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
实践
在这一部分中,我们将介绍以下几点:
- 创建分类模型转换管道
- 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:
- 实例化 PyTorch 模型
- 将 PyTorch 模型转换为
.onnx
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:
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/samples
dnn_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.onnx
BUILD_EXAMPLES
ON
example_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):
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
- 使用 cv::d nn::readNet 读取模型,初始化网络:
参数值取自 key。在我们的例子中,它是 .model
--model
resnet50.onnx
- 预处理输入图像:
if (rszWidth != 0 && rszHeight != 0){resize(frame, frame, Size(rszWidth, rszHeight));}从帧创建 4D blobblobFromImage(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
- 向前传递:
- 处理预测:
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
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🆓
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)
- …
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。
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。
第三阶段:工作应用
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🆓
文章来源:https://www.toymoban.com/news/detail-834484.html
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!