LibTorch部署图像分割算法详细教程(附代码)
深度学习图像处理相关代码LibTorch部署详细教程
- 前言
- LibTorch简介
- LibTorch环境安装及问题解决
- LibTorch涉及的Tensor基本操作
-
- 张量初始化
- 张量变形
- 张量截取
- 张量间操作
- 部署过程
-
- 测试环境
- PyTorch模型转换
- 推理过程代码Demo
- 扩展部分
前言
本文写于调研深度学习部署方法工作中，需要将图像分割模型进行部署。前面博客记录了如何直接打包深度学习模型成exe文件，方便快捷，但是不适合实际工作中作为深度学习模型部署的方法。主要由于打包的方式运行较慢，而且与其余代码的兼容性较差，因此学习了一下LibTorch相关内容，并把使用PyTorch训练的模型成功部署。
LibTorch简介
Libtorch是Pytorch的C++接口，实现了在C++中进行网络训练、网络推理的功能。除此之外，由于Libtorch中的大部份接口都是与Pytorch一致的，所以Libtorch还是一个很强大的张量库，有着类似Pytorch的清晰接口，这在C++中很难得的。如果你用过C++ Tensor库，就会发现写法比较复杂，学习成本高。因为强类型的限制和通用容器类型的缺失，C++相比Python天然更复杂，库设计者因为语言使用习惯，以及为了性能等因素，设计的接口一般都是高效但难用的。而Libtorch采用了与Pytorch类似的函数接口，如果你使用过Pytorch的话，使用Libtorch学习成本很低。
LibTorch环境安装及问题解决
此部分内容本人已在另一博客讲解，欢迎浏览
LibTorch涉及的Tensor基本操作
张量初始化
LibTorch(pytorch c++)的大多数api和PyTorch保持一致，因此，LibTorch中张量的初始化也和PyTorch中的类似。本文介绍四种深度图像编程需要的初始化方法。
第一种，固定尺寸和值的初始化。
//常见固定值的初始化方式
auto b = torch::zeros({3,4});
b = torch::ones({3,4});
b= torch::eye(4);
b = torch::full({3,4},10);
b = torch::tensor({33,22,11});
PyTorch中用[]表示尺寸，而cpp中用{}表示。zeros产生值全为0的张量。ones产生值全为1的张量。eye产生单位矩阵张量。full产生指定值和尺寸的张量。torch::tensor({})也可以产生张量，效果和pytorch的torch.Tensor([])或者torch.tensor([])一样。
第二种，固定尺寸，随机值的初始化方法
//随机初始化
auto r = torch::rand({3,4});
r = torch::randn({3, 4});
r = torch::randint(0, 4,{3,3});
rand产生0-1之间的随机值，randn取正态分布N(0,1)的随机值，randint取[min,max)的随机整型数值。
第三种，从c++的其他数据类型转换而来
int aa[10] = {3,4,6};
std::vector<float> aaaa = {3,4,6};
auto aaaaaaa = torch::tensor(aaaa);
auto aaaaa = torch::from_blob(aa,{3},torch::kFloat);
auto aaa = torch::from_blob(aaaa.data(),{3},torch::kFloat);
PyTorch可以接受从其他数据类型如numpy和list的数据转化成张量。LibTorch同样可以接受其他数据指针，通过from_blob函数即可转换。这个方式在部署中经常用到，如果图像是opencv加载的，那么可以通过from_blob将图像指针转成张量。
第四种，根据已有张量初始化
auto b = torch::zeros({3,4});
auto d = torch::Tensor(b);
d = torch::zeros_like(b);
d = torch::ones_like(b);
d = torch::rand_like(b,torch::kFloat);
d = b.clone();
这里，auto d = torch::Tensor(b)等价于auto d = b，两者初始化的张量d均受原张量b的影响，b中的值发生改变，d也将发生改变，但是b如果只是张量变形，d却不会跟着变形，仍旧保持初始化时的形状，这种表现称为浅拷贝。zeros_like和ones_like顾名思义将产生和原张量b相同形状的0张量和1张量，randlike同理。最后一个clone函数则是完全拷贝成一个新的张量，原张量b的变化不会影响d，这被称作深拷贝。
张量变形
torch改变张量形状，不改变张量存储的data指针指向的内容，只改变张量的取数方式。LibTorch的变形方式和PyTorch一致，有view，transpose，reshape，permute等常用变形。
auto b = torch::full({10},3);
b.view({1, 2,-1});
std::cout<<b;
b = b.view({1, 2,-1});
std::cout<<b;
auto c = b.transpose(0,1);
std::cout<<c;
auto d = b.reshape({1,1,-1});
std::cout<<d;
auto e = b.permute({1,0,2});
std::cout<<e;
.view不是inplace操作，需要加=。变形操作没太多要说的，和PyTorch一样。还有squeeze和unsqueeze操作，也与PyTorch相同。
张量截取
通过索引截取张量，代码如下
auto b = torch::rand({10,3,28,28});
std::cout<<b[0].sizes();//第0张照片
std::cout<<b[0][0].sizes();//第0张照片的第0个通道
std::cout<<b[0][0][0].sizes();//第0张照片的第0个通道的第0行像素 dim为1
std::cout<<b[0][0][0][0].sizes();//第0张照片的第0个通道的第0行的第0个像素 dim为0
除了索引，还有其他操作是常用的，如narrow，select，index，index_select。
std::cout<<b.index_select(0,torch::tensor({0, 3, 3})).sizes();//选择第0维的0，3，3组成新张量[3,3,28,28]
std::cout<<b.index_select(1,torch::tensor({0,2})).sizes(); //选择第1维的第0和第2的组成新张量[10, 2, 28, 28]
std::cout<<b.index_select(2,torch::arange(0,8)).sizes(); //选择十张图片每个通道的前8列的所有像素[10, 3, 8, 28]
std::cout<<b.narrow(1,0,2).sizes();//选择第1维，从0开始，截取长度为2的部分张量[10, 2, 28, 28]
std::cout<<b.select(3,2).sizes();//选择第3维度的第二个张量，即所有图片的第2行组成的张量[10, 3, 28]
index需要单独说明用途。在pytorch中，通过掩码Mask对张量进行筛选是容易的直接Tensor[Mask]即可。但是c++中无法直接这样使用，需要index函数实现，代码如下：
auto c = torch::randn({3,4});
auto mask = torch::zeros({3,4});
mask[0][0] = 1;
std::cout<<c;
std::cout<<c.index({mask.to(torch::kBool)});
有网友提问，这样index出来的张量是深拷贝的结果，也就是得到一个新的张量，那么如何对原始张量的mask指向的值做修改呢。查看torch的api发现还有index_put_函数用于直接放置指定的张量或者常数。组合index_put_和index函数可以实现该需求。
auto c = torch::randn({ 3,4 });
auto mask = torch::zeros({ 3,4 });
mask[0][0] = 1;
mask[0][2] = 1;
std::cout << c;
std::cout << c.index({ mask.to(torch::kBool) });
std::cout << c.index_put_({ mask.to(torch::kBool) }, c.index({ mask.to(torch::kBool) })+1.5);
std::cout << c;
此外python中还有一种常见取数方式tensor[:,0::4]这种在第1维，起始位置为0，间隔4取数的方式，在c++中实现需要借助torch::linspace实现。linspace本身接受三个参数，start，end和step，分别表示起始，终止和间隔。组合前面提到的index_select和linspace即可实现：
auto tensor = torch::randn({ 3,12 });
auto tensor_slice = tensor.index_select(1, torch::linspace(0, tensor.size(1), 4));
张量间操作
拼接和堆叠
auto b = torch::ones({3,4});
auto c = torch::zeros({3,4});
auto cat = torch::cat({b,c},1);//1表示第1维，输出张量[3,8]
auto stack = torch::stack({b,c},1);//1表示第1维，输出[3,2,4]
std::cout<<b<<c<<cat<<stack;
到这读者会发现，从pytorch到libtorch，掌握了[]到{}的变化就简单很多，大部分操作可以直接迁移。
四则运算操作同理，像对应元素乘除直接用*和/即可，也可以用.mul和.div。矩阵乘法用.mm，加入批次就是.bmm。
auto b = torch::rand({3,4});
auto c = torch::rand({3,4});
std::cout<<b<<c<<b*c<<b/c<<b.mm(c.t());
其他一些操作像clamp，min，max这种都和pytorch类似，仿照上述方法可以自行探索。
部署过程
测试环境
当你在电脑上的LIbTorch的环境配置完成，需要用代码测试一下环境是否配置成功，cuda以及cudnn是否可以正常使用。可以复制以下代码添加到cpp文件进行测试。
int main()
{
//定义使用cuda
auto device = torch::Device(torch::kCUDA);
std::cout << "CUDA：" << torch::cuda::is_available();
std::cout << "CUDNN: " << torch::cuda::cudnn_is_available() << std::endl;
std::cout << "GPU(s): " << torch::cuda::device_count() << std::endl;
}
当上述代码前两项返回True，最后一项返回设备GPU个数时，即证明环境已成功配置，cuda，cudnn可以正常调用，这样就可以进行部署代码的编写了。
PyTorch模型转换
PyTorch导出的模型文件是不能直接被LibTorch读取的，因为PyTorch默认导出的后端的序列化是joblib。PyTorch通过JIT搭建了Python和C++的桥梁，我们可以将模型转成TorchScript Module，将Python运行时的部分运行时包裹进去。以下为将PyTorch模型转为LibTorch可以加载的模型代码
import torch
model = Net() #你的模型
model.load_state_dict(torch.load("model/digit.pth", map_location="cpu"))
sample = torch.randn(1, 3, 256, 256) #模型的输入数据大小
trace_model = torch.jit.trace(model, sample)
trace_model.save("model/digit.pt") #将模型结构和参数一起保存
推理过程代码Demo
以下是一个完整的推理过程代码，包括通过OpenCV加载图像，并转为Tensor进行推理操作。
int main()
{
//定义使用cuda
auto device = torch::Device(torch::kCUDA);
//读取图片并展示
cv::Mat image = cv::imread("E:/深度学习部署相关/TransUNet-main/data/train/images/1.2.826.0.1.3680043.2.461.13267976.60458625.png");
cv::Size size = image.size();
std::cout << size;
//打印三维图像像素值，需要使用以下方式，先定义一个cv::Vec类型Vec1，在通过cv::Mat.at(i, j)[0]访问，具体见下实例
typedef cv::Vec<uchar, 3> Vecci; //uchar为cv::Mat的数据类型，3为图像通道数。
for (int i = 52; i < 53; i++)
{
for (int j = 371; j < 385; j++)
{
cout << "Value0 is:" << image.at<Vecci>(i, j)[0] << endl;
cout << "Value1 is:" << image.at<Vecci>(i, j)[1] << endl;
cout << "Value2 is:" << image.at<Vecci>(i, j)[2] << endl;
}
}
cv::imshow("img", image);
cv::waitKey(0);
//读取标贴并展示
cv::Mat lable = cv::imread("E:/深度学习部署相关/TransUNet-main/data/train/labels/1.2.826.0.1.3680043.2.461.13267976.60458625.png");
cv::Mat gray;
cv::cvtColor(lable, gray, cv::COLOR_BGR2GRAY);
cv::normalize(gray, gray, 0, 255, cv::NORM_MINMAX);
cv::imshow("label", gray);
cv::waitKey(0);
//缩放至指定大小
cv::resize(image, image, cv::Size(256, 256));
//转成张量
auto input_tensor = torch::from_blob(image.data, { image.rows, image.cols, 3 }, torch::kByte).permute({ 2, 0, 1 }).unsqueeze(0).to(torch::kFloat32);
//加载模型
auto model = torch::jit::load("E:/深度学习部署相关/LibTorch/Project1/TransUNet.pt");
model.to(device);
model.eval();
//前向传播
auto output = model.forward({ input_tensor.to(device) }).toTensor();
output = torch::squeeze(torch::argmax(torch::softmax(output, 1), 1), 0);
std::cout << output.sizes() << std::endl;
output = output.to(torch::kU8).to(torch::kCPU);
//将tensor转为cv::Mat格式，进行展示
cv::Mat Img(output.sizes()[0], output.sizes()[1], CV_8U, output.data_ptr());
cv::resize(Img, Img, size);
cv::normalize(Img, Img, 0, 255, cv::NORM_MINMAX);
cv::imshow("result", Img);
cv::waitKey(0);
return 0;
}
扩展部分
上述部分涉及了自然图像进行深度学习处理的全过程，但是不是所有的图像数据都是自然图像，OpenCV并不适合加载所有的像素数据，作者就是需要在工作中加载二进制存储的非标准图像数据，这时需要如何加载数据并转换成Tensor进行模型推理呢，过程还是较为复杂，笔者在此由于数据类型转换卡了很久，最后终于成功运行。以下是相关部分代码，需要的读者可以参考。
#include 总结： 至此LibTorch整体流程已经跑通，希望大家写代码可以顺顺利利，少出bug 。有任何问题可以评论区留言讨论 _
参考文献
【1】https://zhuanlan.zhihu.com/p/369930315
【2】https://www.cnblogs.com/allentbky/p/14163898.html