超简单的pyTorch训练-＞onnx模型-＞C++ OpenCV DNN推理（附源码地址）

已于 2024-02-17 00:09:03 修改
阅读量1k 收藏 8
点赞数 3
分类专栏： # LLM/部署 文章标签： pytorch c++ opencv
于 2023-03-01 15:18:30 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/u013250861/article/details/129282216
版权

pyTorch入门，最重要的还是需要真正用起来，OpenCV中DNN模块就是用来推理的，所以这篇就是专门做一个最简单的例子来验证效果，文章最后有源码的Github地址。

0ff0d9a3d24041e6d11fb0f0863aa52c.png

# 实现方式
1 pyTorch训练数据
2 将pyTorch训练好的数据模型转出为onnx的文件
3 使用C++ OpenCV DNN实现推理

配置环境

操作系统：Windows 11 Home

pyTorch相关：Miniconda + pyTorch1.12.1(cpu) + python3.9.12，IDE用的是Visual Studio Code

OpenCV相关：OpenCV 4.5.1 + C++，IDE用的是Visual Studio 2022

了解本专栏 订阅专栏 解锁全文 超级会员免费看
u013250861
关注
  • 3
    点赞
  • 踩
  • 8
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
订阅专栏
Pytorch学习系列之十二：OpenCV（C++）加载onnx分类模型进行推理
thequitesunshine007的博客
04-05 6246
1 前言 博客Pytorch学习系列之九：OpenCV加载onnx模型进行推理_thequitesunshine007的博客-CSDN博客_opencv 加载onnx记载了python版本opencv加载onnx模型进行推理的方法。这里记录的是C++版本OpenCV加载onnx模型进行推理。 2 代码 #include<opencv2/highgui/highgui.hpp> #include<opencv2/imgproc/imgproc.hpp> #include&l
具有CPU，C ++，ONNX支持的DNN推理：即时-C/C++开发
05-27
警告：不建议使用Instant。 请改用Menoh。 警告：不建议使用Instant。 请改用Menoh。 警告：不建议使用Instant。 请改用Menoh。 Instant警告：Ins警告：Instant已弃用。 请改用Menoh。 警告：不建议使用Instant。 请改用Menoh。 警告：不建议使用Instant。 请改用Menoh。 即时警告：不建议使用即时。 请改用Menoh。 Instant是用C ++编写的DNN推理库。 Instant在麻省理工学院执照下发布。 使用CPU C ++ ONNX支持的目标DNN推理易于使用。 要求MKL-DNN库ProtocolBuffers构建在根目录中执行以下命令。
使用C++部署应用onnx模型
Justin_JGT的博客
04-17 1330
在C++下部署onnx模型的示例程序，包含各个API的解释。
【深度学习】【Opencv】【CPU】Python/C++调用onnx模型【基础】
yangyu0515的博客
09-26 4573
【深度学习】【Opencv】【CPU】Python/C++调用onnx模型【基础】
pytorch基础教学简单实例（附代码）
Lizhi_Tech的博客
07-15 1万+
零基础pytorch深度学习安装使用代码实例新手教学
使用opencv-dnn+C++部署onnx肺区分割模型
秋意为谁白的博客
01-19 2003
使用pytorch构建ResUnet网络，收集公开数据制作数据集完成标注，训练ct肺区分割模型，导出onnx文件，并通过C++调用onnx文件实现推理。
基于YOLOV5部署性能比较 opencvDNN、ONNX onnxruntime Openvion源码.zip
05-15
标题中的“基于YOLOV5部署性能比较 opencvDNN、ONNX onnxruntime Openvion源码.zip”指的是一个包含源代码的压缩文件，该文件用于比较在不同框架下部署YOLOV5模型的性能。YOLOV5是一种流行的实时目标检测算法，而...
基于YOLOv7-tiny.pt模型实现opencv dnn cpp进行推理源码+说明文档.rar
04-15
1、资源内容：基于yolov7-tiny.pt模型实现opencv dnn cpp进行推理（完整源码+说明文档+数据）.rar 2、代码特点：参数化编程、参数可方便更改、代码编程思路清晰、注释明细。 3、适用对象：计算机，电子信息工程、...
基于OpencvDNN和ONNXRuntime部署YOLOv7（源码+训练模型+说明文档+数据）包含C++和Python两个版本
06-14
YOLOv7是一种高效且准确的目标检测模型，其在计算机视觉领域被广泛...通过这个项目，你可以掌握如何利用OpenCV的DNN模块和ONNXRuntime将预先训练的YOLOv7模型集成到C++和Python应用程序中，实现高效的目标检测功能。
算法部署-使用OpenCV-DNN模块部署Yolact实例分割算法-含C++和Python版本-附项目源码-优质项目实战.zip
05-24
OpenCV-DNN模块是一个强大的工具，它允许开发者将预先训练好的深度学习模型集成到自己的应用程序中，无论是用C++还是Python编写。 首先，我们需要了解Yolact算法。Yolact是一种实时实例分割算法，它结合了YOLO（You...
算法部署-使用OpenCV-DNN模块部署SCRFD人脸检测算法-含C++和Python版本-附项目源码-优质项目实战.zip
05-24
OpenCV的DNN模块支持多种框架的模型，如TensorFlow、Caffe、ONNX等。 SCRFD算法是一种基于深度学习的人脸检测模型，它的全称为State-of-the-Art Convolutional Regression for Face Detection。该算法通过改进的...
c++ opencv调用yolov5 onnx模型
qq15070的博客
10-20 728
很有借鉴意义
Opencv C++实现yolov5部署onnx模型完成目标检测
金戈鐡馬
08-03 2823
顾名思义，看检测出来的物体的精准度。以测量值为中心，在一定范围内，真值出现在该范围内的几率。根据图像大小，选择相应长度的二维数组。里面存了三个阈值和模型地址，其中。
【深度学习】【Opencv】【GPU】python/C++调用onnx模型【基础】
yangyu0515的博客
10-16 4647
【深度学习】【Opencv】【GPU】python/C++调用onnx模型【基础】
YOLOV8模型测试、训练及导出onnx模型
qq_42178122的博客
09-12 1万+
yolov8
C++使用onnxruntime/opencv对onnx模型进行推理(附代码)
热门推荐
qq_44747572的博客
11-22 2万+
文章目录0. onnx模型准备以及测试图1. c++使用onnxruntime进行推理2. c++使用opencv进行推理 0. onnx模型准备以及测试图 参考：https://blog.csdn.net/qq_44747572/article/details/120820964?spm=1001.2014.3001.5501 1. c++使用onnxruntime进行推理 #include <opencv2/core.hpp> #include <opencv2/imgcodecs.h
OpenCV DNN模块模型推理（c++实现）
weixin_43407674的博客
08-22 1367
1. 当同时进行scalefactor,size,mean,swapRB操作时，优先按swapRB交换通道，其次按scalefactor比例缩放，然后按mean求减，最后按size进行resize操作。3. 当crop=True时，调整输入图像的大小，使调整大小后的一侧等于相应的尺寸，另一侧等于或大于，然后从中心进行裁剪。cv2.dnn.blobFromImages有更少的函数调用开销，能够更快批处理图像或帧。将原始图像转换为可以直接输入网络的格式，在进行深度学习时，主要是用来对图片进行预处理。
C++使用onnxruntimeopencv对onnx模型进行推理(附代码)
m0_54883970的博客
06-08 843
参考：https://blog.csdn.net/qq_44747572/article/details/120820964?spm=1001.2014.3001.5501 结果: current image classification : French bulldog, possible : 16.17对两张图片同时进行推理 current image classification : French bulldog, possible : 16.17 current image classific
【chatgpt】pytorch的全连接层FC
最新发布
Never Give Up
07-03 766
在 PyTorch 中，全连接层由类表示。# 定义一个输入维度为 4，输出维度为 2 的全连接层全连接层（线性层）在神经网络中用于实现输入和输出之间的线性变换。在 PyTorch 中，用于定义全连接层。需要指定输入特征数和输出特征数。使用nn.Linear可以方便地构建和训练神经网络。通过上述示例，你可以理解如何在 PyTorch 中定义和使用全连接层，并将其应用于神经网络中。使用fc.weight和fc.bias可以分别访问线性层的权重矩阵和偏置项。这些参数是。
用C++语言写opencv dnn推理onnx Unet语义分割模型的代码
06-03
下面是一个简单的 C++ OpenCV DNN 推理代码示例，使用 ONNX 格式的 U-Net 模型进行语义分割： ```c++ #include <opencv2/dnn/dnn.hpp> #include <opencv2/imgproc/imgproc.hpp> #include <opencv2/highgui/highgui.hpp> using namespace cv; using namespace cv::dnn; int main(int argc, char** argv) { // 读取模型文件 const string model_file_path = "unet.onnx"; Net net = readNetFromONNX(model_file_path); // 读取输入图像 const string input_file_path = "input.jpg"; Mat input_image = imread(input_file_path); // 预处理输入图像 Mat input_blob = blobFromImage(input_image, 1.0 / 255.0, Size(572, 572), Scalar(0, 0, 0), true, false); // 运行推理 Mat output_blob; net.setInput(input_blob); net.forward(output_blob); // 后处理输出结果 Mat output_image; output_blob = output_blob.reshape(1, 388 * 388); output_blob.convertTo(output_blob, CV_8UC1, 255.0); applyColorMap(output_blob, output_image, COLORMAP_JET); // 显示输出结果 imshow("Output", output_image); waitKey(0); return 0; } ``` 这个示例代码假设已经有了一个 ONNX 格式的 U-Net 模型文件 `unet.onnx` 和一个输入图像文件 `input.jpg`。代码中首先使用 `readNetFromONNX` 函数读取了模型文件，然后使用 `imread` 函数读取了输入图像。 接下来，代码中使用 `blobFromImage` 函数将输入图像转换成网络需要的输入格式，并使用 `setInput` 函数将输入数据设置到网络中，使用 `forward` 函数进行推理，得到输出结果。 最后，代码中使用 `reshape` 函数和 `convertTo` 函数对输出结果进行后处理，然后使用 `applyColorMap` 函数将结果可视化，使用 `imshow` 函数显示输出结果，使用 `waitKey` 函数等待用户按下键盘。

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值