Обнаружение квантованного объекта SsD на объекте Raspberry Pi - PullRequest
Новая
       5

Обнаружение квантованного объекта SsD на объекте Raspberry Pi

0 голосов
/ 31 октября 2018

Обнаружение объектов не работает должным образом для меня на Raspberry Pi с tenorflow Lite с использованием C ++. Мой код компилируется и запускается, но кажется, что вывод никогда не заполняется должным образом. Могу ли я пропустить какие-либо зависимости или получить неправильный доступ к результатам?

Я следовал этому уроку: https://medium.com/tensorflow/training-and-serving-a-realtime-mobile-object-detector-in-30-minutes-with-cloud-tpus-b78971cf1193

И есть модель detect.tflite из: https://storage.googleapis.com/download.tensorflow.org/models/tflite/pets_ssd_mobilenet_v1_0.75_quant_2018_06_29.zip

Я скомпилировал tenorflow lite и opencv для raspberry pi и изменил minimal.cc для чтения изображения и выполнения вывода следующим образом: 

/* Copyright 2018 The TensorFlow Authors. All Rights Reserved.

Licensed under the Apache License, Version 2.0 (the "License");
you may not use this file except in compliance with the License.
You may obtain a copy of the License at

    http://www.apache.org/licenses/LICENSE-2.0

Unless required by applicable law or agreed to in writing, software
distributed under the License is distributed on an "AS IS" BASIS,
WITHOUT WARRANTIES OR CONDITIONS OF ANY KIND, either express or implied.
See the License for the specific language governing permissions and
limitations under the License.
==============================================================================*/
#include <cstdio>
#include "tensorflow/contrib/lite/interpreter.h"
#include "tensorflow/contrib/lite/kernels/register.h"
#include "tensorflow/contrib/lite/model.h"
#include "tensorflow/contrib/lite/optional_debug_tools.h"

#include <iostream>
#include "opencv2/core.hpp"
#include "opencv2/imgcodecs.hpp"

// This is an example that is minimal to read a model
// from disk and perform inference.
//
// Usage: detect <tflite model> <image filepath>

using namespace tflite;

#define TFLITE_MINIMAL_CHECK(x)                              \
  if (!(x)) {                                                \
    fprintf(stderr, "Error at %s:%d\n", __FILE__, __LINE__); \
    exit(1);                                                 \
  }

int main(int argc, char* argv[]) {
  if(argc != 3) {
    fprintf(stderr, "minimal <tflite model filepath> <image filepath>\n");
    return 1;
  } else {
      fprintf(stdout, "Reading model from %s\n", argv[1]);
      fprintf(stdout, "Reading image from %s\n", argv[2]);
  }
  const char* model_filename = argv[1];
  const char* image_filename = argv[2];

  // Load model
  std::unique_ptr<tflite::FlatBufferModel> model =
      tflite::FlatBufferModel::BuildFromFile(model_filename);
  TFLITE_MINIMAL_CHECK(model != nullptr);

  // Build the interpreter
  tflite::ops::builtin::BuiltinOpResolver resolver;
  InterpreterBuilder builder(*model.get(), resolver);
  std::unique_ptr<Interpreter> interpreter;
  builder(&interpreter);
  TFLITE_MINIMAL_CHECK(interpreter != nullptr);

  // Allocate tensor buffers.
  TFLITE_MINIMAL_CHECK(interpreter->AllocateTensors() == kTfLiteOk);
  printf("=== Pre-invoke Interpreter State ===\n");
  tflite::PrintInterpreterState(interpreter.get());

  // Fill input buffers
  // TODO(user): Insert code to fill input tensors
  cv::Mat img = cv::imread(image_filename);
  //std::cout << "before: " << interpreter->typed_input_tensor<uchar>(0) << std::endl;
  //std::cout << "image: " << img.data << std::endl;
  memcpy(interpreter->typed_input_tensor<uchar>(0), img.data, img.total() * img.elemSize());
  //std::cout << "after: " << interpreter->typed_input_tensor<uchar>(0) << std::endl;

  // Run inference
  TFLITE_MINIMAL_CHECK(interpreter->Invoke() == kTfLiteOk);
  printf("\n\n=== Post-invoke Interpreter State ===\n");
  tflite::PrintInterpreterState(interpreter.get());

  // Read output buffers
  // TODO(user): Insert getting data out code.
  cv::Mat results0(10, 4, CV_8U);
  cv::Mat results1(1, 10, CV_8U);
  cv::Mat results2(1, 10, CV_8U);
  cv::Mat results3(1, 1, CV_8U);

  results0.data = interpreter->typed_output_tensor<uchar>(0);
  results1.data = interpreter->typed_output_tensor<uchar>(1);
  results2.data = interpreter->typed_output_tensor<uchar>(2);
  results3.data = interpreter->typed_output_tensor<uchar>(3);

  std::cout << "results 0: " << results0 << std::endl;
  std::cout << "results 1: " << results1 << std::endl;
  std::cout << "results 2: " << results2 << std::endl;
  std::cout << "results 3: " << results3 << std::endl;

  return 0;
}

Результаты, которые я вижу: 

results 0: []               
results 1: []               
results 2: []               
results 3: []

1 Ответ

0 голосов
/ 02 ноября 2018

Кажется, что при печати cv::Mat с cout что-то странное: вы явно определили размер метрики, но выдается пустой результат.

Не могли бы вы попытаться распечатать значения напрямую, без использования cv: Mat? Вы можете сделать что-то подобное для отладки: 

const auto* output = interpreter->typed_output_tensor<unsigned char>(0);
for (int i = 0; i < 40; ++i) {
  printf("%d, ", static_cast<int>(output[i]);
}
...