Open CV直接根据tensorflow模型pb文件，进行推断

open cv从3.3版本开始正式支持DNN，可以直接导入caffe、tensorflow等框架训练好的模型，进而完成识别、检测等任务，
方便终端部署。

第一步：加载pb模型数据，生成net
net = cv.dnn.readNetFromTensorflow(“graph_opt.pb”)

第二步：
给模型输入图像，使用blobFromImage函数，将图片转换成blob格式。
net.setInput(cv.dnn.blobFromImage(frame, 1.0, (inWidth, inHeight), (127.5, 127.5, 127.5), swapRB=True, crop=False))

第三步：
模型推导并获取结果
out = net.forward()

其他：readNetFromTensorflow介绍：
opencv加载tensorflow训练好的模型，采用readNetFromTensorflow(model,config)，第一个参数对应训练好的模型文件frozen_inference_graph.pb的路径，第二个参数对应于一个生成的config文件，它其实是一个protobuf格式的文本的网络结构定义。
https://github.com/opencv/opencv/tree/master/samples/dnn
如何生成protobuf格式的网络结构定义config文件，opencv提供了转换脚本，首先根据你选取的网络模型，选择对应的脚本，这个脚本一般有三个参数，
第一个是你训练好的frozen_inference_graph.pb的路径。
第二个是训练时使用的pipeline_config文件的路径。
第三个就是config文件的输出路径了。