OpenVINO運行Tensorflow模型

最近看到一個巨牛的人工智能教程，分享一下給大家。教程不僅是零基礎，通俗易懂，而且非常風趣幽默，像看小說一樣！覺得太牛了，所以分享給大家。平時碎片時間可以當小說看，【點這裏可以去膜拜一下大神的“小說”】。

請先閱讀我的上一篇文章《Visual Studio 2017 配置OpenVINO開發環境》，在VS2017中配置好OpenVINO環境。

1 模型轉換

1.1安裝模型轉換工具

打開conda控制檯，創建虛擬環境vino：

conda create -n vino python=3.6

創建完成後，執行activate vino。然後安裝OpenVINO模型轉換工具，具體命令如下：

> activate vino
> cd E:\OpenVINO\openvino_2019.3.334\deployment_tools\model_optimizer
> pip install -r requirements_tf.txt

1.2 模型轉換

以MobileNet爲例，前往https://github.com/tensorflow/models/blob/master/research/slim/nets/mobilenet_v1.md下載MobileNet_v1_1.0_224模型，解壓到目錄E:\model後，對mobilenet_v1_1.0_224_frozen.pb執行如下命令完成模型轉換：

python E:\OpenVINO\openvino_2019.3.334\deployment_tools\model_optimizer\mo_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]

參數介紹：

--input_model ：指定輸入模型路徑
--input_shape ：指定模型的輸入Tensor的shape，如果不指定，則會自動從pb中讀取
--output ：指定輸出節點名稱，如果不指定，會自動從圖中提取。注意，這裏由於openVINO不支持squeeze層，所以我們主動指定squeeze的上一層即：MobilenetV1/Logits/Conv2d_1c_1x1/Conv2D，獲取每一層名稱的方法：可以先不指定output，會自動導出xml，從xml中即可看到每一層名稱。
--scale_values ：指定數據預處理的scale係數 
--mean_values： 指定數據預處理的mean係數

除了上面參數外，還有一些其他常用的參數：

--data_type： 指定計算類型，可以選擇全浮點和半浮點，可選參數爲：{FP16,FP32,half,float}

注意，scale_values參數和mean_values參數一般用於輸入Tensor預處理，更常見的就是歸一化。假設輸入Tensor名稱爲in_tensor，經過預處理後，輸出Tensor爲out_tensor，其計算公式如下：

out_tensor = (in_tensor-mean_values)/scale_values 

例如，需要將輸入歸一化爲[-1,1]，則mean_values取值爲[127.5,127.5,127.5]且scale_values取值爲[127.5,127.5,127.5]

完成後，在E:\model目錄中生成如下三個文件：

其中bin文件是模型參數，xml文件是網絡結構，mapping文件是模型轉換前後計算節點映射關係。我們主要用bin和xml文件。

注意，如果轉換過程中出錯了，可以嘗試卸載Tenorflow，可能是因爲Tensorflow版本問題，改爲Tensorflow1.14-cpu版本，筆者這邊使用1.14-cpu版本沒有問題。

2 VS2017運行

2.1 環境配置

主要用到OpenVINO和OpenCV環境，OpenCV用於讀取圖片，OpenVINO用於運行模型。

1. 參考我的上一篇文章【Visual Studio 2017 配置OpenVINO開發環境】配置好openVINO環境。
2. 參考我的另一篇文章【OpenCV 3.2.0 opencv_contrib VS2017】配置好OpenCV環境。

注意：如果懶得配置，可以從附件中下載筆者已經搭建好的環境，可直接用VS2017打開運行

2.2 代碼實現

將E:\model拷貝到項目根目錄，輸入以下代碼。

#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;
//初試化模型相關參數
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 轉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];
			}
		}
	}
}
//讀取label
void readLabel(string labelPath)
{
	std::wstring_convert<std::codecvt_utf8<wchar_t>> conv;
	ifstream in(labelPath.c_str());
	string line;
	if (in) { // 有該文件 
		while (getline(in, line)) { // line中不包括每行的換行符 
			wstring wb = conv.from_bytes(line);
			labels.push_back(wb);
		} 
	} else { // 沒有該文件 
		cout << "no such file:" << labelPath << endl;
	} 
}
//前向計算
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類
	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];
}
//測試
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 << "類別：" << cls << ",概率：" << p << endl;
}
 

readLabel函數讀取label信息，用於將模型識別出的最大概率類別對應的中文文字，測試圖片如下：

運行後，結果如下：

軍用飛機,0.927341

3 附件下載

可以從【附件】中下載所有相關文件，直接用VS2017打開即可，注意只能用x64模式運行，openVNO目前不支持x86。另外，如果CSDN下載沒有積分，或者是下載鏈接出錯，可直接加羣：824420877，聯繫羣主免費獲取代碼。