tensorflow模型导出与OpenCV DNN中使用
星标或者置顶【OpenCV学堂】
干货文章与技术教程第一时间送达
OpenCV DNN模块
Deep Neural Network - DNN 是OpenCV中的深度神经网络模块，支持基于深度学习模块前馈网络运行、实现图像与视频场景中的
图像分类
对象检测
图像分割
其模型导入与加载的相关API支持以下深度学习框架
tensorflow - readNetFromTensorflow
caffe - readNetFromCaffe
pytorch - readNetFromTorch
darknet - readNetFromDarknet
OpenCV3.4.1以上版本支持tensorflow1.11版本以上的对象检测框架(object detetion)模型导出使用，当前支持的模型包括以下：
也就是说通过tensorflow object detection API框架进行迁移学习训练模型，导出预测图之后，可以通过OpenCV3.4.1以上版本提供几个python脚本导出graph配置文件，然后就可以在OpenCV DNN模块中使用tensorflow相关的模型了。感觉十分方便，下面就按照操作走一波！
使用tensorflow模型
根据tensorflow中迁移学习或者下载预训练模型不同，OpenCV DNN 模块提供如下可以使用脚本生成对应的模型配置文件
tf_text_graph_ssd.py
tf_text_graph_faster_rcnn.py
tf_text_graph_mask_rcnn.py
这是因为，OpenCV DNN需要根据text版本的模型描述文件来解析tensorflow的pb文件，实现网络模型加载。 对SSD对象检测模型，生成模型描述文件运行以下命令行即可(在一行执行)：
python tf_text_graph_ssd.py
--input /path/to/model.pb
--config /path/to/example.config
--output /path/to/graph.pbtxt
以MobileNet-SSD v2版本为例，首先下载该模型，解压缩以后会发现里面有一个frozen_inference_graph.pb文件，使用tensorflow加载预测图进行预测的代码如下：
运行结果如下：
基于frozen_inference_graph.pb生成graph.pbtxt模型配置文件，命令行运行截图如下：
使用OpenCV DNN模块加载tensorflow模型(frozen_inference_graph.pb与graph.pbtxt)，实现预测图使用的代码如下(注意此时不需要依赖tensorflow)：
运行结果如下(跟tensorflow中的运行结果完全一致，OpenCV DNN果然靠谱)：
OpenCV DNN 行人检测
本人尝试了基于tensorflow object detection API使用MobileNet-SSD v2迁移学习实现自定义数据集训练，导出预测图之后，使用OpenCV DNN模块的python脚本生成对象的图配置文件graph.pbtxt，通过OpenCV加载模型使用，实时预测，最后上一张运行结果图：
OpenCV DNN调用代码如下
一勤天下无难事
百思胸中有良谋
欢迎扫码加入【OpenCV研习社】
- 发表于:
- 原文链接：https://kuaibao.qq.com/s/20190105G00HJ900?refer=cp_1026
- 腾讯「腾讯云开发者社区」是腾讯内容开放平台帐号（企鹅号）传播渠道之一，根据《腾讯内容开放平台服务协议》转载发布内容。
- 如有侵权，请联系 cloudcommunity@tencent.com 删除。
相关快讯
扫码
添加站长 进交流群
领取专属 10元无门槛券
私享最新 技术干货
腾讯云开发者
