调用图像_OpenCV图像处理-调用Tensoflow和YOLO

最新推荐文章于 2024-07-27 08:37:57 发布

weixin_40002224

最新推荐文章于 2024-07-27 08:37:57 发布

阅读量440

点赞数 1

文章标签：调用图像

本文链接：https://blog.csdn.net/weixin_40002224/article/details/112699345

版权

本文介绍了如何使用OpenCV的DNN模块调用Tensorflow训练的object detection模型，如SSD、Faster R-CNN、Mask R-CNN等，并详细讲解了调用Tensorflow模型的步骤。此外，还展示了如何通过OpenCV调用YOLO模型进行目标检测，包括设置参数、加载模型、处理图像和应用非最大值抑制等关键步骤。

摘要由CSDN通过智能技术生成

OpenCV 调用tensorflow

概述

✔️OpenCV在DNN模块中支持直接调用tensorflow object detection训练导出的模型使用，支持的模型包括 - SSD - Faster-RCNN - Mask-RCNN

✔️ 利用这三种经典的对象检测网络，这样就可以实现从tensorflow模型训练、导出模型、在OpenCV DNN调用模型网络实现自定义对象检测的技术。

✔️ OpenCV3.4.1以上版本支持tensorflow1.11版本以上的对象检测框架(object detetion)模型导出使用，当前支持的模型包括以下：

Model | Version | weights | Config |
MobileNet-SSD v1 | 2017_11_17| weights | config |
MobileNet-SSD v1 PPN | 2018_07_03| weights | config |
MobileNet-SSD v2 | 2018_03_29| weights | config |
Inception-SSD v2 | 2017_11_17| weights | config |
Faster-RCNN Inception v2 | 2018_01_28| weights | config |
Faster-RCNN ResNet-50 | 2018_01_28| weights | config |
Mask-RCNN Inception v2 | 2018_01_28| weights | config |

✏️ 使用tensorflow object detection API框架进行迁移学习训练模型，导出预测图之后，然后通过OpenCV3.4.1以上版本提供几个python脚本导出graph配置文件，这样就可以在OpenCV DNN模块中使用tensorflow相关的模型了。

使用tensorflow

✔️使用tensorflow预测：

import tensorflow as tf
import cv2

# Read the graph.
model_dir = '../faster_rcnn_resnet50_coco_2018_01_28/frozen_inference_graph.pb'
with tf.gfile.FastGFile(model_dir, 'rb') as f:
    graph_def = tf.GraphDef()
    graph_def.ParseFromString(f.read())

with tf.Session() as sess:
    # Restore session
    sess.graph.as_default()
    tf.import_graph_def(graph_def, name='')

    # Read and preprocess an image.
    img = cv2.imread('cat.jpg')
    rows = img.shape[0]
    cols = img.shape[1]
    inp = cv2.resize(img, (300, 300))
    inp = inp[:, :, [2, 1, 0]]  # BGR2RGB

    # Run the model
    out = sess.run([sess.graph.get_tensor_by_name('num_detections:0'),
                    sess.graph.get_tensor_by_name('detection_scores:0'),
                    sess.graph.get_tensor_by_name('detection_boxes:0'),
                    sess.graph.get_tensor_by_name('detection_classes:0')],
                   feed_dict={'image_tensor:0': inp.reshape(1, inp.shape[0], inp.shape[1], 3)})

    # Visualize detected bounding boxes.
    num_detections = int(out[0][0])
    for i in range(num_detections):
        classId = int(out[3][0][i])
        score = float(out[1][0][i])
        bbox = [float(v) for v in out[2][0][i]]
        if score > 0.8:
            x = bbox[1] * cols
            y = bbox[0] * rows
            right = bbox[3] * cols
            botto