OpenCV调用Tensorflow训练好的.pb模型

“ 做一个安静细微的人，于角落里自在开放，默默悦人，却始终不引起过分热闹的关注，保有独立而随意的品格，这就很好。” ​​​​

 

本博文使用opencv的dnn模块inference保存好的.pb模型~

原博地址：https://blog.csdn.net/hust_bochu_xuchao/article/details/79428759

 

一、opencv dnn模块

1、OpenCV 3.3版本发布，对深度学习（dnn模块）提供了更好的支持，dnn模块目前支持Caffe、TensorFlow、Torch、PyTorch等深度学习框架。

2、OpenCV的dnn模块调用TesorFlow训练的MoblieNet模型

3、关于opencv的版本，最好是3.4.0及以上吧。

4、opencv调用tf模型文档

 

二、使用步骤

1、tf训练模型，并保存成.pb文件

2、使用opencv的readNetFromTensorflow函数加载.pb文件

3、帖几行关键性代码

String weights = "nn.pb";
dnn::Net net = cv::dnn::readNetFromTensorflow(weights);
Mat img = imread(files[i], 1);
Mat inputBlob = dnn::blobFromImage(img, 0.00390625f, Size(256, 256), Scalar(), false,false); 
net.setInput(inputBlob, "data");//set the network input, "data" is the name of the input layer     
Mat pred = net.forward("fc2/prob");

4、dnn::blobFromImage函数解读（这个很重要，参数不对，直接影响预测结果）

opencv中的函数声明：

  CV_EXPORTS_W Mat blobFromImage(InputArray image, double scalefactor=1.0, const Size& size = Size(),
                                   const Scalar& mean = Scalar(), bool swapRB=true, bool crop=true);

对于各参数的文档解释：

第一个参数，InputArray image，表示输入的图像，可以是opencv的mat数据类型。

第二个参数，scalefactor，这个参数很重要的，如果训练时，是归一化到0-1之间，那么这个参数就应该为0.00390625f （1/256），否则为1.0

第三个参数，size，应该与训练时的输入图像尺寸保持一致。

第四个参数，mean，这个主要在caffe中用到，caffe中经常会用到训练数据的均值。tf中貌似没有用到均值文件。

第五个参数，swapRB，是否交换图像第1个通道和最后一个通道的顺序。

第六个参数，crop，如果为true，就是裁剪图像，如果为false，就是等比例放缩图像。

 

三、其他注意事项

1、注意输入和输出name的对应。下面是c++的代码，tf中的输入就应该name为data，输出就应该name为fc2/prob

net.setInput(inputBlob, "data");   
pred = net.forward("fc2/prob");

2、如果pb文件大于200m，小心出现莫名其妙的报错。sources\modules\core\src\matrix.cpp:362: error: (-215) u != 0 in function cv::Mat::create

 

好的~

。。。