QT部署pytorch深度学习模型（CMake篇）

已于 2024-05-01 11:55:02 修改
阅读量2.6k 收藏 41
点赞数 19
文章标签： 深度学习 pytorch 人工智能 qt
于 2024-02-16 21:45:03 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/weixin_65287692/article/details/136130093
版权
本文详细介绍了如何在QT中使用CMake部署PyTorch深度学习模型，包括模型转换、环境搭建、配置环境变量、CMake项目创建及代码实现，最后展示了部署结果。
摘要由CSDN通过智能技术生成

前言：

本篇博客主要的应用场景是在你的手里已有一个训练好的pytorch图像预测模型，而你需要将其部署到Qt中进行相应的程序开发。

本篇博客将手把手教你实现QT部署pytorch深度学习模型！

实现思路：

首先，将PyTorch模型转换为C++代码，可以使用TorchScript来将PyTorch模型转换为TorchScript格式，然后将其保存为.pt文件。（TorchScript是PyTorch的一种静态图表示形式，可以在不需要Python环境的情况下加载和运行模型）

然后，下载CMake以使得我们的Qt能够检测到并使用cmake而非qmake，下载Visual Studio2017以及MSVC2017方便调试以及提供相关运行环境。

其次，在相应的官方处获取对应版本的libtorch库（torch的前端C++库）和opencv库（用于调取图像预测所需要的图像）帮助我们能在Qt上调取使用我们部署模型时所需要调用的函数或使用的语法，为确保能够正常使用上述两个库还应将两者的下载路径添加到环境变量。

最后在Qt编写相关代码实现pytorch深度学习模型的部署。

emm...  具体思路大致就这样吧！

环境搭建：

Qt5.14.2(安装时注意勾选带MSVC2017字眼的且建议断网安装可以省一些麻烦）

CMake (cmake-gui)

Visual Studio2017

Libtorch

Opencv-4.9.0-windows

MSVC2017

需要注意的是相应的下载时记住自己选择的是release还是debug，这里由于我后续需要对程序做打包处理故选择了release

部署流程：

首先应确保你的环境搭建是没问题的，下载的Libtorch里有图1.1这些文件

c9fdd30389b8488ea19fefa6a667c5dd.png

图1.1

 

下载的opencv库里有图1.2这些文件

1def8f4ec6264d09bb3ae42a8fd49a83.png

图1.2

当我们下载得到所需要的文件后，便可以开始添加相应的环境变量了。

可以打开桌面的搜索框搜索环境变量找到编辑系统环境变量进入，然后点击环境变量，找到系统变量一栏中的path,在里面新建并添加如图1.3文件路径然后全部窗口选择确定，否则可能会出现未设置成功的情况，必要时可以重启一下电脑。

fbaf58fc634d4647b4a48860f30421cf.png

图1.3

配置好环境变量后，我们打开Qt，点击工具里的选项确保MSCV2017不是黄色的三角感叹号，如果你遇到了，那么可能的原因是Windows Performance Toolkit未配置
解决方法
依次进入：控制面板——程序——卸载程序——找到“ Windows Software Development Kit ”；
选中右键——更改；选择“Change”；
勾选“Windows Performance Toolkit”，点击“Change”保存即可；

然后创建cmake项目

9207f7d65b4149c78a88da0eff0ad3fe.png

图1.4

可参考

最低0.47元/天 解锁文章
傻孩纸375
关注
  • 19
    点赞
  • 踩
  • 41
    收藏
    觉得还不错? 一键收藏
  • 7
    评论
尝试使用CMake构建Qt+Pytorch简单应用
街道口扛把子的博客
12-12 3457
CMake+libtorch+Qt 毕业设计打算做一个小软件，实现一个简单的Machine Reading。前几天pytorch发布了1.0稳定版，据说在部署上更方便，于是尝试一下。 首先准备anaconda+pycharm+Qt+pytorch1.0+libtorch。 首先将pytorch官方的示例在ubuntu中做了一遍，完成之后，需要的是把Qt做的界面加入到里面，走了一些弯路，在windo...
PyTorch+LibTorch+QT部署问题
小鼻涕虫BoZ的博客
03-11 580
QT+LibTorch部署时遇到过的问题记录。
Python/Pytorch/Tensorflow/QT安装
zhuliyeer的博客
04-10 1252
就算多个项目使用同一个版本的python，这时候还是需要创建conda虚拟环境的，比如一个项目用Pytorch开发，一个项目用TensorFlow开发，不同框架对python包依赖，对底层库的依赖是不同的， 此时可能会起冲突，比如安装Pytorch后再安装TensorFlow时可能会将Pytorch所用依赖更新，则会导致Pytorch无法运行。（如安装5.15以上，出了错被卡了2~3天还没解决，因为太新，网上也没有很多修正bug的方案。安装python时，不必单独安装，可直接安装anaconda。
基于Pytorch.MLP+QT5的车牌识别GUI程序
05-26
本程序是把“cccandppp”人博客中的基于opencv+opencvSVM改造而成的，我并没有用opencv里的mlp训练，因为不方便查看，也不方便学习，我用pytorch改写的，可查看实时训练结果。虽然准确率低，但是基本学习还是够用的，后期只要把MLP换成其他高级算法就可以了。pytorch框架非常便于改写里面的算法。
qt double 相减不为0_PyTorch C++ libtorch的使用方法(2)-Qt中调用PyTorch模型
weixin_39887221的博客
12-03 321
我在Jupyter lab里面训练出的PyTorch模型，它的输入是包含两个float数值的tensor，输出是包含一个float数值的 1x1的tensor；那么，我需要解决的具体问题如下：（1）将C++中两个float类型的数值转变成一个 1x2 的 tensor；（2）调用PyTorch模型，输入该1x2 的 tensor 进行推理，输出一个 1x1 的 tensor （代表含水率）；（3）...
windows下C++(QT)调用python和其依赖库pytorch
weixin_50450959的博客
12-16 1649
windows下C++(QT)调用python和其依赖库pytorch
windows下，在Qt中通过c++调用anaconda中的python，使用pytorch
joyopirate的博客
06-01 2792
由于项目需求，需要在Qt中调用anaconda中的pytorch进行训练等操作，经过查找资料以及测试，成功实现该需求，具体流程如下（前提是已经在anaconda中正确安装好pytorch）： 我的pytorch开发环境在： D:\ProgramData\Anaconda3\envs\pytorch_cuda 1.添加环境变量 将3个路径加到path中去，参考这个 2.在Qt工程的pro文件中引入python 的c++库的头文件以及库： INCLUDEPATH += $$quote(D:\ProgramDa
QT-C++调用Python文件，实现深度学习的交互调用
月照大江流的博客
05-17 1556
QT-C++调用Python文件，实现深度学习的交互调用 李伯爵的指间沙 2020-05-12 09:34:54 42 收藏 展开 0.本机环境:WIN10*64 1.下载安装python3.7.4 路径如下：C:\Python3.7.4 2.修改pro文件 INCLUDEPATH += C:\Python3.7.4\include LIBS += -LC:\Python3.7.4\libs -lpython37_d 3.python文件修改 4. C++调用 #pragma push_mac
Pytorch深度学习入门与实战课程
09-13
给大家分享一套课程——《Pytorch深度学习入门与实战》，2022年7月最新升级完整版25章，课程包升级。课程配套有完整的代码+课件+数据集下载。 Pytorch深度学习入门与实战课程是一套系统实战课程，结合了超多的经典...
PyTorch深度学习实践_pytorch_深度学习_
10-01
pytorch深度学习实践，深度学习实践入门，内附pdf，代码。
TQT:TQT的pytorch实施
04-02
TQT TQT的pytorch实施。 注意 现在在可用availabel！ 通过此程序包量化的网络可以在找到。 TQT的模块 TQT功能 function是torch.nn.modules的重新torch.nn.modules 。 除了原始函数中使用的所有args外，量化函数还获得2种可选参数： bit_width和retrain 。 bit_width有2种类型：权重/偏差或激活。 如果retrain为True ，则模块将处于retrain模式，且log2_t可训练。 否则，在静态模式下， log2_t由初始化确定并且不可训练。 TQT阈值 提供3种初始化阈值的方法： init_max ， init_kl_j ， init_3sd 。 要正确初始化权重和阈值，请遵循使用TQT建立网络的方法。 xxxxx.xxx 。 众所周知，输入（k1-b-m1-p）乘以权重（k2-b-m2
Qt C++版深度学习图像标注工具发布包，支持目标定位、图像分割，四点、多点标注
03-17
深度学习图像标注工具支持目标定位、图像分割，四点、多点标注，本文件是直接可运行的文件，不需要安装，支持XML、Json格式
QtTest_Qt识别界面_深度学习_QT_图像界面_Qt图像_
09-29
利用深度学习实现图像识别与分类，并用QT编程实现界面设计
pytorch深度学习代码合集
02-01
PyTorch深度学习代码合集是一系列用于学习和实践深度学习技术的资源，主要基于Python编程语言和PyTorch框架。...通过逐步实践，你可以提升自己在深度学习和PyTorch方面的技能，从而能够构建和优化自己的深度学习模型。
基于pytorch深度学习框架的验证码识别模型设计
最新发布
07-01
【作品名称】：基于pytorch深度学习框架的验证码识别模型设计 【适用人群】：适用于希望学习不同技术领域的小白或进阶学习者。可作为毕设项目、课程设计、大作业、工程实训或初期项目立项。 【项目介绍】：基于...
PyTorch深度学习代码及数据PyTorch深度学习代码及数据
03-01
PyTorch深度学习代码及数据PyTorch深度学习代码及数据PyTorch深度学习代码及数据PyTorch深度学习代码及数据PyTorch深度学习代码及数据PyTorch深度学习代码及数据PyTorch深度学习代码及数据PyTorch深度学习代码及数据...
QT学习之路[19]_深度学习初探libtorch_搭环境[01]
mm13420109325的博客
07-24 702
B站上关于QT跨平台的教程
QT——百度EasyDL深度学习模型调用（人脸检测）
Dainelcw
05-23 2851
前言：基于QT平台开发的一款人脸口罩检测系统，利用百度AI-EasyDL平台搭建深度学习模型并通过api调用。 准备工作 1、登录百度AI-EasyDL平台，注册账号，按照帮助文档新建模型 2、按照帮助文档建立数据集，并给数据集标注（这里可以直接上传未标注的数据集-图片，然后跟着说明一张一张图片标注） 3、为模型添加数据集、训练模型、校验、发布。 4、点击模型页“服务详情”->立即使用即可获取到API Key和Secret Key保存备用。 数据集： 模型页： 5、布局更改：.
【深度学习】基于Qt的人脸识别系统，门禁人脸识别系统，Python人脸识别流程，树莓派
q742971636的博客
06-16 2702
常用的模型架构包括经典的卷积神经网络（Convolutional Neural Network，CNN），如VGG、ResNet、Inception等，以及一些针对人脸特征提取任务设计的模型，如SphereFace、ArcFace、CosFace等。常用的损失函数包括三元组损失（Triplet Loss）、角度间隔损失（Angular Margin Loss）等，这些损失函数能够增强同一人脸特征向量的相似性、增大不同人脸特征向量的差异性，从而提高特征的辨识度。
qt调用深度学习模型
08-25
### 回答1： 使用Qt调用深度学习模型的一种方式是使用TensorFlow C++ API或PyTorch C++ API。以下是一个使用TensorFlow C++ API的示例代码： ```cpp #include <tensorflow/c/c_api.h> int main(int argc, char** argv) { // Load the SavedModel TF_SessionOptions* session_options = TF_NewSessionOptions(); TF_Status* status = TF_NewStatus(); TF_Graph* graph = TF_NewGraph(); TF_Session* session = TF_LoadSessionFromSavedModel(session_options, status, "path/to/savedmodel", nullptr, 0, graph, nullptr); // Create input tensor const int n_dims = 4; const int64_t dims[n_dims] = {1, height, width, 3}; const int n_values = height * width * 3; float* input_data = new float[n_values]; // Fill input_data with image data TF_Tensor* input_tensor = TF_NewTensor(TF_FLOAT, dims, n_dims, input_data, n_values * sizeof(float), [](void* data, size_t length, void* arg) { delete[] static_cast<float*>(data); }, nullptr); // Create input tensor array TF_Output input_op = {TF_GraphOperationByName(graph, "input_name"), 0}; TF_Tensor* input_tensor_array[1] = {input_tensor}; // Run inference const int n_outputs = 1; TF_Output output_op = {TF_GraphOperationByName(graph, "output_name"), 0}; TF_Tensor* output_tensor_array[n_outputs]; TF_SessionRun(session, nullptr, &input_op, input_tensor_array, 1, &output_op, output_tensor_array, n_outputs, nullptr, 0, nullptr, status); // Retrieve output tensor data float* output_data = static_cast<float*>(TF_TensorData(output_tensor_array[0])); // Process output_data // Clean up TF_CloseSession(session, status); TF_DeleteSession(session, status); TF_DeleteSessionOptions(session_options); TF_DeleteGraph(graph); TF_DeleteStatus(status); return 0; } ``` 其中，`input_name`和`output_name`是模型中输入和输出张量的名称，可以在TensorFlow的SavedModel中查看。`height`和`width`是输入图像的高度和宽度。`input_data`是输入图像的数据，需要自行填充。`output_data`是输出张量的数据，需要自行处理。 需要注意的是，使用TensorFlow C++ API需要安装TensorFlow C++库，并且需要将TensorFlow和Qt的头文件和库文件正确链接。具体的步骤可以参考TensorFlow官方文档。 ### 回答2： Qt（跨平台C++图形用户界面应用程序开发框架）可以用于调用深度学习模型，实现深度学习模型的集成和应用。以下是一种简单的方式： 首先，导入深度学习模型。可以使用一些常见的深度学习框架，如TensorFlow或PyTorch，通过加载预训练的模型权重文件或模型的定义文件将其导入到Qt应用程序中。 接下来，将输入数据转换为模型所需的格式。根据深度学习模型的要求，进行数据预处理和归一化等操作，以便与模型输入相匹配。 然后，通过调用深度学习模型进行推理。将准备好的输入数据传递给模型，调用模型的推理方法，以获得模型的输出结果。 最后，处理和显示模型的输出结果。将输出结果转换成Qt可以显示的格式，如图像、文本或图表等，并在Qt应用程序的界面上展示结果。 需要注意的是，深度学习模型通常需要大量的计算资源和内存空间。在Qt应用程序中调用深度学习模型时，需要考虑系统的性能和资源限制，确保程序的运行效率和稳定性。 总之，通过以上步骤，可以在Qt应用程序中调用深度学习模型，实现各种应用，如图像识别、目标检测、自然语言处理等，为用户提供更加智能和灵活的功能。 ### 回答3： Qt调用深度学习模型可以通过以下步骤实现。 首先，需要将深度学习模型以合适的格式导出。常见的格式包括TensorFlow SavedModel、ONNX和Caffe Model等。这一步确保将模型保存为可以被其他应用程序使用的形式。 接下来，在Qt应用程序中使用导出的深度学习模型，需要将其加载到内存中。可以使用Qt提供的File I/O功能来读取模型文件，或者使用相应的第三方库来加载模型。 一旦模型被成功加载，就可以使用Qt提供的界面组件来处理用户输入和呈现输出。例如，可以使用Qt的图像组件来加载和显示图像，并使用图像作为深度学习模型的输入。 当用户触发某种事件时，比如点击按钮或提交表单，可以激活Qt的相关信号和槽函数，从而调用深度学习模型进行推理。在槽函数中，可以将输入数据传递给深度学习模型，并处理模型的输出结果。 最后，根据需要，可以使用Qt的界面组件来展示模型的输出结果。可以将模型的分类预测结果显示在文本标签上，或者将图像生成的目标分割结果展示在绘制组件上。 总而言之，Qt调用深度学习模型需要将模型导出为可用格式，并加载到Qt应用程序中，使用Qt的界面组件传递输入数据和显示输出结果。通过与其他功能交互，可以实现一个能够使用深度学习模型的交互式Qt应用程序。
评论 7
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