C++中调用Tensorflow的pb文件（二）

在之前的博文中有讲到如何编译安装c++版的Tensorflow，并简单调用自己训练的pb文件（若需要使用python进行调用pb文件请参考这个博文）。在本文中将进一步结合代码调用pb文件。之前经常使用google发布在github上基于tensorflow的object detection模块，在该模块中官方事先提供了一系列预训练模型，如下图所示，我们可以直接使用这些模型也可以针对自己的项目进行re-train操作并得到最终的pb文件。

接下来我们在C++中调用这些模型，之前在网上找了好久都没找到可用的事例代码，而且官方提供的API看着也是一脸懵（编程菜鸟），后来摸索了很久总结代码如下：

#include <iostream>

#include "tensorflow/cc/ops/const_op.h"
#include "tensorflow/cc/ops/image_ops.h"
#include "tensorflow/cc/ops/standard_ops.h"
#include "tensorflow/core/framework/graph.pb.h"
#include "tensorflow/core/framework/tensor.h"
#include "tensorflow/core/graph/default_device.h"
#include "tensorflow/core/graph/graph_def_builder.h"
#include "tensorflow/core/lib/core/errors.h"
#include "tensorflow/core/lib/core/stringpiece.h"
#include "tensorflow/core/lib/core/threadpool.h"
#include "tensorflow/core/lib/io/path.h"
#include "tensorflow/core/lib/strings/stringprintf.h"
#include "tensorflow/core/platform/env.h"
#include "tensorflow/core/platform/init_main.h"
#include "tensorflow/core/platform/logging.h"
#include "tensorflow/core/platform/types.h"
#include "tensorflow/core/public/session.h"
#include "tensorflow/core/util/command_line_flags.h"

#include <opencv2/opencv.hpp>
#include <cv.h>
#include <highgui.h>
#include <Eigen/Core>
#include <Eigen/Dense>

using namespace std;
using namespace cv;
using namespace tensorflow;



// 定义一个函数讲OpenCV的Mat数据转化为tensor，python里面只要对cv2.read读进来的矩阵进行np.reshape之后，
// 数据类型就成了一个tensor，即tensor与矩阵一样，然后就可以输入到网络的入口了，但是C++版本，我们网络开放的入口
// 也需要将输入图片转化成一个tensor，所以如果用OpenCV读取图片的话，就是一个Mat，然后就要考虑怎么将Mat转化为
// Tensor了
void CVMat_to_Tensor(Mat img,Tensor* output_tensor,int input_rows,int input_cols)
{
    //imshow("input image",img);
    //图像进行resize处理
    resize(img,img,cv::Size(input_cols,input_rows));
    //imshow("resized image",img);

    //归一化
    img.convertTo(img,CV_8UC3);  // CV_32FC3
    //img=1-img/255;

    //创建一个指向tensor的内容的指针
    uint8 *p = output_tensor->flat<uint8>().data();

    //创建一个Mat，与tensor的指针绑定,改变这个Mat的值，就相当于改变tensor的值
    cv::Mat tempMat(input_rows, input_cols, CV_8UC3, p);
    img.convertTo(tempMat,CV_8UC3);

 //    waitKey(0);

}

int main()
{
    /*--------------------------------配置关键信息------------------------------*/
    string model_path="/home/xx/retrain_tf/ssd_inception_v2_coco/frozen_inference_graph.pb";
    string image_path="/home/xx/image2.jpg";
    int input_height = 562;
    int input_width = 1000;
    string input_tensor_name="image_tensor";
    vector<string> out_put_nodes;  //注意，在object detection中输出的三个节点名称为以下三个
    out_put_nodes.push_back("detection_scores");  //detection_scores  detection_classes  detection_boxes
    out_put_nodes.push_back("detection_classes");
    out_put_nodes.push_back("detection_boxes");

    /*--------------------------------创建session------------------------------*/
    Session* session;
    Status status = NewSession(SessionOptions(), &session);//创建新会话Session

    /*--------------------------------从pb文件中读取模型--------------------------------*/
    GraphDef graphdef; //Graph Definition for current model

    Status status_load = ReadBinaryProto(Env::Default(), model_path, &graphdef); //从pb文件中读取图模型;
    if (!status_load.ok()) {
        cout << "ERROR: Loading model failed..." << model_path << std::endl;
        cout << status_load.ToString() << "\n";
        return -1;
    }
    Status status_create = session->Create(graphdef); //将模型导入会话Session中;
    if (!status_create.ok()) {
        cout << "ERROR: Creating graph in session failed..." << status_create.ToString() << std::endl;
        return -1;
    }
    cout << "<----Successfully created session and load graph.------->"<< endl;

    /*---------------------------------载入测试图片-------------------------------------*/
    cout<<endl<<"<------------loading test_image-------------->"<<endl;
    Mat img;
    img = imread(image_path);
    cvtColor(img, img, CV_BGR2RGB);
    if(img.empty())
    {
        cout<<"can't open the image!!!!!!!"<<endl;
        return -1;
    }

    //创建一个tensor作为输入网络的接口
    Tensor resized_tensor(DT_UINT8, TensorShape({1,input_height,input_width,3})); //DT_FLOAT

    //将Opencv的Mat格式的图片存入tensor
    CVMat_to_Tensor(img,&resized_tensor,input_height,input_width);

    cout << resized_tensor.DebugString()<<endl;

    /*-----------------------------------用网络进行测试-----------------------------------------*/
    cout<<endl<<"<-------------Running the model with test_image--------------->"<<endl;
    //前向运行，输出结果一定是一个tensor的vector
    vector<tensorflow::Tensor> outputs;

    Status status_run = session->Run({{input_tensor_name, resized_tensor}}, {out_put_nodes}, {}, &outputs);

    if (!status_run.ok()) {
        cout << "ERROR: RUN failed..."  << std::endl;
        cout << status_run.ToString() << "\n";
        return -1;
    }

    //把输出值给提取出
    cout << "Output tensor size:" << outputs.size() << std::endl;  //3
    for (int i = 0; i < outputs.size(); i++)
    {
        cout << outputs[i].DebugString()<<endl;   // [1, 50], [1, 50], [1, 50, 4]
    }

    cvtColor(img, img, CV_RGB2BGR);  // opencv读入的是BGR格式输入网络前转为RGB
    resize(img,img,cv::Size(1000,562));  // 模型输入图像大小
    int pre_num = outputs[0].dim_size(1);  // 50  模型预测的目标数量
    auto tmap_pro = outputs[0].tensor<float, 2>();  //第一个是score输出shape为[1,50]
    auto tmap_clas = outputs[1].tensor<float, 2>();  //第二个是class输出shape为[1,50]
    auto tmap_coor = outputs[2].tensor<float, 3>();  //第三个是coordinate输出shape为[1,50,4]
    float probability = 0.5;  //自己设定的score阈值
    for (int pre_i = 0; pre_i < pre_num; pre_i++)
    {
        if (tmap_pro(0, pre_i) < probability)
        {
            break;
        }
        cout << "Class ID: " << tmap_clas(0, pre_i) << endl;
        cout << "Probability: " << tmap_pro(0, pre_i) << endl;
        string id = to_string(int(tmap_clas(0, pre_i)));
        int xmin = int(tmap_coor(0, pre_i, 1) * input_width);
        int ymin = int(tmap_coor(0, pre_i, 0) * input_height);
        int xmax = int(tmap_coor(0, pre_i, 3) * input_width);
        int ymax = int(tmap_coor(0, pre_i, 2) * input_height);
        cout << "Xmin is: " << xmin << endl;
        cout << "Ymin is: " << ymin << endl;
        cout << "Xmax is: " << xmax << endl;
        cout << "Ymax is: " << ymax << endl;
        rectangle(img, cvPoint(xmin, ymin), cvPoint(xmax, ymax), Scalar(255, 0, 0), 1, 1, 0);
        putText(img, id, cvPoint(xmin, ymin), FONT_HERSHEY_COMPLEX, 1.0, Scalar(255,0,0), 1);
    }
    imshow("1", img);
    cvWaitKey(0);

    return 0;
}

这里偷个懒直接使用官网下载的基于coco的预训练模型（用自己训练的pb文件方法是一样的），以下是终端输出结果以及将结果简单的标注在图片上：

在coco数据集标签中id：1对应的是person，id：38对应的是kite。

在使用过程中需要注意：

1）修改pb模型的路径

2）修改图片的路径

3）修改网络输入图片的大小（object detection中输入都是RGB彩色图片，如果使用灰度还需要修改CVMat_to_Tensor函数中的相关信息）

4）注意输入输出的节点名称，如果使用object detection内模型使用代码中的三个名称即可detection_scores ；detection_classes；detection_boxes