tflite模型的生成

时间：2020-02-22 10:11:33 阅读：127 评论：0 收藏：0 [点我收藏+]

标签：遇到一个 ext 批处理文件忽略 ali tput builder 处理

由于IOS App需要使用已训练的tensorflow模型进行物体检测，特将此过程记录下来已备不时之需。

一、tflite是什么

TensorFlow Lite 的设计旨在在各种设备上高效执行模型。这种高效部分源于在存储模型时，采用了一种特殊的格式。TensorFlow 模型在能被 TensorFlow Lite 使用前，必须转换成这种格式。

技术图片

由上图可知：

tflite是从训练的模型转换而来的；

tflite是为了在App设备上使用；

二、从训练结果到tflite

1、ckpt训练模型说明

技术图片

训练过程中产生的文件说明：

Checkpoint——

技术图片

保留最近几次的训练结果的索引

ckpt.data——

保存模型的中参数的值

ckpt.index——

保存模型中参数的名称和维度，相当于将模型中的参数名称和参数值关联起来

ckpt.meta——

保存计算图

2、ckpt转tflite pb模型

通过/models/research/object_detection/export_tflite_ssd_graph.py得到tflite_graph.pb模型，参数与export_inference_graph.py类似

技术图片

3、tflite pb转tflite

（1）直接转换

def convertToLite_normal():
    graph_def_file=r‘E:\AI\...\tflite_graph.pb‘;
    input_arrays=["normalized_input_image_tensor"]
    output_arrays=[‘TFLite_Detection_PostProcess‘,‘TFLite_Detection_PostProcess:1‘,‘TFLite_Detection_PostProcess:2‘,‘TFLite_Detection_PostProcess:3‘]
    input_tensor={"normalized_input_image_tensor":[1,300,300,3]}

    converter = tf.lite.TFLiteConverter.from_frozen_graph(graph_def_file, input_arrays, output_arrays,input_tensor)
    converter.allow_custom_ops=True
    tflite_model = converter.convert()
    open(r"E:\AI\...\bbc_normal.tflite", "wb").write(tflite_model)

（2）float16量化

训练后的float16量化减少了TensorFlow Lite模型的尺寸(高达50%)，同时牺牲了很少的精度。它量化模型常量(如权重和偏差值)从全精度浮点数(32位)到降低精度浮点数数据类型(IEEE FP16)。

def convertToLite_fp16():
    # 接着实现对tflite_graph.pb模型的fp16量
    # 参考：https://zhuanlan.zhihu.com/p/90690452
    input_arrays = ["normalized_input_image_tensor"]
    output_arrays = [‘TFLite_Detection_PostProcess‘, ‘TFLite_Detection_PostProcess:1‘, ‘TFLite_Detection_PostProcess:2‘,
                     ‘TFLite_Detection_PostProcess:3‘]
    input_tensor = {"normalized_input_image_tensor": [1, 300, 300, 3]}

    converter = tf.lite.TFLiteConverter.from_frozen_graph(r‘E:\AI\...\tflite_graph.pb‘, input_arrays, output_arrays, input_tensor)
    converter.target_ops = [tf.lite.OpsSet.TFLITE_BUILTINS, tf.lite.OpsSet.SELECT_TF_OPS]
    converter.allow_custom_ops = True
    converter.optimizations = [tf.lite.Optimize.DEFAULT]
    converter.target_spec.supported_types = [tf.lite.constants.FLOAT16]

    # converter.post_training_quantize=True
    tflite_fp16_model = converter.convert()
    # open("car_fp16.tflite", "wb").write(tflite_fp16_model)
    open(r"E:\AI\...\bbc_fp16.tflite", "wb").write(tflite_fp16_model)

（3）获取输入、输出的张量

def getTensor():
    gf = tf.GraphDef()
    m_file = open(modelPb, ‘rb‘)
    gf.ParseFromString(m_file.read())

    with open(saveFile, ‘a‘) as the_file:
        for n in gf.node:
            the_file.write(n.name + ‘\n‘)

    file = open(saveFile, ‘r‘)
    data = file.readlines()
    print("output name = "+data[len(data) - 1])


    print("Input name = ")
    file.seek(0)
    print(file.readline())

4、工具转换

tflite_convert（tersorflow>=1.9）或者toco (1.9以前)

（1）tflite_convert

参考https://www.tensorflow.org/lite/convert/cmdline_examples

（2）toco

技术图片

toco ^

--graph_def_file "E:\AI\...\xxx.pb" ^
--output_file=$OUTPUT_DIR/detect.tflite ^
--input_shapes=1,300,300,3 ^
--input_arrays=image_tensor ^
--output_arrays=detection_classes ^
--inference_type=QUANTIZED_UINT8 ^
--mean_values=128 ^
--std_dev_values=128 ^
--change_concat_input_ranges=false ^
--allow_custom_ops

三、tensorflow环境搭建

1、安装Anaconda，请参考其它文章

2、添加Anaconda的国内镜像

因为下载国外的资源太慢了，安装环境前先配置镜像

（1）操作

# 添加Anaconda的TUNA镜像

conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/free/

# 设置搜索时显示通道地址

conda config --set show_channel_urls yes

#删除镜像源

conda config --remove-key $channels

（2）Anaconda 国内镜像源整理

https://blog.csdn.net/brazy/article/details/88544505

（3）安装时错误的处理

A、出现错误可切换镜像会多试几次

ERROR: No matching distribution found for tensorboard<2.2.0,>=2.1.0 (from tensorflow==2.1.0)

B、可以忽略某个有问题的依赖包

pip install -U --ignore-installed wrapt enum34 simplejson netaddr

ERROR: Cannot uninstall ‘wrapt‘. It is a distutils installed project and thus we cannot accurately determine which files belong to it which would lead to only a partial uninstall.

3、安装tensorflow环境

（1）创建对应Python的tensorflow环境

conda create -n tensorflow python=3.6.3

conda create -n tensorflow python=3.5.2

（2）激活

activate tensorflow / deactivate

4、下载及安装tensorflow

（1）下载

选择合适的版本下载 https://pypi.org/project/tensorflow/#modal-close

技术图片

（2）安装

pip install F:\cp35\tensorflow-1.15.2-cp35-cp35m-win_amd64.whl

，安装高版本的需要预留足够多的空间（如2.0大概需要2G）

（3）验证

python》import tensorflow as tf》print(tf.__version__)

（4）卸载

activate tensorflow

pip uninstall tensorflow

（5）错误

A、windows tensorflow ImportError: DLL load failed: 找不到指定的模块，Failed to load the native TensorFlow runtime.

方案1：

遇到这个问题需要利用vs的dumpbin.exe来查询dll的依赖情况，然后通过where指令确认哪个库不存在，然后对应下载便可,

D:\developtools\vs2015\VC\bin\dumpbin.exe /dependents D:\developtools\Anaconda3\Lib\site-packages\tensorflow_core\python\_pywrap_tensorflow_internal.pyd

结果：并没有像文章所说的一样发现了错误

https://blog.csdn.net/u011517332/article/details/90743579

方案2：

pillow是python中的一个图像处理库，是anaconda中自带的。但可能因为pillow的版本较老，所以需要更新一下

conda uninstall pillow

conda update pip

pip install pillow

https://blog.csdn.net/weixin_39750084/article/details/85722233

结果：依然没解决

方案3：

最新的tensorflow安装包对于比较老的处理器不再支持

https://blog.csdn.net/lchzh1994/article/details/81223726

结果：然后再安装tensorflow-2.0.1-cp36-cp36m-win_amd64，over了（注意：tensorflow1与2写法都有很大的区别）

B、tensorflow.lite.python.convert.ConverterError 不是内部或外部命令，也不是可运行的程序或批处理文件

错误信息为：

raise ConverterError("See console for info.\n%s\n%s\n" % (stdout, stderr))

tensorflow.lite.python.convert.ConverterError: See console for info.

b"‘toco_from_protos‘ \xb2\xbb\xca\xc7\xc4\xda\xb2\xbf\

处理方式：

安装不同版本的tensorflow及不同的python环境版本（3.6&3.5），中间还采用了pip install tf-nightly，如先安装1.15、tf-nightly、1.14再1.15就突然好了！有时用着用着也出现，重启就好了！（待跟踪）

四、tensorflow-models环境搭建

1、下载models源码

从github上下载超级慢，推荐https://gitee.com/fearless87/tensorflow_models

2、安装protoc

比如我的版本为protoc-3.3.0-win32，https://github.com/protocolbuffers/protobuf/releases

3、配置protoc环境

技术图片

4、编译proto文件

在models/research下运行Windows PowerShell（注意，这里必须是PowerShell，运行cmd会报错），输入如下命令：

Get-ChildItem object_detection/protos/*.proto | Resolve-Path -Relative | %{ protoc $_ --python_out=. }

运行完成后，可以检查object_detection/protos/文件夹，如果每个proto文件都成了对应的以py为后缀的python源码，就说明编译成功了。

5、添加环境变量

根据解释器的位置找到tensorflow

技术图片

再加入环境变量文件到对应的位置

技术图片

tensorflow_model.pth内容为

技术图片

6、运行models/research下的setup.py

python setup.py build

python setup.py install

7、安装完成测试

在models/research下运行如下命令：

python object_detection/builders/model_builder_test.py

出现如下信息，说明已安装成功：

技术图片

8、其它

（1）检测现有的tensorflow环境是否存在对应的模块

>>> import tensorflow as tf

>>> dir(tf.contrib.lite)

[‘DecodeError‘, ‘Interpreter‘, ‘OpHint‘, ‘PY3‘, ‘TocoConverter‘, ‘__builtins__‘, ‘__cached__‘, ‘__doc__‘, ‘__file__‘, ‘__loader__‘, ‘__name__‘, ‘__package__‘, ‘__spec__‘, ‘_freeze_graph‘, ‘_freeze_saved_model‘, ‘_get_tensors_from_tensor_names‘, ‘_global_variables_initializer‘, ‘_graph_pb2‘, ‘_import_graph_def‘, ‘_is_frozen_graph‘, ‘_keras‘, ‘_session‘, ‘_set_tensor_shapes‘, ‘_signature_constants‘, ‘_tag_constants‘, ‘_tensor_name‘, ‘_text_format‘, ‘_tf_graph_util‘, ‘absolute_import‘, ‘build_toco_convert_protos‘, ‘constants‘, ‘convert_op_hints_to_stubs‘, ‘division‘, ‘print_function‘, ‘toco_convert‘, ‘toco_convert_protos‘]