Как сохранить сеанс открытым при обнаружении нескольких изображений? - PullRequest
Новая
       48

Как сохранить сеанс открытым при обнаружении нескольких изображений?

0 голосов
/ 30 января 2019

Я думаю, что при запуске функции «вывод для одного изображения» в папке исследования тензорного потока тензорный поток создает сеанс каждый раз, когда он обнаруживает (используя этот код).Как сохранить сессию открытой и просто сделать с ней другое изображение?

Я только попробовал эту функцию «единого вывода» и перебрал ее по каталогу изображений.Это было довольно медленно и намного медленнее, чем «пока верно: cv2 = захват изображения» обнаружение видеопотока с использованием той же модели. 

def run_inference_for_single_image(image, graph):
  with graph.as_default():
    with tf.Session() as sess:
      # Get handles to input and output tensors
      ops = tf.get_default_graph().get_operations()
      all_tensor_names = {output.name for op in ops for output in op.outputs}
      tensor_dict = {}
      for key in [
          'num_detections', 'detection_boxes', 'detection_scores',
          'detection_classes', 'detection_masks'
      ]:
        tensor_name = key + ':0'
        if tensor_name in all_tensor_names:
          tensor_dict[key] = tf.get_default_graph().get_tensor_by_name(
              tensor_name)
      if 'detection_masks' in tensor_dict:
        # The following processing is only for single image
        detection_boxes = tf.squeeze(tensor_dict['detection_boxes'], [0])
        detection_masks = tf.squeeze(tensor_dict['detection_masks'], [0])
        # Reframe is required to translate mask from box coordinates to image coordinates and fit the image size.
        real_num_detection = tf.cast(tensor_dict['num_detections'][0], tf.int32)
        detection_boxes = tf.slice(detection_boxes, [0, 0], [real_num_detection, -1])
        detection_masks = tf.slice(detection_masks, [0, 0, 0], [real_num_detection, -1, -1])
        detection_masks_reframed = utils_ops.reframe_box_masks_to_image_masks(
            detection_masks, detection_boxes, image.shape[0], image.shape[1])
        detection_masks_reframed = tf.cast(
            tf.greater(detection_masks_reframed, 0.5), tf.uint8)
        # Follow the convention by adding back the batch dimension
        tensor_dict['detection_masks'] = tf.expand_dims(
            detection_masks_reframed, 0)
      image_tensor = tf.get_default_graph().get_tensor_by_name('image_tensor:0')

      # Run inference
      output_dict = sess.run(tensor_dict,
                             feed_dict={image_tensor: np.expand_dims(image, 0)})

      # all outputs are float32 numpy arrays, so convert types as appropriate
      output_dict['num_detections'] = int(output_dict['num_detections'][0])
      output_dict['detection_classes'] = output_dict[
          'detection_classes'][0].astype(np.uint8)
      output_dict['detection_boxes'] = output_dict['detection_boxes'][0]
      output_dict['detection_scores'] = output_dict['detection_scores'][0]
      if 'detection_masks' in output_dict:
        output_dict['detection_masks'] = output_dict['detection_masks'][0]
  return output_dict

Код будет успешно зацикливаться на списке изображений, однако этомедленный.Я подозреваю, что это происходит потому, что тензор потока перезагружает одну и ту же модель снова и снова, когда он создает новый сеанс в каждом цикле графического процессора.Так как же сохранить сеанс открытым между циклами?

1 Ответ

0 голосов
/ 31 января 2019

Итак, я сместил: 

  with graph.as_default():
    with tf.Session() as sess:

Чтобы создать экземпляр вне цикла, но, честно говоря, производительность не намного лучше, при работе на gtx1080 он все еще занимает секунду для обработкиИзображение 352x288 с использованием модели ssd_mobilenet_v1_coco_2017_11_17, которая должна быть достаточно быстрой.

У кого-нибудь есть какие-либо советы относительно параллельной загрузки нескольких изображений для пакетной обработки изображений?

Странно то, что используется более7,8 ГБ пространства GPU для обработки каждого изображения, которое, я думаю, слишком велико, и оно выделяет все доступное пространство, но фактически не использует его.

Выход NVIDIA-SMI: 

Thu Jan 31 11:33:53 2019       
+-----------------------------------------------------------------------------+
| NVIDIA-SMI 410.79       Driver Version: 410.79       CUDA Version: 10.0     |
|-------------------------------+----------------------+----------------------+
| GPU  Name        Persistence-M| Bus-Id        Disp.A | Volatile Uncorr. ECC |
| Fan  Temp  Perf  Pwr:Usage/Cap|         Memory-Usage | GPU-Util  Compute M. |
|===============================+======================+======================|
|   0  GeForce GTX 1080    Off  | 00000000:01:00.0  On |                  N/A |
| 14%   54C    P2    42W / 180W |   7879MiB /  8111MiB |      0%      Default |
+-------------------------------+----------------------+----------------------+

Как показано, для сеанса используется в основном 7,5 ГБ (показано в PID), однако он работает только при мощности 42 Вт - так что, похоже, это не так.указывает на полную загрузку.

Мысли?

Все изображения являются статическими формами, поэтому, возможно, если я смогу увеличить размер тензора для выделения нескольких изображений, он будет работать?

...