PyTorch 分类模型的转换和使用 OpenCV C++ 启动

这篇具有很好参考价值的文章主要介绍了PyTorch 分类模型的转换和使用 OpenCV C++ 启动。希望对大家有所帮助。如果存在错误或未考虑完全的地方,请大家不吝赐教,您也可以点击"举报违法"按钮提交疑问。

目标

在本教程中,您将学习如何:

  • 将 PyTorch 分类模型转换为 ONNX 格式
  • 使用 OpenCV C/C++ API 运行转换后的 PyTorch 模型
  • 提供模型推理

我们将以 ResNet-50 架构为例来探讨上述几点。

介绍

让我们简要回顾一下使用 OpenCV API 进行 PyTorch 模型转换的管道中涉及的关键概念。将 PyTorch 模型转换为 cv::d nn::Net 的第一步是将模型转换为 ONNX 格式。ONNX 旨在实现神经网络在各种框架之间的可互换性。PyTorch 中有一个用于 ONNX 转换的内置函数:torch.onnx.export。此外,将获得的模型传入 cv::d nn::readNetFromONNX 或 cv::d nn::readNet。.onnx

要求

为了能够试验以下代码,您需要安装一组库。为此,我们将使用 python3.7+ 的虚拟环境:

virtualenv -p /usr/bin/python3.7 <env_dir_path>
源<env_dir_path>/bin/activate

对于从源代码构建 OpenCV-Python,请遵循 OpenCV 简介中的相应说明。

在开始安装库之前,可以自定义要求 .txt,排除或包括(例如)某些依赖项。以下行将需求安装启动到先前激活的虚拟环境中:opencv-python

pip 安装 -r 要求.txt

实践

在这一部分中,我们将介绍以下几点:

  1. 创建分类模型转换管道
  2. 提供推理、过程预测结果

模型转换管道

本子章中的代码位于模块中,可以使用以下行执行:samples/dnn/dnn_model_runner

python -m dnn_model_runner.dnn_conversion.pytorch.classification.py_to_py_resnet50_onnx

以下代码包含下面列出的步骤的说明:

  1. 实例化 PyTorch 模型
  2. 将 PyTorch 模型转换为.onnx
# 初始化 PyTorch ResNet-50 模型
original_model = models.resnet50(预训练=True)
# 获取转换为 ONNX PyTorch 模型的路径
full_model_path = get_pytorch_onnx_model(original_model)
print(“PyTorch ResNet-50 模型已成功转换:”, full_model_path)

get_pytorch_onnx_model(original_model)函数基于调用:torch.onnx.export(...)

# 定义进一步转换后的模型保存目录
onnx_model_path = “模型”
# 定义进一步转换的模型名称
onnx_model_name = “resnet50.onnx”
# 为进一步转换的模型创建目录
os.makedirs(onnx_model_path, exist_ok=True)
# 获取转换后模型的完整路径
full_model_path = os.path.join(onnx_model_path, onnx_model_name)
# 生成模型输入
generated_input = 变量(
火炬.randn(1, 3, 224, 224)
)
# 模型导出为 ONNX 格式
torch.onnx.export(
original_model,
generated_input,
full_model_path,
verbose=真,
input_names=[“输入”],
output_names=[“输出”],
opset_version=11
)

成功执行上述代码后,我们将得到以下输出:

PyTorch ResNet-50 模型已成功转换:models/resnet50.onnx

模块中建议的模块允许我们为以下 PyTorch 分类模型重现上述转换步骤:dnn/samplesdnn_model_runner

  • 亚历克斯网
  • VGG11型
  • VGG13型
  • VGG16型
  • VGG19型
  • resnet18
  • resnet34
  • resnet50的
  • resnet101的
  • resnet152
  • squeezenet1_0
  • squeezenet1_1
  • resnext50_32x4d
  • resnext101_32x8d
  • wide_resnet50_2
  • wide_resnet101_2

要获得转换后的模型,应执行以下行:

python -m dnn_model_runner.dnn_conversion.pytorch.classification.py_to_py_cls --model_name <pytorch_cls_model_name> --evaluate False

对于 ResNet-50 情况,应运行以下行:

python -m dnn_model_runner.dnn_conversion.pytorch.classification.py_to_py_cls --model_name resnet50 --evaluate False

转换后的模型存储的默认根目录在模块中定义:CommonConfig

@dataclass
类 CommonConfig:
output_data_root_dir:str = “dnn_model_runner/dnn_conversion”

因此,转换后的 ResNet-50 将保存在 .dnn_model_runner/dnn_conversion/models

推理流水线

现在,我们可以使用 OpenCV C/C++ API 用于推理管道。可以在 samples/dnn/classification.cpp 中找到已实现的管道。构建示例后(标志值应为 ),将提供相应的可执行文件。models/resnet50.onnxBUILD_EXAMPLESONexample_dnn_classification

为了提供模型推理,我们将使用下面与 ImageNet 类 ID 335 相对应的松鼠照片(在 CC0 许可下):

狐狸松鼠、东方狐狸松鼠、黑狐狸

PyTorch 分类模型的转换和使用 OpenCV C++ 启动,pytorch,分类,opencv,人工智能,计算机视觉

分类模型输入图像

对于所获得的预测的标签解码,我们还需要文件,其中包含 ImageNet 类的完整列表。imagenet_classes.txt

在本教程中,我们将从 build () 目录运行转换后的 PyTorch ResNet-50 模型的推理过程:samples/build

./dnn/example_dnn_classification --model=../dnn/models/resnet50.onnx --input=../data/squirrel_cls.jpg --width=224 --height=224 --rgb=true --scale=“0.003921569” --mean=“123.675 116.28 103.53” --std=“0.229 0.224 0.225” --crop=true --initial_width=256 --initial_height=256 --classes=../数据/dnn/classification_classes_ILSVRC2012.txt

让我们一步一步地探索关键点:classification.cpp

  1. 使用 cv::d nn::readNet 读取模型,初始化网络:
Net net = readNet(model, config, framework);

参数值取自 key。在我们的例子中,它是 .model--modelresnet50.onnx

  • 预处理输入图像:
if (rszWidth != 0 && rszHeight != 0)
{
resize(frame, frame, Size(rszWidth, rszHeight));
}
从帧创建 4D blob
blobFromImage(frame, blob, scale, Size(inpWidth, inpHeight), mean, swapRB, crop);
检查 std 值。
if (std.val[0] != 0.0 && std.val[1] != 0.0 && std.val[2] != 0.0)
{
将 blob 除以 std。
除法(blob, std, blob);
}

在此步骤中,我们使用 cv::d nn::blobFromImage 函数来准备模型输入。我们按照 PyTorch ResNet 推理管道中的描述设置初始图像大小调整。Size(rszWidth, rszHeight)--initial_width=256 --initial_height=256

需要注意的是,首先在cv::d nn::blobFromImage中减去平均值,然后将像素值乘以小比例。因此,我们使用 ,这相当于乘以来重现 PyTorch 分类模型的原始图像预处理顺序:--mean="123.675 116.28 103.53"[0.485, 0.456, 0.406]255.0

图像 /= 255.0
图片 -= [0.485, 0.456, 0.406]
img /= [0.229, 0.224, 0.225]
  • 向前传递:
net.setInput(blob);
垫子概率 = net.forward();
  • 处理预测:
点类IdPoint;
双重置信度;
minMaxLoc(prob.reshape(1, 1), 0, &confidence, 0, &classIdPoint);
int classId = classIdPoint.x;

在这里,我们选择最有可能的对象类。我们案例的结果是 335 - 狐狸松鼠、东部狐狸松鼠、黑狐狸:classId

PyTorch 分类模型的转换和使用 OpenCV C++ 启动,pytorch,分类,opencv,人工智能,计算机视觉

ResNet50 OpenCV C++ 推理输出

   在线教程

  • 麻省理工学院人工智能视频教程 – 麻省理工人工智能课程
  • 人工智能入门 – 人工智能基础学习。Peter Norvig举办的课程
  • EdX 人工智能 – 此课程讲授人工智能计算机系统设计的基本概念和技术。
  • 人工智能中的计划 – 计划是人工智能系统的基础部分之一。在这个课程中,你将会学习到让机器人执行一系列动作所需要的基本算法。
  • 机器人人工智能 – 这个课程将会教授你实现人工智能的基本方法,包括:概率推算,计划和搜索,本地化,跟踪和控制,全部都是围绕有关机器人设计。
  • 机器学习 – 有指导和无指导情况下的基本机器学习算法
  • 机器学习中的神经网络 – 智能神经网络上的算法和实践经验
  • 斯坦福统计学习

有需要的小伙伴,可以点击下方链接免费领取或者V扫描下方二维码免费领取🆓

PyTorch 分类模型的转换和使用 OpenCV C++ 启动,pytorch,分类,opencv,人工智能,计算机视觉

PyTorch 分类模型的转换和使用 OpenCV C++ 启动,pytorch,分类,opencv,人工智能,计算机视觉

人工智能书籍

  • OpenCV(中文版).(布拉德斯基等)
  • OpenCV+3计算机视觉++Python语言实现+第二版
  • OpenCV3编程入门 毛星云编著
  • 数字图像处理_第三版
  • 人工智能:一种现代的方法
  • 深度学习面试宝典
  • 深度学习之PyTorch物体检测实战
  • 吴恩达DeepLearning.ai中文版笔记
  • 计算机视觉中的多视图几何
  • PyTorch-官方推荐教程-英文版
  • 《神经网络与深度学习》(邱锡鹏-20191121)

  • PyTorch 分类模型的转换和使用 OpenCV C++ 启动,pytorch,分类,opencv,人工智能,计算机视觉

第一阶段:零基础入门(3-6个月)

新手应首先通过少而精的学习,看到全景图,建立大局观。 通过完成小实验,建立信心,才能避免“从入门到放弃”的尴尬。因此,第一阶段只推荐4本最必要的书(而且这些书到了第二、三阶段也能继续用),入门以后,在后续学习中再“哪里不会补哪里”即可。

PyTorch 分类模型的转换和使用 OpenCV C++ 启动,pytorch,分类,opencv,人工智能,计算机视觉

第二阶段:基础进阶(3-6个月)

熟读《机器学习算法的数学解析与Python实现》并动手实践后,你已经对机器学习有了基本的了解,不再是小白了。这时可以开始触类旁通,学习热门技术,加强实践水平。在深入学习的同时,也可以探索自己感兴趣的方向,为求职面试打好基础。

PyTorch 分类模型的转换和使用 OpenCV C++ 启动,pytorch,分类,opencv,人工智能,计算机视觉

第三阶段:工作应用

PyTorch 分类模型的转换和使用 OpenCV C++ 启动,pytorch,分类,opencv,人工智能,计算机视觉

这一阶段你已经不再需要引导,只需要一些推荐书目。如果你从入门时就确认了未来的工作方向,可以在第二阶段就提前阅读相关入门书籍(对应“商业落地五大方向”中的前两本),然后再“哪里不会补哪里”。

 有需要的小伙伴,可以点击下方链接免费领取或者V扫描下方二维码免费领取🆓

PyTorch 分类模型的转换和使用 OpenCV C++ 启动,pytorch,分类,opencv,人工智能,计算机视觉

PyTorch 分类模型的转换和使用 OpenCV C++ 启动,pytorch,分类,opencv,人工智能,计算机视觉

PyTorch 分类模型的转换和使用 OpenCV C++ 启动,pytorch,分类,opencv,人工智能,计算机视觉文章来源地址https://www.toymoban.com/news/detail-834484.html

到了这里,关于PyTorch 分类模型的转换和使用 OpenCV C++ 启动的文章就介绍完了。如果您还想了解更多内容,请在右上角搜索TOY模板网以前的文章或继续浏览下面的相关文章,希望大家以后多多支持TOY模板网!

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处: 如若内容造成侵权/违法违规/事实不符,请点击违法举报进行投诉反馈,一经查实,立即删除!

领支付宝红包 赞助服务器费用

相关文章

  • 【pytorch】使用训练好后的模型权重,在验证集上输出分类的混淆矩阵并保存错误图片

    在机器学习领域,混淆矩阵是一个非常有用的指标,它可以帮助我们更好地理解模型在验证集上的表现。本文介绍了如何使用pytorch框架,利用训练好后的模型权重,在验证集上输出分类的混淆矩阵,并保存错误图片的方法。 首先,我们需要准备一个pytorch框架的模型,并将模

    2024年02月13日
    浏览(38)
  • 图像分类:Pytorch图像分类之--ResNet模型

    前言  ResNet 网络是在 2015年 由微软实验室提出,斩获当年ImageNet竞赛中分类任务第一名,目标检测第一名。获得COCO数据集中目标检测第一名,图像分割第一名。 原论文地址:Deep Residual Learning for Image Recognition(作者是CV大佬何凯明团队) ResNet创新点介绍 在ResNet网络中创新点

    2023年04月11日
    浏览(33)
  • 使用OpenCV DNN推理YOLOv5-CLS转换后的ONNX分类模型

    YOLOv5是一种先进的目标检测算法,而YOLOv5-CLS则是YOLOv5的一个变种,专门用于图像分类任务。为了在实际应用中使用YOLOv5-CLS模型,我们需要将其转换为Open Neural Network Exchange (ONNX) 格式,并使用OpenCV DNN库来进行推理。 步骤1: 安装OpenCV和ONNX 首先,你需要确保已经安装了OpenCV和

    2024年02月16日
    浏览(57)
  • 面部表情识别(Pytorch):人脸检测模型+面部表情识别分类模型

    面部表情识别2:Pytorch实现表情识别(含表情识别数据集和训练代码):https://blog.csdn.net/guyuealian/article/details/129505205 b站视频:https://www.bilibili.com/video/BV1xm4y1p7H3 项目源码:https://github.com/Whiffe/PyTorch-Facial-Expression-Recognition 面部表情识别由两部分组成:人脸检测与表情识别分类 人

    2024年02月13日
    浏览(58)
  • Pytorch图像分类模型转ONNX(同济子豪兄学习笔记)

    安装配置环境 代码运行云GPU平台:公众号 人工智能小技巧 回复 gpu 同济子豪兄 2022-8-22 2023-4-28 2023-5-8 安装 Pytorch 安装 ONNX 安装推理引擎 ONNX Runtime 安装其它第三方工具包 验证安装配置成功 Pytorch图像分类模型转ONNX-ImageNet1000类 把Pytorch预训练ImageNet图像分类模型,导出为ONNX格

    2024年02月09日
    浏览(47)
  • Python基于PyTorch实现循环神经网络分类模型(LSTM分类算法)项目实战

    说明:这是一个机器学习实战项目(附带 数据+代码+文档+视频讲解 ),如需 数据+代码+文档+视频讲解 可以直接到文章最后获取。 LSTM网络是目前更加通用的循环神经网络结构,全称为Long Short-Term Memory,翻译成中文叫作“长‘短记忆’”网络。读的时候,“长”后面要稍

    2024年02月16日
    浏览(49)
  • Python基于PyTorch实现卷积神经网络分类模型(CNN分类算法)项目实战

    说明:这是一个机器学习实战项目(附带 数据+代码+文档+视频讲解 ),如需 数据+代码+文档+视频讲解 可以直接到文章最后获取。 卷积神经网络,简称为卷积网络,与普通神经网络的区别是它的卷积层内的神经元只覆盖输入特征局部范围的单元,具有稀疏连接(sparse connec

    2024年02月15日
    浏览(47)
  • pytorch工具——使用pytorch构建一个分类器

    展示若干训练集图片 注 分别测试不同类别的模型准确率

    2024年02月16日
    浏览(39)
  • pytorch实战-图像分类(二)(模型训练及验证)(基于迁移学习(理解+代码))

    目录 1.迁移学习概念 2.数据预处理  3.训练模型(基于迁移学习) 3.1选择网络,这里用resnet 3.2如果用GPU训练,需要加入以下代码 3.3卷积层冻结模块 3.4加载resnet152模 3.5解释initialize_model函数 3.6迁移学习网络搭建 3.7优化器 3.8训练模块(可以理解为主函数) 3.9开始训练 3.10微调

    2024年02月14日
    浏览(46)
  • 人工智能(Pytorch)搭建模型1-卷积神经网络实现简单图像分类

    本文参加新星计划人工智能(Pytorch)赛道:https://bbs.csdn.net/topics/613989052 目录 一、Pytorch深度学习框架 二、 卷积神经网络 三、代码实战 内容: 一、Pytorch深度学习框架 PyTorch是一个开源的深度学习框架,它基于Torch进行了重新实现,主要支持GPU加速计算,同时也可以在CPU上运行

    2024年02月03日
    浏览(62)

觉得文章有用就打赏一下文章作者

支付宝扫一扫打赏

博客赞助

微信扫一扫打赏

请作者喝杯咖啡吧~博客赞助

支付宝扫一扫领取红包,优惠每天领

二维码1

领取红包

二维码2

领红包