OpenVINO 学习笔记（5）：IE 模块使用

最新推荐文章于 2024-08-27 15:37:20 发布

风吹过得夏天

最新推荐文章于 2024-08-27 15:37:20 发布

阅读量1.1k

点赞数 1

分类专栏： OpenVINO

本文链接：https://blog.csdn.net/u011385476/article/details/104891572

版权

OpenVINO 专栏收录该内容

6 篇文章 6 订阅

订阅专栏

OpenVINO 学习笔记（5）：IE 模块使用

本节主要记录使用 IE 模块来进行推理加速。

1. 编译环境配置

先新建项目，然后配置属性页。

C:\IntelSWTools\openvino_2020.1.033\opencv\include

C:\IntelSWTools\openvino_2020.1.033\opencv\lib

将以下库添加到链接器输入

opencv_calib3d420d.lib
opencv_core420d.lib
opencv_dnn420d.lib
opencv_features2d420d.lib
opencv_flann420d.lib
opencv_gapi420d.lib
opencv_highgui420d.lib
opencv_imgcodecs420d.lib
opencv_imgproc420d.lib
opencv_ml420d.lib
opencv_objdetect420d.lib
opencv_photo420d.lib
opencv_stitching420d.lib
opencv_video420d.lib
opencv_videoio420d.lib

配置环境变量

C:\IntelSWTools\openvino_2020.1.033\opencv\lib

2. 模型下载与生成 pbtxt 文件

在测试代码前，我们还需要一些准备工作。
首先，我们需要下载模型文件。进入 models , 选择下载 ssd_mobilenet_v2_coco 模型文件。
下载完成之后，我们还需要生成一个 pbtxt 文件，才能在 dnn 里面载入模型文件。

在 opencv 编译文件目录中搜索 tf_text_graph_ssd.py ，然后在 tf_text_graph_ssd.py 文件夹中打开 cmd ，输入命令：

python tf_text_graph_ssd.py --input E:\OpenVINO_Study_Log\ssd_mobilenet_v2_coco_2018_03_29\frozen_inference_graph.pb --config E:\OpenVINO_Study_Log\ssd_mobilenet_v2_coco_2018_03_29\pipeline.config --output frozen_inference_graph.pbtxt

运行完成之后就会生成 pbtxt 文件。
注意自己的各文件路径。
接下来，我们就可以进行代码测试了。

3. 测试代码

在项目的源文件里，新建 main.cpp 。输入以下代码：

#include <opencv2/opencv.hpp>
#include <opencv2/dnn.hpp>
#include <iostream>

using namespace cv;
using namespace cv ::dnn;
using namespace std;

string model = "E:/OpenVINO_Study_Log/ssd_mobilenet_v2_coco_2018_03_29/frozen_inference_graph.pb";
string config = "E:/OpenVINO_Study_Log/ssd_mobilenet_v2_coco_2018_03_29/frozen_inference_graph.pbtxt";

int main(int argc, char** argv) {
  Mat src = imread("C:/Users/LWL/Desktop/dl.jpg");	//读取图片
  if (src.empty()) {
    printf("Load image failed");
    return -1;
  }
  Net net = readNetFromTensorflow(model, config);	// 载入模型网络
  net.setPreferableBackend(DNN_BACKEND_INFERENCE_ENGINE);		// 指定计算后台设备
  net.setPreferableTarget(DNN_TARGET_CPU);					// 指定计算设备

  printf("ssd network model loaded...\n");
  Mat blob = blobFromImage(src, 1.0, Size(300, 300), Scalar(), true, false, 5);
  net.setInput(blob);
  Mat detection = net.forward();

  // 获取推断时间
  vector<double> layerTimigs;
  double freq = getTickFrequency() / 1000;
  double time = net.getPerfProfile(layerTimigs) / freq;
  ostringstream ss;
  ss << "infernece:" << time << "ms";
  putText(src, ss.str(), Point(50, 50), FONT_HERSHEY_SIMPLEX, 1, Scalar(255, 0, 0), 2, 8);	// 在图片上打印推理所用时间


  Mat detectionMat(detection.size[2], detection.size[3], CV_32F, detection.ptr<float>());
  float threshold = 0.8;

  // 圈出可能目标
  for (int i = 0; i < detectionMat.rows; i++) {
    float confidence = detectionMat.at<float>(i, 2);
    if (confidence > threshold) {
      int obj_index = (size_t)detectionMat.at<float>(i, 1);
      float tl_x = detectionMat.at<float>(i, 3) * src.cols;
      float tl_y = detectionMat.at<float>(i, 4) * src.rows;
      float br_x = detectionMat.at<float>(i, 5) * src.cols;
      float br_y = detectionMat.at<float>(i, 6) * src.rows;
      Rect object_box((int)tl_x, (int)tl_y, int(br_x - tl_x), int(br_y - tl_y));
      rectangle(src, object_box, Scalar(0, 0, 255), 2, 8, 0);
    }
  }

  imshow("ssd_detection", src);			// 显示图片
  waitKey(0);								// 等待用户按键
  destroyAllWindows();					// 摧毁所有显示图片的窗口
  return 0;
}