tensorflow lite example label_image 分析【二】

最新推荐文章于 2025-07-17 10:26:45 发布

希他爸

最新推荐文章于 2025-07-17 10:26:45 发布

阅读量1.8k

点赞数

CC 4.0 BY-SA版权

文章标签： tensorflow lite image process

本文链接：https://blog.youkuaiyun.com/allen1880/article/details/80961727

本文详细分析了TensorFlow Lite的label_image程序，主要内容包括：1）通过FlatBufferModel::BuildFromFile建立模型；2）使用BuiltinOpResolver创建OpResolver；3）构建并配置解释器，如设置NNAPI加速和线程数；4）读取bmp图像并调整大小；5）运行模型并获取运行时间；6）打印模型运行详情和性能信息；7）解析输出结果并显示对应标签。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

接上文

3.代码分析

main函数首先将入参写入参数结构体

Settings s;

struct Settings {
bool verbose = false;
bool accel = false;
bool input_floating = false;
bool profiling = false;
int loop_count = 1;
float input_mean = 127.5f;
float input_std = 127.5f;
string model_name = "./mobilenet_quant_v1_224.tflite";
string input_bmp_name = "./grace_hopper.bmp";
string labels_file_name = "./labels.txt";
string input_layer_type = "uint8_t";
int number_of_threads = 4;

};

运行执行函数 RunInference(&s);

【背景知识：https://blog.youkuaiyun.com/jILRvRTrc/article/details/80553561】

RunInference();

1）建立模型model = tflite::FlatBufferModel::BuildFromFile(s->model_name.c_str());

2）建立OpResolver 用于指向每个node的操作函数 tflite::ops::builtin::BuiltinOpResolver resolver;

3）建立解释器 tflite::InterpreterBuilder(*mod