码迷,mamicode.com
首页 > 编程语言 > 详细

[E2E_L8_1]segmentation_demo道路分割例子和GOMFCTemplate的初步融合

时间:2019-08-09 13:34:41      阅读:148      评论:0      收藏:0      [点我收藏+]

标签:puts   ast   exe   tar   nta   添加   输入输出   extension   _id   

一、来源

技术图片

模型例子自己带来副图像
技术图片
 
 
二、简化
 
#include <algorithm>
#include <fstream>
#include <iomanip>
#include <vector>
#include <string>
#include <chrono>
#include <memory>
#include <utility>
 
#include <format_reader_ptr.h>
#include <inference_engine.hpp>
#include <ext_list.hpp>
 
#include <samples/slog.hpp>
#include <samples/args_helper.hpp>
#include <samples/ocv_common.hpp>
#include <format_reader_ptr.h>
 
#include "segmentation_demo.h"
 
using namespace InferenceEngine;
using namespace std;
using namespace cv;
 
//-i E:/OpenVINO_modelZoo/road.png -m  E:/OpenVINO_modelZoo/road-segmentation-adas-0001.xml
void main()
{
    std::vector<std::stringimages;
    string imageNames = "E:/OpenVINO_modelZoo/road.png";
    images.push_back(imageNames);
    
    // --------------------------- 1.为IE准备插件-------------------------------------
    InferencePlugin plugin(PluginDispatcher().getSuitablePlugin(TargetDevice::eCPU));
    printPluginVersion(pluginstd::cout);//正确回显表示成功
    plugin.AddExtension(std::make_shared<Extensions::Cpu::CpuExtensions>());//Extension,useful
    // --------------------------- 2.读取IR模型(xml和bin)---------------------------------
    CNNNetReader networkReader;
    networkReader.ReadNetwork("E:/OpenVINO_modelZoo/road-segmentation-adas-0001.xml");
    networkReader.ReadWeights("E:/OpenVINO_modelZoo/road-segmentation-adas-0001.bin");
    CNNNetwork network = networkReader.getNetwork();
    // --------------------------- 3. 准备输入输出的------------------------------------------
    InputsDataMap inputInfo(network.getInputsInfo());//获得输入信息
    BlobMap inputBlobs//保持所有输入的blob数据
    if (inputInfo.size() != 1) throw std::logic_error("错误,该模型应该为单输入");
 
    auto inputInfoItem = *inputInfo.begin();//开始读入
    std::vector<std::shared_ptr<unsigned char>> imagesData;
 
    for (auto & i : images) {
        FormatReader::ReaderPtr reader(i.c_str()); //使用FormatReader来读取图片数据,这里的images是一个vector,注意对于批量数据的读取
        if (reader.get() == nullptr) {
            slog::warn << "Image " + i + " 无法读取!" << slog::endl;
            continue;
        }
        /** 获得图片数据 **/
        std::shared_ptr<unsigned chardata(
            reader->getData(inputInfoItem.second->getTensorDesc().getDims()[3],
            inputInfoItem.second->getTensorDesc().getDims()[2]));
        if (data.get() != nullptr) {
            imagesData.push_back(data);
        }
    }
    if (imagesData.empty()) throw std::logic_error("错误的格式,请检查!");
 
    network.setBatchSize(imagesData.size());
    slog::info << "Batch size is " << std::to_string(networkReader.getNetwork().getBatchSize()) << slog::endl;
 
    inputInfoItem.second->setPrecision(Precision::U8);
    //准备输出数据
    OutputsDataMap outputInfo(network.getOutputsInfo());
    std::string firstOutputName;
    for (auto & item : outputInfo) {
        if (firstOutputName.empty()) {
            firstOutputName = item.first;
        }
        DataPtr outputData = item.second;
        if (!outputData) {
            throw std::logic_error("错误的格式,请检查!");
        }
        item.second->setPrecision(Precision::FP32);
    }
    // --------------------------- 4. 读取模型 ------------------------------------------(后面这些操作应该可以合并了)
    ExecutableNetwork executableNetwork = plugin.LoadNetwork(network, {});
    // --------------------------- 5. 创建推断 -------------------------------------------------
    InferRequest infer_request = executableNetwork.CreateInferRequest();
    // --------------------------- 6. 将数据塞入模型 -------------------------------------------------
    for (const auto & item : inputInfo) {
        /** 创建输入BLOB **/
        Blob::Ptr input = infer_request.GetBlob(item.first);
 
        /** 3 通道塞数据 **/
        size_t num_channels = input->getTensorDesc().getDims()[1];
        size_t image_size = input->getTensorDesc().getDims()[3] * input->getTensorDesc().getDims()[2];
 
        auto data = input->buffer().as<PrecisionTrait<Precision::U8>::value_type*>();
        
        for (size_t image_id = 0; image_id < imagesData.size(); ++image_id) {
            for (size_t pid = 0; pid < image_sizepid++) {
                for (size_t ch = 0; ch < num_channels; ++ch) {
                    data[image_id * image_size * num_channels + ch * image_size + pid] = imagesData.at(image_id).get()[pid*num_channels + ch];
                }
            }
        }
    }
    // --------------------------- 7. 推断结果 -------------------------------------------------
    for (size_t iter = 0; iter < images.size(); ++iter) {
        infer_request.Infer();//多张图片多次推断
    }    
    // --------------------------- 8. 处理结果-------------------------------------------------------
    slog::info << "输出结果" << slog::endl;
 
    const Blob::Ptr output_blob = infer_request.GetBlob(firstOutputName);
    const auto output_data = output_blob->buffer().as<float*>();
 
    size_t N = output_blob->getTensorDesc().getDims().at(0);
    size_t C = output_blob->getTensorDesc().getDims().at(1);
    size_t H = output_blob->getTensorDesc().getDims().at(2);
    size_t W = output_blob->getTensorDesc().getDims().at(3);
 
    size_t image_stride = W * H * C;
 
    for (size_t image = 0; image < N; ++image) {
        std::vector<std::vector<size_t>> outArrayClasses(Hstd::vector<size_t>(W, 0));
        std::vector<std::vector<float>> outArrayProb(Hstd::vector<float>(W, 0.));
        for (size_t w = 0; w < W; ++w) {
            for (size_t h = 0; h < H; ++h) {
                if (C == 1) {
                    outArrayClasses[h][w] = static_cast<size_t>(output_data[image_stride * image + W * h + w]);
                }
                else {
                    for (size_t ch = 0; ch < C; ++ch) {
                        auto data = output_data[image_stride * image + W * H * ch + W * h + w];
                        if (data > outArrayProb[h][w]) {
                            outArrayClasses[h][w] = ch;
                            outArrayProb[h][w] = data;
                        }
                    }
                }
            }
        }
        std::string fileName = "out_" + std::to_string(image+ ".bmp";
        std::ofstream outFile(fileNamestd::ofstream::binary);
        if (!outFile.is_open()) {
            throw std::logic_error("Can‘t open file : " + fileName);
        }
 
        writeOutputBmp(outArrayClassesCoutFile); //输出的代码
        slog::info << "File : " << fileName << " was created" << slog::endl;
    }
    // -----------------------------------------------------------------------------------------------------
 
 
}
 
在改写的过程中有几点注意
1、添加lib和对应的dll文件,主要就是用于文件读取的;
技术图片
以及format_reader.dll 文件放到目录下面;
2、头文件修改正确
技术图片
 
三、改写
 
这个代码里面使用的是format_reader,使用起来颇为不方便,修改为OpenCV负责输入输出。
#include <algorithm>
#include <fstream>
#include <iomanip>
#include <vector>
#include <string>
#include <chrono>
#include <memory>
#include <utility>
 
#include <format_reader_ptr.h>
#include <inference_engine.hpp>
#include <ext_list.hpp>
 
#include <samples/slog.hpp>
#include <samples/args_helper.hpp>
#include <samples/ocv_common.hpp>
#include <format_reader_ptr.h>
 
#include "segmentation_demo.h"
 
using namespace InferenceEngine;
using namespace std;
using namespace cv;
 
//-i E:/OpenVINO_modelZoo/road.png -m  E:/OpenVINO_modelZoo/road-segmentation-adas-0001.xml
void main()
{
    std::vector<std::stringimages;
    string imageNames = "E:/OpenVINO_modelZoo/road.png";
    images.push_back(imageNames);
    
    // --------------------------- 1.为IE准备插件-------------------------------------
    InferencePlugin plugin(PluginDispatcher().getSuitablePlugin(TargetDevice::eCPU));
    printPluginVersion(pluginstd::cout);//正确回显表示成功
    plugin.AddExtension(std::make_shared<Extensions::Cpu::CpuExtensions>());//Extension,useful
    // --------------------------- 2.读取IR模型(xml和bin)---------------------------------
    CNNNetReader networkReader;
    networkReader.ReadNetwork("E:/OpenVINO_modelZoo/road-segmentation-adas-0001.xml");
    networkReader.ReadWeights("E:/OpenVINO_modelZoo/road-segmentation-adas-0001.bin");
    CNNNetwork network = networkReader.getNetwork();
    // --------------------------- 3. 准备输入输出的------------------------------------------
    InputsDataMap inputInfo(network.getInputsInfo());//获得输入信息
    BlobMap inputBlobs//保持所有输入的blob数据
    if (inputInfo.size() != 1) throw std::logic_error("错误,该模型应该为单输入");
 
    //auto lrInputInfoItem = *inputInfo.begin();//开始读入
    //int w = static_cast<int>(lrInputInfoItem.second->getTensorDesc().getDims()[3]); //这种写法也是可以的,它的first就是data
    //int h = static_cast<int>(lrInputInfoItem.second->getTensorDesc().getDims()[2]);
 
    auto lrInputInfoItem = inputInfo["data"]//开始读入
    int w = static_cast<int>(lrInputInfoItem->getTensorDesc().getDims()[3]); //模型要求的输入大小
    int h = static_cast<int>(lrInputInfoItem->getTensorDesc().getDims()[2]);
 
    Mat src = imread(imageNames);
    if (src.empty())
        return;
 
    network.setBatchSize(1);//只有1副图片,故BatchSize = 1
 
 
  //准备输出数据
    OutputsDataMap outputInfo(network.getOutputsInfo());//获得输出信息                                      
    std::string firstOutputName;
    for (auto &item : outputInfo) {
        if (firstOutputName.empty()) {
            firstOutputName = item.first;
        }
        DataPtr outputData = item.second;
        if (!outputData) {
            throw std::logic_error("错误的格式,请检查!");
        }
 
        item.second->setPrecision(Precision::FP32);
    }
    // --------------------------- 4. 读取模型 ------------------------------------------(后面这些操作应该可以合并了)
    ExecutableNetwork executableNetwork = plugin.LoadNetwork(network, {});
    // --------------------------- 5. 创建推断 -------------------------------------------------
    InferRequest infer_request = executableNetwork.CreateInferRequest();
    // --------------------------- 6. 将数据塞入模型 -------------------------------------------------
    Blob::Ptr lrInputBlob = infer_request.GetBlob("data"); //data这个名字是我看出来的,实际上这里可以更统一一些
    matU8ToBlob<float_t>(srclrInputBlob, 0);//重要的转换函数,第3个参数是batchSize,应该是自己+1的
 
    // --------------------------- 7. 推断结果 -------------------------------------------------
    infer_request.Infer();//多张图片多次推断
 
    // --------------------------- 8. 处理结果-------------------------------------------------------
    
    const Blob::Ptr outputBlob = infer_request.GetBlob(firstOutputName);
    const auto outputData = outputBlob->buffer().as<PrecisionTrait<Precision::FP32>::value_type*>();
    size_t numOfImages = outputBlob->getTensorDesc().getDims()[0];
    size_t numOfChannels = outputBlob->getTensorDesc().getDims()[1];
    h = outputBlob->getTensorDesc().getDims()[2];
    w = outputBlob->getTensorDesc().getDims()[3];
    size_t nunOfPixels = w * h//写在内存里的结果,还是要拼出来的
 
    std::vector<cv::MatimgPlanescv::Mat(hwCV_32FC1, &(outputData[0])),
                                   cv::Mat(hwCV_32FC1, &(outputData[nunOfPixels])),
                                   cv::Mat(hwCV_32FC1, &(outputData[nunOfPixels * 2])) };
 
    for (auto & img : imgPlanes//本来是平的
        img.convertTo(imgCV_8UC1, 255);
 
    cv::Mat resultImg;
    cv::merge(imgPlanesresultImg);
    cv::imshow("result"resultImg);
 
    cv::waitKey();
    
}
这里需要注意的一点是在读取图片的大小的时候,我这里使用了
Blob::Ptr lrInputBlob = infer_request.GetBlob("data"); //data这个名字是我看出来的,实际上这里可以更统一一些
 
其前提是我知道这里叫做 data,这里可以改成更统一的方式。
 
从结果来看,我认为OpenCV转换后的结果更好。当然差别只是在着色而已。
技术图片
四、数据集测试
使用UAS Dataset进行测试,主要是想看一看批量数据的处理。使用Sample中的程序进行处理:
技术图片
这个操作应该就是多张图片。
技术图片
 
技术图片
 
这个输入输出的界面就LOW了,我认为没有必要在函数中进行这个处理,函数处理单张就可以。原模型也是不支持视频的。
 
该造后的效果就很好
技术图片
 
五、融合
在GOMFCTemplate中运行
技术图片
 
其中,容易犯错的地方(release版本和debug版本的 cpu_extension重名,所以不能放到system目录下面):
技术图片
以及OCV_COMMON可能引起混乱
技术图片
第一步是直接替换
技术图片
 
目前存在的一个突出问题,就是模型的创建和模型的infer独立的问题。这个东西在OpenVINO中可能有,但要去寻找,不是直接告诉你的东西。
技术图片
技术图片
技术图片
做到这一步,虽然代码已经可以运行,但是突出的问题就是没有模块化,整个运算步骤都在循环中,这样效率肯定是很低下的。并且在资源的销毁处还存在问题。
可以进一步将其封装为函数:
技术图片
 
比如类似这里面的技术图片
就是下一步需要参考的。

[E2E_L8_1]segmentation_demo道路分割例子和GOMFCTemplate的初步融合

标签:puts   ast   exe   tar   nta   添加   输入输出   extension   _id   

原文地址:https://www.cnblogs.com/jsxyhelu/p/11326310.html

(0)
(0)
   
举报
评论 一句话评论(0
登录后才能评论!
© 2014 mamicode.com 版权所有  联系我们:gaon5@hotmail.com
迷上了代码!