目标
在本教程中,您将学习如何:
- 将 PyTorch 分类模型转换为 ONNX 格式
- 使用 OpenCV Python API 运行转换后的 PyTorch 模型
- 获取 PyTorch 和 OpenCV DNN 模型的评估。
我们将以 ResNet-50 架构为例来探讨上述几点。
介绍
让我们简要回顾一下使用 OpenCV API 进行 PyTorch 模型转换的管道中涉及的关键概念。将 PyTorch 模型转换为 cv.dnn.Net 的第一步是将模型转换为 ONNX 格式。ONNX 旨在实现神经网络在各种框架之间的可互换性。PyTorch 中有一个用于 ONNX 转换的内置函数:torch.onnx.export。此外,将获得的模型传递到 cv.dnn.readNetFromONNX 中。.onnx
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:
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,排除或包括(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
实践
在这一部分中,我们将介绍以下几点:
- 创建分类模型转换管道并提供推理
- 评估和测试分类模型
如果只想运行评估或测试模型管道,则可以跳过“模型转换管道”部分。
模型转换管道
本子章中的代码位于模块中,可以使用以下行执行:dnn_model_runner
以下代码包含下面列出的步骤的说明:
- 实例化 PyTorch 模型
- 将 PyTorch 模型转换为
.onnx
- 使用 OpenCV API 读取传输的网络
- 准备输入数据
- 提供推理
# 初始化 PyTorch ResNet-50 模型original_model = models.resnet50(预训练=True)# 获取转换为 ONNX PyTorch 模型的路径full_model_path = get_pytorch_onnx_model(original_model)# 使用 OpenCV API 读取转换后的 .onnx 模型opencv_net = cv2.dnn.readNetFromONNX (full_model_path)print(“OpenCV 模型已成功读取。图层 ID:\n“, opencv_net.getLayerNames())# 获取预处理后的图片input_img = get_preprocessed_img(“../数据/squirrel_cls.jpg“)# 获取 ImageNet 标签imagenet_labels = get_imagenet_labels(“../data/dnn/classification_classes_ILSVRC2012.txt“)# 获取 OpenCV DNN 预测get_opencv_dnn_prediction(opencv_net、input_img、imagenet_labels)# 获取原始 PyTorch ResNet50 预测get_pytorch_dnn_prediction(original_model、input_img、imagenet_labels)
为了提供模型推理,我们将使用下面与 ImageNet 类 ID 335 相对应的松鼠照片(在 CC0 许可下):
对于所获得的预测的标签解码,我们还需要文件,其中包含 ImageNet 类的完整列表。imagenet_classes.txt
让我们以预训练的 PyTorch ResNet-50 为例,更深入地了解每个步骤:
- 实例化 PyTorch ResNet-50 模型:
# 初始化 PyTorch ResNet-50 模型original_model = models.resnet50(预训练=True)
- 将 PyTorch 模型转换为 ONNX:
# 定义进一步转换后的模型保存目录onnx_model_path = “模型”# 定义进一步转换的模型名称onnx_model_name = “resnet50.onnx”# 为进一步转换的模型创建目录os.makedirs(onnx_model_path, exist_ok=True)# 获取转换后模型的完整路径full_model_path = os.path.join(onnx_model_path, onnx_model_name)# 生成模型输入generated_input = 变量(火炬.randn(1, 3, 224, 224))# 模型导出为 ONNX 格式torch.onnx.export(original_model,generated_input,full_model_path,verbose=真,input_names=[“输入”],output_names=[“输出”],opset_version=11)
上述代码执行成功后,我们将得到.models/resnet50.onnx
- 使用 cv.dnn.readNetFromONNX 读取传输的网络,将上一步 ONNX 模型中获取的网络传递到其中:
- 准备输入数据:
# 读取镜像input_img = cv2.imread(img_path, cv2.IMREAD_COLOR)input_img = input_img.astype(np.float32)input_img = cv2.resize(input_img, (256, 256))# 定义预处理参数均值 = np.array([0.485, 0.456, 0.406]) * 255.0比例 = 1 / 255.0标准 = [0.229, 0.224, 0.225]# 准备输入 blob 以适应模型输入:# 1.减去平均值# 2.缩放以设置从 0 到 1 的像素值input_blob = cv2.dnn.blobFromImage(image=input_img,scalefactor=scale,size=(224, 224), # img 目标大小mean=平均值,swapRB=True, # BGR -> RGBcrop=True # 居中裁剪)# 3.除以 stdinput_blob[0] /= np.asarray(std, dtype=np.float32).reshape(3, 1, 1)
在此步骤中,我们读取图像并使用 cv.dnn.blobFromImage 函数准备模型输入,该函数返回 4 维 blob。应该注意的是,首先在 cv.dnn.blobFromImage 中减去平均值,然后才将像素值乘以小数位数。因此,乘以再现原始图像预处理顺序:mean
255.0
图像 /= 255.0图片 -= [0.485, 0.456, 0.406]img /= [0.229, 0.224, 0.225]
- OpenCV cv.dnn.Net 推理:
# 设置 OpenCV DNN 输入opencv_net.setInput(preproc_img)# OpenCV DNN 推理out = opencv_net.forward()print(“OpenCV DNN 预测:\n”)print(“* 形状: ”, out.shape)# 获取预测的类 IDimagenet_class_id = np.argmax(输出)# 获得信心置信度 = out[0][imagenet_class_id]print(“* 类 ID: {}, label: {}”.format(imagenet_class_id, imagenet_labels[imagenet_class_id]))print(“* 置信度:{:.4f}”.format(置信度))在上述代码执行后,我们将得到以下输出:
OpenCV DNN 预测:* 形状:(1,1000)*类ID:335,标签:狐狸松鼠、东方狐狸松鼠、黑狐狸* 置信度:14.8308
- PyTorch ResNet-50 模型推理:
original_net.eval()preproc_img = 火炬。浮点张量(preproc_img)# 推理输出 = original_net(preproc_img)print(“\nPyTorch 模型预测:\n”)print(“* 形状: ”, out.shape)# 获取预测的类 IDimagenet_class_id = torch.argmax(out, axis=1).item()print(“* 类 ID: {}, label: {}”.format(imagenet_class_id, imagenet_labels[imagenet_class_id]))# 获得信心置信度 = out[0][imagenet_class_id]print(“* 置信度:{:.4f}”.format(confidence.item()))上述代码启动后,我们将得到以下输出:
PyTorch 模型预测:* 形状:火炬。尺寸([1, 1000])*类ID:335,标签:狐狸松鼠、东方狐狸松鼠、黑狐狸* 置信度:14.8308
原始 ResNet-50 模型和 cv.dnn.Net 的推理结果是相等的。对于模型的扩展评估,我们可以使用该模块。本模块部分将在下一小章中介绍。py_to_py_cls
dnn_model_runner
模型评估
建议的模块允许在 ImageNet 数据集上运行完整的评估管道,并测试以下 PyTorch 分类模型的执行:samples/dnn
dnn_model_runner
- 亚历克斯网
- VGG11型
- VGG13型
- VGG16型
- VGG19型
- resnet18
- resnet34
- resnet50的
- resnet101的
- resnet152
- squeezenet1_0
- squeezenet1_1
- resnext50_32x4d
- resnext101_32x8d
- wide_resnet50_2
- wide_resnet101_2
此列表还可以通过进一步适当的评估管道配置进行扩展。
评估模式
以下行表示模块在评估模式下的运行:
从列表中选择的分类模型将被读入 OpenCV cv.dnn.Net 对象。PyTorch 和 OpenCV 模型的评估结果(精度、推理时间、L1)将写入日志文件。推理时间值也将在图表中描述,以概括获得的模型信息。
必要的评估配置在test_config.py中定义,并可根据数据位置的实际路径进行修改:
@dataclass类 TestClsConfig:batch_size:int = 50frame_size:int = 224img_root_dir:str = “./ILSVRC2012_img_val”# image-class 匹配的位置img_cls_file:str = “./val.txt”bgr_to_rgb:bool = True若要启动对 PyTorch ResNet-50 的评估,请运行以下行:
python -m dnn_model_runner.dnn_conversion.pytorch.classification.py_to_py_cls --model_name resnet50脚本启动后,将在以下位置生成包含评估数据的日志文件:
dnn_model_runner/dnn_conversion/logs
成功获取模型 PyTorch resnet50 并转换为 OpenCV DNN resnet50===== 使用以下参数运行模型评估:* val 数据位置:./ILSVRC2012_img_val* 日志文件位置:dnn_model_runner/dnn_conversion/logs/PyTorch_resnet50_log.txt
测试模式
以下行表示模块在测试模式下的运行,即它提供了模型推理的步骤:
此处的 key 定义是要使用某些特定值参数化模型测试过程,还是使用默认值,例如 、 或 。default_img_preprocess
scale
mean
std
测试配置在test_config.py类中表示:TestClsModuleConfig
@dataclass类 TestClsModuleConfig:cls_test_data_dir:str = “../数据”test_module_name: str = “classification”test_module_path:str = “classification.py”input_img:str = os.path.join(cls_test_data_dir, “squirrel_cls.jpg”)型号: str = “”frame_height:str = str(TestClsConfig.frame_size)frame_width:str = str(TestClsConfig.frame_size)比例:str = “1.0”mean: List[str] = field(default_factory=lambda: [“0.0”, “0.0”, “0.0”])标准:List[str] = 字段(default_factory=list)裁剪:str = “False”rgb:str = “真”rsz_height:str = “”rsz_width:str = “”类:str = os.path.join(cls_test_data_dir, “dnn”, “classification_classes_ILSVRC2012.txt”)
默认图像预处理选项在 default_preprocess_config.py 中定义。例如:
BASE_IMG_SCALE_FACTOR = 1 / 255.0PYTORCH_RSZ_HEIGHT = 256PYTORCH_RSZ_WIDTH = 256pytorch_resize_input_blob = {“平均值”: [“123.675”, “116.28”, “103.53”],“比例”:str(BASE_IMG_SCALE_FACTOR),“标准”: [“0.229”, “0.224”, “0.225”],“crop”: “真”,“rgb”: “真”,“rsz_height”:str(PYTORCH_RSZ_HEIGHT),“rsz_width”:str(PYTORCH_RSZ_WIDTH)}
模型测试的基础在 samples/dnn/classification.py 中表示。 可以使用提供的转换模型和填充的 cv.dnn.blobFromImage 参数自主执行。classification.py
--input
要从头开始重现“模型转换管道”中描述的 OpenCV 步骤,请执行以下行:dnn_model_runner
网络预测显示在输出窗口的左上角:
在线教程
- 麻省理工学院人工智能视频教程 – 麻省理工人工智能课程
- 人工智能入门 – 人工智能基础学习。Peter Norvig举办的课程
- EdX 人工智能 – 此课程讲授人工智能计算机系统设计的基本概念和技术。
- 人工智能中的计划 – 计划是人工智能系统的基础部分之一。在这个课程中,你将会学习到让机器人执行一系列动作所需要的基本算法。
- 机器人人工智能 – 这个课程将会教授你实现人工智能的基本方法,包括:概率推算,计划和搜索,本地化,跟踪和控制,全部都是围绕有关机器人设计。
- 机器学习 – 有指导和无指导情况下的基本机器学习算法
- 机器学习中的神经网络 – 智能神经网络上的算法和实践经验
- 斯坦福统计学习
有需要的小伙伴,可以点击下方链接免费领取或者V扫描下方二维码免费领取🆓
人工智能书籍
- OpenCV(中文版).(布拉德斯基等)
- OpenCV+3计算机视觉++Python语言实现+第二版
- OpenCV3编程入门 毛星云编著
- 数字图像处理_第三版
- 人工智能:一种现代的方法
- 深度学习面试宝典
- 深度学习之PyTorch物体检测实战
- 吴恩达DeepLearning.ai中文版笔记
- 计算机视觉中的多视图几何
- PyTorch-官方推荐教程-英文版
- 《神经网络与深度学习》(邱锡鹏-20191121)
- …
第一阶段:零基础入门(3-6个月)
新手应首先通过少而精的学习,看到全景图,建立大局观。 通过完成小实验,建立信心,才能避免“从入门到放弃”的尴尬。因此,第一阶段只推荐4本最必要的书(而且这些书到了第二、三阶段也能继续用),入门以后,在后续学习中再“哪里不会补哪里”即可。
第二阶段:基础进阶(3-6个月)
熟读《机器学习算法的数学解析与Python实现》并动手实践后,你已经对机器学习有了基本的了解,不再是小白了。这时可以开始触类旁通,学习热门技术,加强实践水平。在深入学习的同时,也可以探索自己感兴趣的方向,为求职面试打好基础。
第三阶段:工作应用
这一阶段你已经不再需要引导,只需要一些推荐书目。如果你从入门时就确认了未来的工作方向,可以在第二阶段就提前阅读相关入门书籍(对应“商业落地五大方向”中的前两本),然后再“哪里不会补哪里”。
有需要的小伙伴,可以点击下方链接免费领取或者V扫描下方二维码免费领取🆓