Как исправить "ошибку: (-215) pbBlob.raw_data_type () == caffe :: FLOAT16 в функции blobFromProto" при запуске нейронной сети в OpenCV - PullRequest
Новая
       93

Как исправить "ошибку: (-215) pbBlob.raw_data_type () == caffe :: FLOAT16 в функции blobFromProto" при запуске нейронной сети в OpenCV

0 голосов
/ 05 февраля 2019

В настоящее время я пытаюсь использовать Nvidia DIGITS для обучения CNN в настраиваемом наборе данных для обнаружения объектов, и в итоге я хочу запустить эту сеть на Nvidia Jetson TX2.Я следовал рекомендованным инструкциям для загрузки образа DIGITS из Docker, и я могу успешно обучать сеть с разумной точностью.Но когда я пытаюсь запустить свою сеть в python с использованием OpenCv, я получаю эту ошибку,

"ошибка: (-215) pbBlob.raw_data_type () == caffe :: FLOAT16 в функции blobFromProto"

Я читал в нескольких других темах, что это связано с тем, что DIGITS хранит свои сети в форме, несовместимой с функциональностью DNN OpenCv.

Перед обучением своей сети я попытался выбрать опциюв DIGITS, который должен сделать сеть совместимой с другим программным обеспечением, однако это, похоже, не меняет сеть вообще, и я получаю ту же ошибку при запуске моего скрипта на python.Это скрипт, который я запускаю, который создает ошибку (он взят из этого урока https://www.pyimagesearch.com/2017/09/11/object-detection-with-deep-learning-and-opencv/)

# import the necessary packages
import numpy as np
import argparse
import cv2

# construct the argument parse and parse the arguments
ap = argparse.ArgumentParser()
ap.add_argument("-i", "--image", required=True,
help="path to input image")
ap.add_argument("-p", "--prototxt", required=True,
help="path to Caffe 'deploy' prototxt file")
ap.add_argument("-m", "--model", required=True,
help="path to Caffe pre-trained model")
ap.add_argument("-c", "--confidence", type=float, default=0.2,
help="minimum probability to filter weak detections")
args = vars(ap.parse_args())

# initialize the list of class labels MobileNet SSD was trained to
# detect, then generate a set of bounding box colors for each class
CLASSES = ["dontcare", "HatchPanel"]
COLORS = np.random.uniform(0, 255, size=(len(CLASSES), 3))
# load our serialized model from disk
print("[INFO] loading model...")
net = cv2.dnn.readNetFromCaffe(args["prototxt"], args["model"])

# load the input image and construct an input blob for the image
# by resizing to a fixed 300x300 pixels and then normalizing it
# (note: normalization is done via the authors of the MobileNet SSD
# implementation)
image = cv2.imread(args["image"])
(h, w) = image.shape[:2]
blob = cv2.dnn.blobFromImage(cv2.resize(image, (300, 300)), 0.007843,
    (300, 300), 127.5)
# pass the blob through the network and obtain the detections and
# predictions
print("[INFO] computing object detections...")
net.setInput(blob)
detections = net.forward()

# loop over the detections
for i in np.arange(0, detections.shape[2]):
    # extract the confidence (i.e., probability) associated with the  
    # prediction
    confidence = detections[0, 0, i, 2]

    # filter out weak detections by ensuring the `confidence` is
    # greater than the minimum confidence
    if confidence > args["confidence"]:
        # extract the index of the class label from the `detections`,
        # then compute the (x, y)-coordinates of the bounding box for
        # the object
        idx = int(detections[0, 0, i, 1])
        box = detections[0, 0, i, 3:7] * np.array([w, h, w, h])
        (startX, startY, endX, endY) = box.astype("int")

        # display the prediction
        label = "{}: {:.2f}%".format(CLASSES[idx], confidence * 100)
        print("[INFO] {}".format(label))
        cv2.rectangle(image, (startX, startY), (endX, endY),
            COLORS[idx], 2)
        y = startY - 15 if startY - 15 > 15 else startY + 15
        cv2.putText(image, label, (startX, y),
            cv2.FONT_HERSHEY_SIMPLEX, 0.5, COLORS[idx], 2)
# show the output image
cv2.imshow("Output", image)
cv2.waitKey(0)

Это должно вывести изображение, указанное в вызове скрипта, с выводом нейронной сети, нарисованным поверхверхняя часть изображения. Но вместо этого сценарий вылетает с ранее упомянутой ошибкой. Я видел другие потоки с людьми, у которых есть такая же ошибка, но до сих пор ни один из них не пришел к решению, которое работает с текущей версиейDIGITS.

Моя полная установка выглядит следующим образом:

ОС: Ubuntu 16.04

Nvidia DIGITS Docker Image Версия: 19.01-caffe

DIGITS Версия: 6.1.1

Версия кафе: 0.17.2

Вкус кофе: Nvidia

Версия OpenCV: 4.0.0

Версия Python: 3.5

Любая помощь очень ценится.

1 Ответ

0 голосов
/ 11 февраля 2019

Харрисон Макинтайр, спасибо!Этот PR исправляет это: https://github.com/opencv/opencv/pull/13800. Обратите внимание, что есть слой с типом "ClusterDetections".Он не поддерживается OpenCV, но вы можете реализовать его с помощью механики пользовательских слоев (см. Учебник )

...