.pb文件与.pbtxt文件的对应关系，更多的模型，还请网友下方留言，支援一下，我会及时更新博客内容：

3. 上面下载的TensoFlow模型解压后，里含有重要的二进制protobuf描述的.pb文件，我们还需要对应的protobuf格式文本图形定义的.pbtxt文件，这个就需要到opencv_extra\testdata\dnn下载了

   opencv_extra下载地址：https://github.com/opencv/opencv_extra/tree/master/testdata/dnn

   把dnn文件夹中的“ssd_inception_v2_coco_2017_11_17.pbtxt”和“ssd_mobilenet_v1_coco.pbtxt”也下载复制到项目的models中吧

三、使用opencv读取网络模型

    一切准备妥当了，下面就使用opencv C++（也可以是python的）实现读取TensoFlow训练好的网络模型。opencv dnn为我们提供TensoFlow的接口：readNetFromTensorflow，当然也有支持Caffe的接口：readNetFromCaffe。我们这里只考虑TensoFlow的模型，readNetFromTensorflow函数有多个重载函数：

    /** @brief Reads a network model stored in <a href="https://www.tensorflow.org/">TensorFlow</a> framework's format.
      * @param model  path to the .pb file with binary protobuf description of the network architecture
      * @param config path to the .pbtxt file that contains text graph definition in protobuf format.
      *               Resulting Net object is built by text graph using weights from a binary one that
      *               let us make it more flexible.
      * @returns Net object.
      */
    CV_EXPORTS_W Net readNetFromTensorflow(const String &model, const String &config = String());

    完整的测试代码：

#include<opencv2\opencv.hpp>
#include<opencv2\dnn.hpp>
#include <iostream>
 
using namespace std;
using namespace cv;
 
const size_t inWidth = 300;
const size_t inHeight = 300;
const float WHRatio = inWidth / (float)inHeight;
const char* classNames[] = { "background","face" };//这个需要根据训练的类别定义
 
int main() {
 
	Mat frame = cv::imread("2.jpg");
	Size frame_size = frame.size();
 
 
	String weights = "models\\ssd_inception_v2_coco_2017_11_17\\frozen_inference_graph.pb";
	String prototxt = "models\\ssd_inception_v2_coco_2017_11_17.pbtxt";
	dnn::Net net = cv::dnn::readNetFromTensorflow(weights, prototxt);
 
	Size cropSize;
	if (frame_size.width / (float)frame_size.height > WHRatio)
	{
		cropSize = Size(static_cast<int>(frame_size.height * WHRatio),
			frame_size.height);
	}
	else
	{
		cropSize = Size(frame_size.width,
			static_cast<int>(frame_size.width / WHRatio));
	}
 
	Rect crop(Point((frame_size.width - cropSize.width) / 2,
		(frame_size.height - cropSize.height) / 2),
		cropSize);
 
 
	cv::Mat blob = cv::dnn::blobFromImage(frame, 1. / 255, Size(300, 300));
	//cout << "blob size: " << blob.size << endl;
 
	net.setInput(blob);
	Mat output = net.forward();
	//cout << "output size: " << output.size << endl;
 
	Mat detectionMat(output.size[2], output.size[3], CV_32F, output.ptr<float>());
 
	frame = frame(crop);
	float confidenceThreshold = 0.20;
	for (int i = 0; i < detectionMat.rows; i++)
	{
		float confidence = detectionMat.at<float>(i, 2);
 
		if (confidence > confidenceThreshold)
		{
			size_t objectClass = (size_t)(detectionMat.at<float>(i, 1));
 
			int xLeftBottom = static_cast<int>(detectionMat.at<float>(i, 3) * frame.cols);
			int yLeftBottom = static_cast<int>(detectionMat.at<float>(i, 4) * frame.rows);
			int xRightTop = static_cast<int>(detectionMat.at<float>(i, 5) * frame.cols);
			int yRightTop = static_cast<int>(detectionMat.at<float>(i, 6) * frame.rows);
 
			ostringstream ss;
			ss << confidence;
			String conf(ss.str());
 
			Rect object((int)xLeftBottom, (int)yLeftBottom,
				(int)(xRightTop - xLeftBottom),
				(int)(yRightTop - yLeftBottom));
 
			rectangle(frame, object, Scalar(0, 255, 0), 2);
			String label = String(classNames[objectClass]) + ": " + conf;
			int baseLine = 0;
			Size labelSize = getTextSize(label, FONT_HERSHEY_SIMPLEX, 0.5, 1, &baseLine);
			rectangle(frame, Rect(Point(xLeftBottom, yLeftBottom - labelSize.height),
				Size(labelSize.width, labelSize.height + baseLine)),
				Scalar(0, 255, 0), CV_FILLED);
			putText(frame, label, Point(xLeftBottom, yLeftBottom),
				FONT_HERSHEY_SIMPLEX, 0.5, Scalar(0, 0, 0));
		}
	}
	imshow("image", frame);
	waitKey(0);
	return 0;
}

运行结果：

四、常见的错误和坑

 

 

• OpenCV(3.4.1) Error: Unspecified error (FAILED: fs.is_open(). Can't open "models\ssd_inception_v2_coco_2017_1117\frozen_inference_graph.pb") in cv::dnn::ReadProtoFromBinaryFile, file C:\build\master_winpack-build-win64-vc14\opencv\modules\dnn\src\caffe\caffe_io.cpp, line 1126

      出现这个问题，很大的原因是你的模型路径，错鸟！！导致不能打开

• OpenCV(3.4.1) Error: Unspecified error (Const input blob for weights not found) in cv::dnn::experimental_dnn_v4::`anonymous-namespace'::TFImporter::getConstBlob, file C:\build\master_winpack-build-win64-vc14\opencv\modules\dnn\src\tensorflow\tf_importer.cpp, line 579

     出现这个问题，可能是你的.pb模型文件与.pbtxt文件不对应

五、参考资料：

https://blog.csdn.net/xingchenbingbuyu/article/details/78416887