tensorflow对python语言的支持非常好,大量的训练模型基本都是python端训练,但问题来了,生产上线的时候,用的最多的还是C/C++。目前关于C++部署的学习资料和介绍例子非常有限,很多资料都雷同相似,而且也未经过实际测试验证。针对其他不同的训练模型,难以适用,很可能到处碰到坑。 笔者就曾经碰过不少坑、浪费花了不少时间和精力。
这次LINUX端Python训练Deeplab v3+网络、数据集为VOC2012、训练模型输出采用saveModelBuild方式保存为tensorflow的*.pb模式, VS2017 + opencv400 , tensorflow库为VS2017 CPP编译的1.8.0版本,具体代码如下:
/*****************************************************
tensorflow c++ 接口部署深度学习模型
Author:
WSN@2019
******************************************************/
#include "pch.h"
#include<iostream>
#include"opencv2/opencv.hpp"
/* tensorflow 宏定义*/
//tensorflow/core/platform/windows/cpu_info.h
#define COMPILER_MSVC
#define NOMINMAX
#define PLATFORM_WINDOWS
#include"tensorflow/core/public/session.h"
#include"tensorflow/core/platform/env.h"
#include"tensorflow/cc/saved_model/loader.h"
#include"google/protobuf/message.h"
using namespace tensorflow;
using namespace cv;
using namespace std;
tensorflow::Status loadGraph(std::string model_path, std::unique_ptr<tensorflow::Session>* sess)
{
tensorflow::SessionOptions session_options;
tensorflow::RunOptions run_options;
tensorflow::SavedModelBundle bundle;
tensorflow::Status status;
constexpr char kSavedModelTagServe[] = "serve"; /* 模型tag名称 */
status = LoadSavedModel(session_options, run_options, model_path, { kSavedModelTagSer