Pytorch框架的模型pth文件转换成C++ OpenVINO框架的bin和xml文件并运行

admin • • 5G

背景

我的目的是，将Pytorch框架下训练的模型文件.pth转换成oonx，再转换成OpenVINO C++能读取的bin和xml文件。

步骤

1. pth文件转ONNX文件

import torch

model_path = "../Model/MyMobileNetV3_220_1.0.pth"                               # 模型参数路径
dummy_input = torch.randn(1, 1, 224, 224)                                       # 先随机一个模型输入的数据
model = torch.load(model_path, 'cpu')                                           # 导入模型参数
torch.onnx.export(model, dummy_input, "MobileNetV3.onnx", verbose=True)         # 将模型保存成.onnx格式

2. ONNX文件转bin和xml文件

1）安装OpenVINO和Anaconda

OpenVINO我安装的是 openvino_2021.3.394 版本，这里不讲解如何安装。
Anaconda是为了方便安装转换脚本所需的环境， 这里不讲解如何安装。

2）转换模型

  1. 找到 mo_onnx.py文件，如果没修改OpenVINO的安装路径，那么应该在C:Program Files (x86)Intelopenvino_2021.3.394deployment_toolsmodel_optimizer 下面。可以使用 Everything 去找一下。

  2. 以管理员身份打开 Anaconda Prompt，cd到上面的mo.py的路径下
    在这里插入图片描述

  3. 创建虚拟环境

conda create -n Sagittal python=3.8

-n 后面添加虚拟环境名。

python 一定要是 3.8 版本，3.9会报下面的错误：

在这里插入图片描述

  1. 激活虚拟环境
conda activate Sagittal
  1. 运行脚本
python mo_onnx.py --input_model C:UsersashuiDesktopmodel_best.onnx --output_dir C:UsersashuiDesktop

--input_model  后面带的是 onnx 文件的绝对路径

--output_model 后面带的是bin和xml文件的生成路径

  1. 接下来会报缺少一些列的module，也就是python library，只需要逐一安装就好了。我这边缺少的有：

    numpy
networkx
defusedxml
onnx

  2. 最后再重新运行步骤5的命令就好了。
    在这里插入图片描述

3. C++读取xml和bin文件

1）准备项目

  1. 新建一个C++控制台应用程序，我的项目名为 AirQualityDev，项目配置为 x64, Release。注意下面的OpenCV和OpenVINO也是需要相同的配置才可以用。

  2. 项目文件布局如下：

    AirQualityDev
	---- AirQualityDev.sln
	---- AirQualityDev
		---- main.cpp
		---- VR
			---- OpenCV
				---- include
					---- opencv2
				---- lib
				---- bin
			---- OpenVINO
				---- include
				---- lib
				---- bin
			---- Model
				---- model_best.bin
				---- model_best.xml

  3. 设置项目配置
    项目属性 -> 配置属性 -> C/C++ -> 常规 -> 附加包含目录，添加

$(ProjectDir)VROpenCVinclude
$(ProjectDir)VROpenCVincludeopencv2
$(ProjectDir)VROpenVINOinclude

项目属性 -> 配置属性 -> 链接器 -> 常规 -> 附加库目录，添加

$(ProjectDir)VROpenCVlib
$(ProjectDir)VROpenVINOlib

项目属性 -> 配置属性 -> 链接器 -> 输入-> 附加依赖项，添加

opencv_core452.lib
opencv_imgcodecs452.lib
opencv_imgproc452.lib
opencv_videoio452.lib
opencv_highgui452.lib
inference_engine.lib

注意都是x64，release版本。
项目编译，没问题就可以继续了。

2） 读取bin和xml文件

  1. 模型说明：

    输入：224 * 224 * 1（灰度图）

输出：1（float）

  2. 具体代码

// AutoSagittal.h

#pragma once
#include <iostream>
#include <opencv2/opencv.hpp>
#include <inference_engine.hpp>
#include "../UVFReading/ScanFileStructure.h"

#define CLASS_DECLSPEC __declspec(dllexport) 

using namespace std;

namespace AI_Module
{
    class CLASS_DECLSPEC AutoSagittalByDL {
    public:
        bool Initialize(const std::string exePath, std::string& error);
        bool Run(CScanImage* pScanImage, std::vector<int>& vSagittalDepth, std::string& error);
        void Destroy();


    private:
        InferenceEngine::CNNNetwork model;
        InferenceEngine::InferRequest infer_request;
        InferenceEngine::ExecutableNetwork  executable_network;
        InferenceEngine::Core ie;

    private:
        int modelInputWidth = 224;
        int modelInputHeight = 224;

    };
}

// AutoSagittal.cpp

#include "pch.h"
#include "AutoSagittalByDL.h"
#include <fstream>

bool AI_Module::AutoSagittalByDL::Initialize(const std::string exePath, std::string& error)
{
    std::string xmlPath = exePath + ("\MobileNetV3.xml");
    std::string binPath = exePath + ("\MobileNetV3.bin");

    try
    {
        model = ie.ReadNetwork(xmlPath, binPath);

        //load model to device
        executable_network = ie.LoadNetwork(model, "CPU");

        //create infer request
        infer_request = executable_network.CreateInferRequest();

        // Get input image size
        std::string input_name = (model.getInputsInfo().begin())->first;
        InferenceEngine::Blob::Ptr input = infer_request.GetBlob(input_name);
        modelInputWidth = input->getTensorDesc().getDims()[2];
        modelInputHeight = input->getTensorDesc().getDims()[3];
        
        //prepare input blobs
        InferenceEngine::InputInfo::Ptr input_info = model.getInputsInfo().begin()->second;     
        input_info->setLayout(InferenceEngine::Layout::NCHW);
        //input_info->setPrecision(InferenceEngine::Precision::FP32);

        prepare output blobs
        //InferenceEngine::DataPtr output_info = model.getOutputsInfo().begin()->second;
        //std::string output_name = model.getOutputsInfo().begin()->first;
        //output_info->setPrecision(InferenceEngine::Precision::FP32);
    }
    catch (InferenceEngine::Exception e)
    {
        error = e.what();
        return false;
    }
    catch (...)
    {
        error = "Lamina Match model init unknown error!";
        return false;
    }

    return true;
}

bool AI_Module::AutoSagittalByDL::Run(CScanImage* pScanImage, std::vector<int>& vSagittalDepth, std::string& error)
{
    try
    {
        clock_t startTime = clock();
        clock_t span;
        if (pScanImage)
        {
            // Clear the depth vector
            vSagittalDepth.clear();

            // Get image count
            int iImageNum = pScanImage->m_iIndex;

            // Get source image size
            int iBmpWidth = pScanImage->m_iSliceWidth;
            int iBmpHeight = pScanImage->m_iSliceHeight;


            for (int i = 0; i < iImageNum; ++i)
            {
                // Get the current B-mode image
                auto const bImage = pScanImage->m_vFrame[i];
                if (!bImage)
                {
                    ostringstream errorStream;
                    errorStream << "Could not get the bmode image, index = " << i << std::endl;
                    error = errorStream.str();

                    return false;
                }

                // Resize image to input size
                cv::Mat image(cv::Size(iBmpWidth, iBmpHeight), CV_8UC1, bImage);
                resize(image, image, cv::Size(modelInputWidth, modelInputHeight));


                std::string input_name = model.getInputsInfo().begin()->first;
                InferenceEngine::Blob::Ptr input = infer_request.GetBlob(input_name);

                auto input_image_ptr = input->buffer().as<InferenceEngine::PrecisionTrait<InferenceEngine::Precision::FP32>::value_type*>();

                // Set the input image to the model
                for (size_t pid = 0, image_size = modelInputWidth * modelInputHeight; pid < image_size; ++pid)
                {
                    input_image_ptr[pid] = ((float)image.at<uchar>(pid) / 255.0f - 0.254f) / 0.295;
                }

                // Model inference
                infer_request.Infer();

                // Get model result
                std::string output_name = model.getOutputsInfo().begin()->first;
                InferenceEngine::Blob::Ptr output = infer_request.GetBlob(output_name);
                auto output_ratio = output->buffer().as<InferenceEngine::PrecisionTrait<InferenceEngine::Precision::FP32>::value_type*>();
                
                vSagittalDepth.push_back(iBmpWidth * output_ratio[0]);
            }

            span = clock() - startTime;
            printf("span = %d ms, ", span);

            return true;
        }
        else
        {
            error = "CScanImage pointer is emptyn";
            return false;
        }
    }
    catch (InferenceEngine::Exception e)
    {
        error = e.what();
        return false;
    }
    catch (...)
    {
        error = "Lamina Match model init unknown error!";
        return false;
    }

    return true;
}

void AI_Module::AutoSagittalByDL::Destroy()
{
}

主要关注的是 bool AI_Module::AutoSagittalByDL::Initialize() 和 bool AI_Module::AutoSagittalByDL::Run() 中从 cv::Mat image(cv::Size(iBmpWidth, iBmpHeight), CV_8UC1, bImage); 开始的部分。关于CScanImage class 是我自己的class，里面存储了我想要预测的图像，我需要先读到图像，再resize到224 * 224 *1。你们要用的话可以删掉这部分，直接用 cv::imread() 从本地读取图像也行。

到此，结束！有问题评论区随时问我，希望能够帮到大家！

本图文内容来源于网友网络收集整理提供，作为学习参考使用，版权属于原作者。
THE END
分享
二维码
< <上一篇
下一篇>>