Object Detection API（5）——使用OpenC
Object Detection API（5）——使用OpenCV调用自己的模型
博客：https://blog.csdn.net/qq_34106574
简书：https://www.jianshu.com/u/fb86cd4f8bf8
本节将使用OpenCV的接口来调用我们上一节导出的“冰冻”模型。首先，如果要使用OpenCV的接口来调用我们借助特定模型迁移训练的结果，我们除了pb模型，还需要提供模型描述文件，即：.pbtxt文件，此文件由OpenCV官方提供，下载网址：https://github.com/opencv/opencv_extra/tree/master/testdata/dnn
我们前面迁移训练的模型为：faster_rcnn_resnet101_coco模型，而OpenCV官方对此文件尚未更新，所以需要更换模型，这里选择ssd_mobilenet_v1_coco模型，同时我们按照此模型将我们前面的内容再进行回顾。
1,数据组织同第二节相同，即可以直接使用第二节导出的record数据，这里不赘述。
2，训练自己的模型：
（1）建立工程目录，将ssd_mobilenet_v1_coco模型文件夹放在工程目录下。
（2）从G:\git\models-master\research\object_detection\samples\configs
复制ssd_mobilenet_v1_coco.config配置文件到你的工程目录下，修改此配置文件如下：将fine_tune_checkpoint:XXX/XXX,input_path:XXX/XXX,input_map_path:XXX/XXX等处进行修改，主要是数据，数据描述，模型的路径。
（3）编辑my_label_map.pbtxt如下：
item{name:“face” id:1 dispaly name:”Face”}
（4）运行训练脚本如下：
python ../research/object_detection/train.py --logtostderr --train_dir=train/ --pipeline_config_path=train/ssd_mobilenet_v1_coco.config
（5）训练结束后按照第三节的方法输出模型
训练时可能遇到的问题：
E:TypeError: `pred` must be a Tensor, or a Python bool, or 1 or 0. Found instead: None
解决方法：
在ssd_mobilenet_v1_feature_extractor.py文档的109行修改:将
is_training=None, regularize_depthwise=True)):
修改为：
is_training=True, regularize_depthwise=True)):
3，训练结束后，使用OpenCV调用
（1）下载OpenCV提供的ssd_mobilenet_v1_coco.pbtxt。然后把这个文件的第2222行修改为attr { key: "num_classes" value { i: 2 } }。
（2）使用vs2015建立工程，配置OpenCV3.3.1，参照官方的例子进行修改，将之前导出的模型放置在工程科访问的路径。
（3）给出实例程序如下，编译运行即可：
int main() {
String weights = "face_frozen_inference_graph.pb";
String prototxt = "ssd_mobilenet_v1_coco.pbtxt";
dnn::Net net = cv::dnn::readNetFromTensorflow(weights, prototxt);
Mat frame = cv::imread("test.jpg");
Size frame_size = frame.size();
Size cropSize;
if (frame_size.width / (float)frame_size.height > WHRatio)
{
cropSize = Size(static_cast(frame_size.height * WHRatio),
frame_size.height);
}
else
{cropSize = Size(frame_size.width,
static_cast(frame_size.width / WHRatio));}
Rect crop(Point((frame_size.width - cropSize.width) / 2,
(frame_size.height - cropSize.height) / 2),
cropSize);
cv::Mat blob = cv::dnn::blobFromImage(frame,1./255,Size(300,300));
net.setInput(blob);
Mat output = net.forward();
Mat detectionMat(output.size[2], output.size[3], CV_32F, output.ptr());
frame = frame(crop);
float confidenceThreshold = 0.50;
for (int i = 0; i < detectionMat.rows; i++)
{
float confidence = detectionMat.at(i, 2);
if (confidence > confidenceThreshold)
{
size_t objectClass = (size_t)(detectionMat.at(i, 1));
int xLeftBottom = static_cast(detectionMat.at(i, 3) * frame.cols);
int yLeftBottom = static_cast(detectionMat.at(i, 4) * frame.rows);
int xRightTop = static_cast(detectionMat.at(i, 5) * frame.cols);
int yRightTop = static_cast(detectionMat.at(i, 6) * frame.rows);
ostringstream ss;
ss << confidence;
String conf(ss.str());
Rect object((int)xLeftBottom, (int)yLeftBottom,
(int)(xRightTop - xLeftBottom),
(int)(yRightTop - yLeftBottom));
rectangle(frame, object, Scalar(0, 255, 0),2);
String label = String(classNames[objectClass]) + ": " + conf;
int baseLine = 0;
Size labelSize = getTextSize(label, FONT_HERSHEY_SIMPLEX, 0.5, 1, &baseLine);
rectangle(frame, Rect(Point(xLeftBottom, yLeftBottom - labelSize.height),
Size(labelSize.width, labelSize.height + baseLine)),
Scalar(0, 255, 0), CV_FILLED);
putText(frame, label, Point(xLeftBottom, yLeftBottom),
FONT_HERSHEY_SIMPLEX, 0.5, Scalar(0, 0, 0));
}
}
imshow("image", frame);
waitKey(0);
return 0;
}
4，测试结果如下：
参考资料：
https://blog.csdn.net/xingchenbingbuyu/article/details/78416887
注：更多内容分享及源码获取欢迎关注微信公众号：ML_Study
版权声明：本文为博主原创文章，转载请联系作者取得授权。https://blog.csdn.net/qq_34106574/article/category/7628923
