Как использовать предварительно обученную модель тензорного потока для интерпретации входных данных - PullRequest
Новая
       10

Как использовать предварительно обученную модель тензорного потока для интерпретации входных данных

0 голосов
/ 21 января 2020

Я использую предварительно натренированную модель тензорного потока для получения образца, используя короткую программу, которую я создал: 

import cv2 as cv
import numpy as np
import os
import tensorflow as tf
import numpy as np

def decode_img(img):
  # convert the compressed string to a 3D uint8 tensor
  img = tf.image.decode_jpeg(img, channels=3)
  # Use `convert_image_dtype` to convert to floats in the [0,1] range.
  img = tf.image.convert_image_dtype(img, tf.float32)
  # resize the image to the desired size.
  return tf.reshape(tf.image.resize(img, [257, 257]), [1, 257, 257, 3])


model = tf.lite.Interpreter('models\posenet_mobilenet_v1_100_257x257_multi_kpt_stripped.tflite')
input_details = model.get_input_details()
output_details = model.get_output_details()

img = tf.io.read_file('photos\standing\\1.jpg')
input_data = decode_img(img)

print('input shape: {}'.format(input_data.shape))
model.set_tensor(input_details[0]['index'], input_data)
model.invoke()

output_data = model.get_tensor(output_details[0]['index'])
print('output: {}'.format(output_data))

После того, как форма ввода напечатана на консоли, больше ничего не происходит, программа концы. Строка, которая предположительно должна выводить вывод, никогда не выполняется.

output:

C: \ python imagetest.py INFO: Инициализированная среда выполнения TensorFlow Lite. 2020-01-21 08: 07: 32.567619: I tenorflow / core / platform / cpu_feature_guard. cc: 145] Этот двоичный файл TensorFlow оптимизирован с помощью Intel (R) MKL-DNN для использования следующих инструкций ЦП в критически важных для производительности операциях: AVX AVX2 Чтобы включить их в операциях, отличных от MKL-DNN, перестройте TensorFlow с помощью соответствующих флагов компилятора. 2020-01-21 08: 07: 32.578283: I tenorflow / core / common_runtime / process_util. cc: 115] Создание нового пула потоков с настройкой взаимодействия по умолчанию: 8. Настройтесь с помощью inter_op_parallelism_threads для лучшей производительности. форма ввода: (1, 257, 257, 3)

Как правильно использовать предварительно обученную модель tflite с использованием класса Interpreter?

1 Ответ

0 голосов
/ 03 февраля 2020

удалось заставить его работать, используя следующий код: 

img = cv.imread('photos\standing\\3.jpg')
img = tf.reshape(tf.image.resize(img, [257,257]), [1,257,257,3])
model = tf.lite.Interpreter('models\posenet_mobilenet_v1_100_257x257_multi_kpt_stripped.tflite')
model.allocate_tensors()
input_details = model.get_input_details()
output_details = model.get_output_details()
floating_model = input_details[0]['dtype'] == np.float32

if floating_model:
    img = (np.float32(img) - 127.5) / 127.5

model.set_tensor(input_details[0]['index'], img)
model.invoke()

output_data =  model.get_tensor(output_details[0]['index'])
offset_data = model.get_tensor(output_details[1]['index'])

Единственное отличие, которое я заметил, - это первоначальный вызов allocate_tensors().

...