TensorFlow 检测模型的转换和使用 OpenCV Python 启动_tensorflow torch 转opencv-优快云博客

本文介绍了如何使用OpenCVAPI将TensorFlow模型转换为cv.dnn.Net，包括获取冻结图、提取模型、以及使用TFSSDMobileNetV1实例进行模型推理的过程。作者详细展示了从模型准备到实际应用的步骤，包括配置和参数调整。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

介绍

让我们简要回顾一下使用 OpenCV API 进行 TensorFlow 模型转换的管道中涉及的关键概念。将 TensorFlow 模型转换为 cv.dnn.Net 的第一步是获取冻结的 TF 模型图。冻结图定义了模型图结构与所需变量（例如权重）的保留值的组合。冻结的图形保存在 protobuf （）文件中。OpenCV 中有用于读取图形的特殊函数：cv.dnn.readNetFromTensorflow 和 cv.dnn.readNet。.pb.pb

要求

为了能够试验以下代码，您需要安装一组库。为此，我们将使用 python3.7+ 的虚拟环境：

virtualenv -p /usr/bin/python3.7 <env_dir_path>

源<env_dir_path>/bin/activate

对于从源代码构建 OpenCV-Python，请遵循 OpenCV 简介中的相应说明。

在开始安装库之前，可以自定义要求 .txt，排除或包含（例如）某些依赖项。以下行将需求安装启动到先前激活的虚拟环境中：opencv-python

pip 安装 -r 要求.txt

实践

在这一部分中，我们将介绍以下几点：

创建 TF 分类模型转换管道并提供推理
提供推理、过程预测结果

模型准备

本子章中的代码位于模块中，可以使用以下行执行：samples/dnn/dnn_model_runner

python -m dnn_model_runner.dnn_conversion.tf.detection.py_to_py_ssd_mobilenet

以下代码包含 TF SSD MobileNetV1 模型检索的步骤：

tf_model_name = 'ssd_mobilenet_v1_coco_2017_11_17'

graph_extraction_dir = “./”

frozen_graph_path = extract_tf_frozen_graph（tf_model_name，graph_extraction_dir）

print（“{}： {}”.format（tf_model_name， frozen_graph_path））

在函数中，我们提取模型存档中提供的用于进一步处理：extract_tf_frozen_graphfrozen_inference_graph.pb

# 定义模型归档文件名称

tf_model_tar = model_name + '.tar.gz'

# 定义用于检索模型存档的链接

model_link = DETECTION_MODELS_URL + tf_model_tar

tf_frozen_graph_name = 'frozen_inference_graph'

尝试：

urllib.request.urlretrieve（model_link， tf_model_tar）

例外情况除外：

print（“TF {} 未检索到： {}”.format（model_name， model_link））

返回

print（“TF {} 被检索到。格式（model_name））

tf_model_tar = tarfile.open（tf_model_tar）

frozen_graph_path = “”

对于 tf_model_tar.getmembers（）中的model_tar_elem：

如果tf_frozen_graph_name os.path.basename（model_tar_elem.name）：

tf_model_tar.extract（model_tar_elem， extracted_model_path）

frozen_graph_path = os.path.join（extracted_model_path， model_tar_elem.name）

破

tf_model_tar.关闭（）

成功执行上述代码后，我们将得到以下输出：

检索到TF ssd_mobilenet_v1_coco_2017_11_17。

ssd_mobilenet_v1_coco_2017_11_17冻结的图形路径：./ssd_mobilenet_v1_coco_2017_11_17/frozen_inference_graph.pb

为了提供模型推断，我们将使用以下双层巴士照片（在 Pexels 许可下）：

双层巴士

要启动测试过程，我们需要提供适当的模型配置。我们将使用 TensorFlow 对象检测 API 中的 ssd_mobilenet_v1_coco.config。TensorFlow 对象检测 API 框架包含用于对象检测模型操作的有用机制。

我们将使用此配置来提供文本图表示形式。为了生成，我们将使用相应的 samples/dnn/tf_text_graph_ssd.py 脚本：.pbtxt

python tf_text_graph_ssd.py --input ssd_mobilenet_v1_coco_2017_11_17/frozen_inference_graph.pb --config ssd_mobilenet_v1_coco_2017_11_17/ssd_mobilenet_v1_coco.config --output ssd_mobilenet_v1_coco_2017_11_17.pbtxt

成功执行后将创建。ssd_mobilenet_v1_coco_2017_11_17.pbtxt

在运行之前，我们先来看看 SSD MobileNetV1 测试进程配置的默认值。它们位于 models.yml 中：object_detection.py

ssd_tf：

型号： “ssd_mobilenet_v1_coco_2017_11_17.pb”

配置：“ssd_mobilenet_v1_coco_2017_11_17.pbtxt”

平均值：[0， 0， 0]

比例：1.0

宽度： 300

高度： 300

RGB：真

类：“object_detection_classes_coco.txt”

示例：“object_detection”

要获取这些值，我们需要提供冻结的图形模型和文本图形：ssd_mobilenet_v1_coco_2017_11_17.pbssd_mobilenet_v1_coco_2017_11_17.pbtxt

python object_detection.py ssd_tf --input ../数据/pexels_double_decker_bus.jpg

此行等效于：

python object_detection.py --model ssd_mobilenet_v1_coco_2017_11_17.pb --config ssd_mobilenet_v1_coco_2017_11_17.pbtxt --input ../data/pexels_double_decker_bus.jpg --width 300 --height 300 --classes ../数据/dnn/object_detection_classes_coco.txt

结果是：