本文详细介绍了如何将使用TensorFlow训练的模型通过OpenCV的DNN模块进行部署。首先，模型训练阶段以UNet网络为例，强调输入和输出节点的命名规则。接着，模型被保存为ckpt文件并转换为pb文件，特别是对于包含残差结构或BN层的模型，转换过程需要注意。之后，模型优化以减少冗余层。最后，通过OpenCV的C++代码示例展示如何导入和解码模型。在OpenCV 4.2中，可能遇到Debug模式下运行失败的问题，但在Release模式下运行正常。
本文来自OpenCV中文网粉丝小庄头发很多投稿。
(原文链接：https://blog.youkuaiyun.com/weixin_39928773/article/details/103910850)
引言
对于机器视觉从事者或者研究者来说，把训练好模型部署到项目中是关键的一步。现如今各大相机厂商都会提供相机的二次开发包，供给使用者进行使用和开发。据博主所知，目前大部分的相机开发包并不支持Python语言，而主流的深度学习框架都是基于Python语言，训练好的模型难以部署到自己的软件中。
举个例子，博主一般使用C/C++语言对相机进行二次开发及编写工业软件，使用Python语言的TensorFlow框架训练模型，博主一般采用两种方式在C/C++中调用训练好的模型：
-
C/C++和Python混合编程，网上这部分的教程很多，博主这边就不过多说明。这个方法虽然不难，但是在使用过程中需要常常需要释放变量内存，并且程序在出错时难以排查。
-
使用OpenCV的DNN模块加载TensorFlow训练好的模型，这个方式博主十分推荐，无需混合语言编程，避免难以察觉的错误，并且在OpenCV支持使用OpenVINO对CPU加速以及在4.2版本
订阅专栏 解锁全文
扫一扫
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
