Opencv C++ 调用 tensorflow 模型、caffe模型

最新推荐文章于 2024-05-17 10:04:00 发布
最新推荐文章于 2024-05-17 10:04:00 发布
阅读量7.1k 收藏 26
点赞数 5
分类专栏： Tensorflow C++开发 目标检测 文章标签： tensorflow opencv 深度学习
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/woha1yo/article/details/117907025
版权

目录

C++ Opencv 部署模型

调用 TensorFlow 模型

重要参考链接：

  1. 使用VS2015新建 空项目。

  2. 配置项目的包含目录，库目录和附加依赖项
    配置截图

  3. 新建源文件 main.cpp，内容如下：

    #include<opencv2\opencv.hpp>
#include<opencv2\dnn.hpp>
#include <iostream>
#include<map>
#include<string>
#include<time.h>

using namespace std;
using namespace cv;


const char* classNames[]= {"background", "person", "bicycle", "car", "motorcycle", "airplane", "bus", "train", "truck", "boat", "traffic light",
"fire hydrant", "background", "stop sign", "parking meter", "bench", "bird", "cat", "dog", "horse", "sheep", "cow", "elephant", "bear", "zebra", "giraffe", "background", "backpack",
"umbrella", "background", "background", "handbag", "tie", "suitcase", "frisbee","skis", "snowboard", "sports ball", "kite", "baseball bat","baseball glove", "skateboard", "surfboard", "tennis racket",
"bottle", "background", "wine glass", "cup", "fork", "knife", "spoon","bowl", "banana",  "apple", "sandwich", "orange","broccoli", "carrot", "hot dog",  "pizza", "donut",
"cake", "chair", "couch", "potted plant", "bed", "background", "dining table", "background", "background", "toilet", "background","tv", "laptop", "mouse", "remote", "keyboard",
"cell phone", "microwave", "oven", "toaster", "sink", "refrigerator", "background","book", "clock", "vase", "scissors","teddy bear", "hair drier", "toothbrush"};

int main() 
{
	String weights = "models/frozen_inference_graph.pb";
	String prototxt = "models/ssd_mobilenet_v1_coco.pbtxt";
	const size_t width = 300;
	const size_t height = 300;

	VideoCapture capture;
	capture.open(0);
	namedWindow("input", CV_WINDOW_AUTOSIZE);
	int w = capture.get(CAP_PROP_FRAME_WIDTH);
	int h = capture.get(CAP_PROP_FRAME_HEIGHT);

	printf("frame width : %d, frame height : %d", w, h);

	// set up net
	dnn::Net net = cv::dnn::readNetFromTensorflow(weights, prototxt);

	Mat frame;
	/*
	while (1)	// 模式1：测试单张图像
	{
		frame = imread("models/car.jpg");
		imshow("input", frame);
	*/

	while (capture.read(frame))		// 模式2：调用摄像头
	{

		//预测
		cv::Mat inputblob = cv::dnn::blobFromImage(frame, 1. / 255, Size(width, height));
		net.setInput(inputblob);
		Mat output = net.forward();

		//检测
		Mat detectionMat(output.size[2], output.size[3], CV_32F, output.ptr<float>());
		float confidence_threshold = 0.5;
		for (int i = 0; i < detectionMat.rows; i++) {
			float confidence = detectionMat.at<float>(i, 2);
			if (confidence > confidence_threshold) {
				size_t objIndex = (size_t)(detectionMat.at<float>(i, 1));
				float tl_x = detectionMat.at<float>(i, 3) * frame.cols;
				float tl_y = detectionMat.at<float>(i, 4) * frame.rows;
				float br_x = detectionMat.at<float>(i, 5) * frame.cols;
				float br_y = detectionMat.at<float>(i, 6) * frame.rows;

				Rect object_box((int)tl_x, (int)tl_y, (int)(br_x - tl_x), (int)(br_y - tl_y));
				rectangle(frame, object_box, Scalar(0, 255, 0), 2, 8, 0);
				putText(frame, format("%s", classNames[objIndex]), Point(tl_x, tl_y), FONT_HERSHEY_SIMPLEX, 1.0, Scalar(0, 255, 0), 2);
			}
		}
		imshow("ssd-video-demo", frame);
		char c = waitKey(5);
		if (c == 27) 
		{ // ESC退出
			break;
		}
	}
	capture.release();
	waitKey(0);
	return 0;
}

  4. 在该项目下新建models文件夹，放入测试图像和模型。

模型
5. 运行程序main.cpp，输出结果 😃
测试结果

调用 Caffe 分类模型（bvlc_googlenet.caffemodel）

重要参考链接：

  1. 使用VS2015新建 空项目。

  2. 配置项目的包含目录，库目录和附加依赖项
    配置截图

  3. 新建源文件 main.cpp，内容如下：

    //use opencv_dnn module for image classification by using GoogLeNet trained network
#include <opencv2/opencv.hpp>
#include <opencv2/dnn.hpp>
#include <iostream>
using namespace cv;
using namespace cv::dnn;
using namespace std;
String modelTxt = "models/bvlc_googlenet.prototxt";
String modelBin = "models/bvlc_googlenet.caffemodel";
String labelFile = "models/synset_words.txt";
vector<String> readClasslabels();
int main(int argc, char** argv) {
	Mat testImage = imread("models/car.jpg");
	if (testImage.empty()) {
		printf("could not load image...\n");
		return -1;
	}
	// create googlenet with caffemodel text and bin
	Net net = dnn::readNetFromCaffe(modelTxt, modelBin);
	if (net.empty())
	{
		std::cerr << "Can't load network by using the following files: " << std::endl;
		std::cerr << "prototxt:   " << modelTxt << std::endl;
		std::cerr << "caffemodel: " << modelBin << std::endl;
		return -1;
	}
	// 读取分类数据
	vector<String> labels = readClasslabels();
	//GoogLeNet accepts only 224x224 RGB-images
	Mat inputBlob = blobFromImage(testImage, 1, Size(224, 224), Scalar(104, 117, 123));//mean: Scalar(104, 117, 123)
	// 支持1000个图像分类检测
	Mat prob;
	// 循环10+
	for (int i = 0; i < 10; i++)
	{
		// 输入
		net.setInput(inputBlob, "data");
		// 分类预测
		prob = net.forward("prob");
	}
	// 读取分类索引，最大与最小值
	Mat probMat = prob.reshape(1, 1); //reshape the blob to 1x1000 matrix // 1000个分类
	Point classNumber;
	double classProb;
	minMaxLoc(probMat, NULL, &classProb, NULL, &classNumber); // 可能性最大的一个
	int classIdx = classNumber.x; // 分类索引号
	printf("\n current image classification : %s, possible : %.2f \n", labels.at(classIdx).c_str(), classProb);
	putText(testImage, labels.at(classIdx), Point(20, 20), FONT_HERSHEY_SIMPLEX, 0.75, Scalar(0, 0, 255), 2, 8);
	imshow("Image Category", testImage);
	waitKey(0);
	return 0;
}
/* 读取图像的1000个分类标记文本数据 */
vector<String> readClasslabels() {
	std::vector<String> classNames;
	std::ifstream fp(labelFile);
	if (!fp.is_open())
	{
		std::cerr << "File with classes labels not found: " << labelFile << std::endl;
		exit(-1);
	}
	std::string name;
	while (!fp.eof())
	{
		std::getline(fp, name);
		if (name.length())
			classNames.push_back(name.substr(name.find(' ') + 1));
	}
	fp.close();
	return classNames;
}

  4. 下载模型文件
    caffemodel文件：http://dl.caffe.berkeleyvision.org/bvlc_googlenet.caffemodel
    bvlc_googlenet.prototxt文件：https://github.com/opencv/opencv_extra/blob/master/testdata/dnn/bvlc_googlenet.prototxt
    synset_words.txt： http://dl.caffe.berkeleyvision.org/caffe_ilsvrc12.tar.gz 中的 synset_words.txt。

  5. 运行程序main.cpp输出结果：
    输出结果

调用 Caffe 检测模型（MobileNetSSD_deploy.caffemodel）

重要参考链接：

  1. 使用VS2015新建 空项目。

  2. 配置项目的包含目录，库目录和附加依赖项
    配置截图

  3. 新建源文件 main.cpp，内容如下：

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

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

const size_t width = 300;
const size_t height = 300;
const float meanVal = 127.5;
const float scaleFactor = 0.007843f;
const char* classNames[] = { "background",
"aeroplane", "bicycle", "bird", "boat",
"bottle", "bus", "car", "cat", "chair",
"cow", "diningtable", "dog", "horse",
"motorbike", "person", "pottedplant",
"sheep", "sofa", "train", "tvmonitor" };

String modelFile = "models/MobileNetSSD_deploy.caffemodel";
String model_text_file = "models/MobileNetSSD_deploy.prototxt";


int main() 
{
	VideoCapture capture;
	capture.open(0);
	namedWindow("input", CV_WINDOW_AUTOSIZE);
	int w = capture.get(CAP_PROP_FRAME_WIDTH);
	int h = capture.get(CAP_PROP_FRAME_HEIGHT);
	printf("frame width : %d, frame height : %d", w, h);

	// set up net
	Net net = readNetFromCaffe(model_text_file, modelFile);

	Mat frame;
	while (capture.read(frame)) //注意：这里提供了两种模式，调用摄像头的时候把该句取消注释即可
	while (1)
	{
		frame = imread("models/car.jpg");
		imshow("input", frame);
	//while (capture.read(frame))
	//{
		//预测
		Mat inputblob = blobFromImage(frame, scaleFactor, Size(width, height), meanVal, false);
		net.setInput(inputblob, "data");
		Mat detection = net.forward("detection_out");

		//检测
		Mat detectionMat(detection.size[2], detection.size[3], CV_32F, detection.ptr<float>());
		float confidence_threshold = 0.3;
		for (int i = 0; i < detectionMat.rows; i++) {
			float confidence = detectionMat.at<float>(i, 2);
			if (confidence > confidence_threshold) {
				size_t objIndex = (size_t)(detectionMat.at<float>(i, 1));
				float tl_x = detectionMat.at<float>(i, 3) * frame.cols;
				float tl_y = detectionMat.at<float>(i, 4) * frame.rows;
				float br_x = detectionMat.at<float>(i, 5) * frame.cols;
				float br_y = detectionMat.at<float>(i, 6) * frame.rows;

				Rect object_box((int)tl_x, (int)tl_y, (int)(br_x - tl_x), (int)(br_y - tl_y));
				rectangle(frame, object_box, Scalar(0, 0, 255), 2, 8, 0);
				putText(frame, format("%s", classNames[objIndex]), Point(tl_x, tl_y), FONT_HERSHEY_SIMPLEX, 1.0, Scalar(255, 0, 0), 2);
			}
		}
		imshow("ssd-video-demo", frame);
		char c = waitKey(5);
		if (c == 27) 
		{ // ESC退出
			break;
		}
	}
	capture.release();
	waitKey(0);
	return 0;
}

  4. caffemodel文件：https://drive.google.com/file/d/0B3gersZ2cHIxRm5PMWRoTkdHdHc/view?resourcekey=0-1Lpfs4EvGDeCQz12AF64hQ
    MobileNetSSD_deploy.prototxt文件：
    https://raw.githubusercontent.com/chuanqi305/MobileNet-SSD/daef68a6c2f5fbb8c88404266aa28180646d17e0/MobileNetSSD_deploy.prototxt

  5. 运行main.cpp，测试结果
    测试结果

调用 Caffe 分割模型（seg.caffemodel）

重要参考链接：

  1. 使用VS2015新建 空项目。

  2. 配置项目的包含目录，库目录和附加依赖项
    配置截图

  3. 新建源文件 main.cpp，内容如下：

    //use opencv_dnn module for Segmentation

#include <fstream>
#include <sstream>

#include <opencv2/dnn.hpp>
#include <opencv2/imgproc.hpp>
#include <opencv2/highgui.hpp>

#include <iostream>

using namespace cv;
using namespace dnn;

std::vector<std::string> classes;
std::vector<Vec3b> colors;

void showLegend();

void colorizeSegmentation(const Mat &score, Mat &segm);

int main(int argc, char** argv) try {
	//	VGG - based FCN(semantical segmentation network)
	//	ENet(lightweight semantical segmentation network)

	// 根据选择的检测模型文件进行配置 
	float confThreshold, nmsThreshold, scale;
	cv::Scalar mean;
	bool swapRB;
	int inpWidth, inpHeight;

	String modelPath, configPath, classesFile;

	int modelType = 0;  // 0-fcn  1-enet

	if (modelType == 0){
		confThreshold = 0.5;
		nmsThreshold = 0.4;
		scale = 1.0;
		mean = Scalar{ 0,0,0 };
		swapRB = false;
		inpWidth = 500;
		inpHeight = 500;

		modelPath = "models/fcn8s-heavy-pascal.caffemodel";
		configPath = "models/fcn8s-heavy-pascal.prototxt";
		classesFile = "models/object_detection_classes_pascal_voc.txt";
	}
	else if (modelType == 1){

		confThreshold = 0.5;
		nmsThreshold = 0.4;
		scale = 0.00392;
		mean = Scalar{ 0,0,0 };
		swapRB = false;
		inpWidth = 512;
		inpHeight = 256;

		modelPath = "models/Enet-model-best.net";
		configPath = "";
		classesFile = "models/enet-classes.txt";
	}

	String colorFile = "";

	String framework = "";

	int backendId = cv::dnn::DNN_BACKEND_OPENCV;
	int targetId = cv::dnn::DNN_TARGET_CPU;

	// Open file with classes names.
	if (!classesFile.empty()) {
		const std::string file = classesFile;
		std::ifstream ifs(file.c_str());
		if (!ifs.is_open())
			CV_Error(Error::StsError, "File " + file + " not found");
		std::string line;

		if (modelType == 0)
			classes.push_back("background"); //使用的是object_detection_classes，需要增加背景；   enet不需要，注释该行

		while (std::getline(ifs, line)) {
			classes.push_back(line);
		}
	}

	if (!colorFile.empty()) {
		const std::string file = colorFile;
		std::ifstream ifs(file.c_str());
		if (!ifs.is_open())
			CV_Error(Error::StsError, "File " + file + " not found");
		std::string line;
		while (std::getline(ifs, line)) {
			std::istringstream colorStr(line.c_str());
			Vec3b color;
			for (int i = 0; i < 3 && !colorStr.eof(); ++i)
				colorStr >> color[i];
			colors.push_back(color);
		}
	}


	CV_Assert(!modelPath.empty());
	//! [Read and initialize network]
	Net net = readNet(modelPath, configPath, framework);
	net.setPreferableBackend(backendId);
	net.setPreferableTarget(targetId);
	//! [Read and initialize network]

	// Create a window
	static const std::string kWinName = "Deep learning semantic segmentation in OpenCV";
	namedWindow(kWinName, WINDOW_AUTOSIZE);

	//! [Open a video file or an image file or a camera stream]
	VideoCapture cap;
	//cap.open("../../data/image/person.jpg");                       // pascal voc 	
	cap.open("models/car.jpg");   // enet Cityscapes

	if (!cap.isOpened()) {
		std::cout << "VideoCapture open failed." << std::endl;
		return 0;
	}

	//! [Open a video file or an image file or a camera stream]

	// Process frames.
	Mat frame, blob;
	while (waitKey(1) < 0) {
		cap >> frame;
		if (frame.empty()) {
			waitKey();
			break;
		}

		//! [Create a 4D blob from a frame]
		blobFromImage(frame, blob, scale, Size(inpWidth, inpHeight), mean, swapRB, false);
		//! [Create a 4D blob from a frame]

		//! [Set input blob]
		net.setInput(blob);
		//! [Set input blob]
		//! [Make forward pass]
		Mat score = net.forward();
		//! [Make forward pass]

		Mat segm;
		colorizeSegmentation(score, segm);

		resize(segm, segm, frame.size(), 0, 0, INTER_NEAREST);
		addWeighted(frame, 0.5, segm, 0.5, 0.0, frame);

		// Put efficiency information.
		std::vector<double> layersTimes;
		double freq = getTickFrequency() / 1000;
		double t = net.getPerfProfile(layersTimes) / freq;
		std::string label = format("Inference time: %.2f ms", t);
		putText(frame, label, Point(0, 15), FONT_HERSHEY_SIMPLEX, 0.5, Scalar(0, 255, 0));

		imshow(kWinName, frame);

		if (!classes.empty())
			showLegend();

	}
	return 0;
}
catch (std::exception & e) {
	std::cerr << e.what() << std::endl;
}

void colorizeSegmentation(const Mat &score, Mat &segm)
{
	const int rows = score.size[2];
	const int cols = score.size[3];
	const int chns = score.size[1];

	if (colors.empty()) {
		// Generate colors.
		colors.push_back(Vec3b());
		for (int i = 1; i < chns; ++i) {
			Vec3b color;
			for (int j = 0; j < 3; ++j)
				color[j] = (colors[i - 1][j] + rand() % 256) / 2;
			colors.push_back(color);
		}
	}
	else if (chns != (int)colors.size()) {
		CV_Error(Error::StsError, format("Number of output classes does not match "
			"number of colors (%d != %zu)", chns, colors.size()));
	}

	Mat maxCl = Mat::zeros(rows, cols, CV_8UC1);
	Mat maxVal(rows, cols, CV_32FC1, score.data);
	for (int ch = 1; ch < chns; ch++) {
		for (int row = 0; row < rows; row++) {
			const float *ptrScore = score.ptr<float>(0, ch, row);
			uint8_t *ptrMaxCl = maxCl.ptr<uint8_t>(row);
			float *ptrMaxVal = maxVal.ptr<float>(row);
			for (int col = 0; col < cols; col++) {
				if (ptrScore[col] > ptrMaxVal[col]) {
					ptrMaxVal[col] = ptrScore[col];
					ptrMaxCl[col] = (uchar)ch;
				}
			}
		}
	}

	segm.create(rows, cols, CV_8UC3);
	for (int row = 0; row < rows; row++) {
		const uchar *ptrMaxCl = maxCl.ptr<uchar>(row);
		Vec3b *ptrSegm = segm.ptr<Vec3b>(row);
		for (int col = 0; col < cols; col++) {
			ptrSegm[col] = colors[ptrMaxCl[col]];
		}
	}
}

void showLegend()
{
	static const int kBlockHeight = 30;
	static Mat legend;
	if (legend.empty()) {
		const int numClasses = (int)classes.size();
		if ((int)colors.size() != numClasses) {
			CV_Error(Error::StsError, format("Number of output classes does not match "
				"number of labels (%zu != %zu)", colors.size(), classes.size()));
		}
		legend.create(kBlockHeight * numClasses, 200, CV_8UC3);
		for (int i = 0; i < numClasses; i++) {
			Mat block = legend.rowRange(i * kBlockHeight, (i + 1) * kBlockHeight);
			block.setTo(colors[i]);
			putText(block, classes[i], Point(0, kBlockHeight / 2), FONT_HERSHEY_SIMPLEX, 0.5, Vec3b(255, 255, 255));
		}
		namedWindow("Legend", WINDOW_AUTOSIZE);
		imshow("Legend", legend);
	}
}

  4. 模型文件下载地址，caffemodel和prototxt的名字必须对应：
    caffemodel：http://dl.caffe.berkeleyvision.org/fcn8s-heavy-pascal.caffemodel
    prototxt文件：https://github.com/opencv/opencv_extra/blob/master/testdata/dnn/fcn8s-heavy-pascal.prototxt
    类别文件：https://github.com/opencv/opencv/blob/master/samples/data/dnn/object_detection_classes_pascal_voc.txt

  5. 运行程序main.cpp，测试结果为
    分割结果

Opencv 系列模型地址

上述模型基本可以从下面两个链接中下载
woha1yo
关注
  • 5
    点赞
  • 踩
  • 26
    收藏
    觉得还不错? 一键收藏
  • 7
    评论
专栏目录
【opencv-c++】 运行tensorflow的pb分类模型
jn10010537的博客
08-20 758
【opencv】opencv之dnn模块运行tensorflow分类模型1.背景1.1 sdk环境1.2 博客目标2.opencv配置3.源码4.报错及解决5.总结 1.背景 OpenCV的DNN模块是在OpenCV3.3合并到OpenCV release中的，它最早是在扩展模块中的，它可以导入caffe、tensorflow、pytorch等深度学习框架训练生成的模型文件，从而实现推理预测的功能。 1.1 sdk环境 本博客环境： windows10操作系统 Visual Studio 2019社区版 o
Windows：Opencv 调用深度学习模型(Caffe, Tensorflow)部署推理过程
qq_39363145的博客
09-21 695
Windows：Opencv 调用深度学习模型部署推理过程一、Opencv调用Caffe模型Step1：VS 基础设置Step2：Python代码Step3：C++代码Step4：对比总结二、调用Tensorflow pb模型文件 一、Opencv调用Caffe模型 Step1：VS 基础设置 包含文件目录.\include 库文件目录.\lib 链接器添加opencv_world420.lib Step2：Python代码 import cv2 as cv import numpy as np #
opencv调用tensorflow pb模型
12-13
这是一个使用C++的opencv调用tensorflow训练好的一个二分类的模型, 代码包括C++文件和训练的python文件,训练设备为python3.5+tensorlfow-gpu1.4.0+ubuntu16.04 C++文件也是在ubuntu下写的,但是在windows下只需要稍作修改就可直接运行
c++opencv调用tensorflow模型(以mnist为例)
ielcome2016的博客
07-01 3595
c++opencv调用tensorflow模型(以mnist为例) 0. 环境 win10 + vs2019 + opencv(OpenCV_VERSION 3.4.6) + keras(tensorflow后端) 1. 准备数据 从http://yann.lecun.com/exdb/mnist/下载 “data/t10k-labels-idx1-ubyte.gz”; “data/t10k-im...
c++ opencv 调用python tensorflow
qq_42197919的博客
09-18 369
1.vs2019配置opencv3.4.X版本（我是3.4.15）,此处配置过程略 2.上C++代码 #include <opencv2/dnn.hpp> #include <opencv2/imgproc.hpp> #include <opencv2/highgui.hpp> #include <Windows.h> #include <fstream> #include <iostream> #include "highgu
使用c++ opencv调用tensorflow训练好的卷积神经网络
jkjj2015的博客
09-12 1万+
       在OpenCV3.3版本发布中把DNN模块从扩展模块移到了OpenCV正式发布模块中，DNN模块最早来自Tiny-dnn，可以加载预先训练好的Caffe模型数据，后来OpenCV近一步扩展支持主流的深度学习框架模型数据的加载，常见的有如下：Caffe，TensorFlow，Torch/PyTorch 。OpenCV中DNN模块已经支持了下面这些经典的神经网络模块： AlexNet G...
C++调用tensorflow模型
qq_38109843的博客
02-22 4902
开发环境：VS2015，python3.6 ，tensorflow-gpu=1.6 C++测试代码 随便写了一个简单的测试代码，在此之前工程要加上包含路径和库目录，我的python路径为 F:/Anaconda/envs/python36： #include&lt;iostream&gt; #include &lt;Python.h&gt; #include&lt;windows.h&gt; us...
c语言调用tensorflow模型,<转载>用c++去访问tensorflow模型
weixin_31898831的博客
05-20 882
OpenCV调用TensorFlow预训练模型【尊重原创，转载请注明出处】https://blog.csdn.net/guyuealian/article/details/80570120强大OpenCV从自OpenCV 3.1版以来，dnn模块一直是opencv_contrib库的一部分，在3.3版中，它被提到了主仓库中。新版OpenCV dnn模块目前支持Caffe、TensorFlow、To...
OpenCV调用caffe分类模型
07-01
`opencv调用caffe模型.cpp` 是一个C++源代码文件，它展示了如何在OpenCV中集成Caffe库，加载预训练模型，并执行图像分类。代码中可能包含了以下步骤： 1. **加载模型**：使用Caffe的`Net`类加载预训练的模型参数和...
c++下使用opencv部署yolov5模型 （DNN）
11-28
OpenCV的DNN模块提供了对深度学习框架（如TensorFlow、Caffe、ONNX等）模型的支持，使得在C++中直接调用预训练模型变得可能。以下是一些关键步骤： 1. **模型准备**：你需要先下载Yolov5的预训练权重和配置文件。...
C++调用tensorflow教程
01-20
目前深度学习越来越火，学习、使用tensorflow的相关工作者也越来越多。但是目前绝大部分的python都是拥有着丰富的python的API，而c++的API不够完善。这就导致绝大多是使用tensorflow的项目都是基于python。 如果项目是由c++编写，想调用python下的tensorflow？可参考本教程（tensorflow模型是CNN卷积神经网络） 具体步骤： 1.python环境 首先安装python，可以在Anaconda官网直接下载。记住python一定选择64bit，目前tensorflow不支持32位的python，这也是我之前被坑过的地方。下载Anacon
c++读取tensorflow生成的模型
04-07
C++测试代码，读取我们之前训练好的pb和pbtxt文件，然后利用C++在vs2015里面去识别，里面就是测试代码。
TensorFlow + Opencv 实现简单的图像识别
10-21
使用TensorFlow搭建简单的BP神经网络的模型，一层输入层，一层隐藏，一层输出，最终实现简单的图像识别。
Tensorflow训练好的模型,怎么调用 下载地址
03-03
Tensorflow训练好的模型，包含了各种调用方法讲解。
OpenCV+TensorFlow 案例源码
10-19
基于 OpenCV+TensorFLow 完成的下列 案例源码： 1：几何变换 2：图片特效&绘制线段文字 3：图像美化 4：机器学习 5：手写数字识别 6：刷脸识别
用C++调用tensorflow在python下训练好的模型(centos7)
08-22 283
本文主要参考博客https://blog.csdn.net/luoyexuge/article/details/80399265[1]bazel安装参考:https://blog.csdn.net/luoyi131420/article/details/78585989[2] 首先介绍下自己的环境是centos7，tensorflow版本是1.7，python是3.6（anaco...
C++ 调用tensorflow训练好的模型。
u010451780的专栏
06-13 3718
在 C/C++ 中使用 TensorFlow 预训练好的模型—— 直接调用 Ｃ++ 接口实现 现在的深度学习框架一般都是基于 Python 来实现，构建、训练、保存和调用模型都可以很容易地在 Python 下完成。但有时候，我们在实际应用这些模型的时候可能需要在其他编程语言下进行，本文将通过直接调用 TensorFlow 的 C/C++ 接口来导入 TensorFlow 预训练好的模型。 1.环境配置 点此查看 C/C++ 接口的编译 2. 导入预定义的图和训练好的参数值 // se
使用CppFlow轻松实现C++中的TensorFlow模型运行
最新发布
gitblog_00002的博客
05-17 459
使用CppFlow轻松实现C++中的TensorFlow模型运行 项目地址:https://gitcode.com/serizba/cppflow CppFlow是一个轻量级的C++库，它允许你在没有任何TensorFlow安装或Bazel依赖的情况下直接从C++代码中运行TensorFlow模型。只需下载TensorFlow C API，你就可以在你的C++项目中无缝集成深度学习模型，进行张量...
C++部署TensorFlow模型
热门推荐
蓬莱道人的博客
03-01 1万+
安装好C++版的TensorFlow之后，我们就可以用C++来部署python训练好的TensorFlow模型了。安装C++版的TensorFlow的教程可以参考这里。部署TensorFlow模型主要分为两步，第一步是用python训练模型，然后保存模型为.pb格式的二进制文件；第二步则是在C++中加载python保存的模型并进行预测。 1、python训练模型并保存 2、使用C++加...
opencv调用tensorflow模型
03-16
要在OpenCV中调用TensorFlow模型，需要使用OpenCV的dnn模块。以下是一些基本步骤： 1. 下载TensorFlow模型并将其转换为OpenCV支持的格式（如Caffe或Torch）。 2. 在OpenCV中加载模型文件。 3. 准备输入图像并将其转换为模型所需的格式。 4. 将输入图像传递给模型并获取输出。 5. 处理输出并将其显示或保存。 需要注意的是，不是所有的TensorFlow模型都可以直接在OpenCV中使用。一些模型可能需要进行修改或转换才能在OpenCV中使用。
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