Python 3.x 用两个张量流模型进行推理
我有推理应用程序。应用程序使用了两种推理模型 这两个模型将恢复为两个不同的图形，并在两个不同的会话中运行 检测推理产生物体的位置，二次推理识别作物图像中的分离物体 错误发生在第二次推理时 错误是Python 3.x 用两个张量流模型进行推理,python-3.x,tensorflow,Python 3.x,Tensorflow,我有推理应用程序。应用程序使用了两种推理模型 这两个模型将恢复为两个不同的图形，并在两个不同的会话中运行 检测推理产生物体的位置，二次推理识别作物图像中的分离物体 错误发生在第二次推理时 错误是 2019-06-17 22:08:34.454728: F tensorflow/core/framework/tensor_shape.cc: 44]Check failed:NDIMS==dims() (2 vs. 3)Asking for tensor of 2 dimensions from a
2019-06-17 22:08:34.454728: F tensorflow/core/framework/tensor_shape.cc: 44]Check failed:NDIMS==dims() (2 vs. 3)Asking for tensor of 2 dimensions from a tensor of 3 dimensions
Aborted (core dumped)
b, s, c = sess.run([self.box, self.score, self.cls], feed_dict={self.image_tensor: image_data})
import os
os.environ['TF_CPP_MIN_LOG_LEVEL'] = '3' # or any {'0', '1', '2'}
import tensorflow as tf
import cv2
import numpy as np
import time
class Recognition:
def __init__(self):
self.reg_graph = tf.Graph()
with self.reg_graph.as_default():
od_graph_def = tf.GraphDef()
with tf.gfile.GFile("recognition_tf_model/frozen_model.pb", 'rb') as fid:
serialized_graph = fid.read()
od_graph_def.ParseFromString(serialized_graph)
tf.import_graph_def(od_graph_def, name='')
self.image_tensor = self.reg_graph.get_tensor_by_name('image_tensor:0')
self.box = self.reg_graph.get_tensor_by_name('detection_boxes:0')
self.score = self.reg_graph.get_tensor_by_name('detection_scores:0')
self.cls = self.reg_graph.get_tensor_by_name('detection_classes:0')
def infer(self, crop, frame, w, h):
with tf.Session(graph=self.reg_graph) as sess:
image = cv2.resize(crop,(512,300))
image_data = np.expand_dims(image, axis=0).astype(np.uint8)
b, s, c = sess.run([self.box, self.score, self.cls], feed_dict={self.image_tensor: image_data})
if(len(b)==0 or len(s)==0 or len(c)==0):
return
boxes = b[0]
conf = s[0]
clses = c[0]
for i in (range(len(boxes))):
bx = boxes[i]
if conf[i] < 0.5:
continue
p1 = (int(w * bx[1]), int(h * bx[0]))
p2 = (int(w * bx[3]) ,int(h * bx[2]))
cv2.rectangle(frame, p1, p2, (0,255,0))
cv2.imshow("Numplate recognition", frame)
cv2.waitKey(1)
def main():
dr=Recognition()
vidoe_path = "../../../Data/plates/IMG_5715.MOV"
det_graph = tf.Graph()
with det_graph.as_default():
with tf.Session(graph=det_graph) as sess:
graph_def = tf.GraphDef()
with tf.gfile.GFile("detection_tf_model/frozen_model.pb", 'rb') as fid:
serialized_graph = fid.read()
graph_def.ParseFromString(serialized_graph)
tf.import_graph_def(graph_def, name='')
image_tensor = det_graph.get_tensor_by_name('image_tensor:0')
box = det_graph.get_tensor_by_name('detection_boxes:0')
score = det_graph.get_tensor_by_name('detection_scores:0')
cls = det_graph.get_tensor_by_name('detection_classes:0')
cap = cv2.VideoCapture(vidoe_path)
width = cap.get(3) # float
height = cap.get(4) # float
while True:
fps_time=time.time()
ret, frame = cap.read()
if(ret==0):
break
image = cv2.resize(frame,(300,300))
image_data = np.expand_dims(image, axis=0).astype(np.uint8)
b, s, c = sess.run([box, score, cls], {image_tensor: image_data})
if(len(b)==0 or len(s)==0 or len(c)==0):
continue
boxes = b[0]
conf = s[0]
clses = c[0]
#writer = tf.summary.FileWriter('debug', sess.graph)
for i in (range(5)):
bx = boxes[i]
if conf[i] < 0.5:
continue
p1 = (int(width * bx[1]), int(height * bx[0]))
p2 = (int(width * bx[3]) ,int(height * bx[2]))
cv2.rectangle(frame, p1, p2, (0,255,0))
dr.infer(frame[p1[1]:p2[1], p1[0]:p2[0]], frame, width, height)
print('FPS: %f' % (1.0/(time.time() - fps_time)))
if __name__ == "__main__":
main()
导入操作系统
os.environ['TF_CPP_MIN_LOG_LEVEL']=“3”或任何{'0'，'1'，'2'}
导入tensorflow作为tf
进口cv2
将numpy作为np导入
导入时间
类别识别：
定义初始化（自）：
self.reg_graph=tf.graph（）
使用self.reg\u graph.as\u default（）：
od_graph_def=tf.GraphDef（）
将tf.gfile.gfile（“recognition_tf_model/freezed_model.pb”，“rb”）作为fid：
序列化的_图=fid.read（）
od_图形_def.ParseFromString（序列化_图形）
tf.import_graph_def（od_graph_def，name=''）
self.image\u tensor=self.reg\u graph.get\u tensor\u by\u name（'image\u tensor:0'））
self.box=self.reg\u graph.get\u tensor\u by\u name（'detection\u box:0'））
self.score=self.reg\u graph.get\u tensor\u by\u name（'detection\u scores:0'））
self.cls=self.reg_graph.get_tensor_by_name（'detection_classes:0'））
def推断（自身、裁剪、帧、w、h）：
将tf.Session（graph=self.reg_graph）作为sess：
图像=cv2。调整大小（裁剪，（512300））
图像\数据=np.expand\ dims（图像，轴=0）.astype（np.uint8）
b、 s，c=sess.run（[self.box，self.score，self.cls]，feed\u dict={self.image\u tensor:image\u data}）
如果（len（b）=0或len（s）=0或len（c）=0）：
返回
框=b[0]
conf=s[0]
clses=c[0]
对于i（范围（len（框））：
bx=框[i]
如果conf[i]<0.5：
持续
p1=（int（w*bx[1]），int（h*bx[0]））
p2=（int（w*bx[3]），int（h*bx[2]））
cv2.矩形（框架，p1，p2，（0255,0））
cv2.imshow（“模板识别”，帧）
cv2.等待键（1）
def main（）：
dr=识别（）
vidoe_path=“../../../Data/plates/IMG_5715.MOV”
det_graph=tf.graph（）
使用det_graph.as_default（）：
将tf.Session（graph=det_graph）作为sess：
graph_def=tf.GraphDef（）
将tf.gfile.gfile（“detection_tf_model/freezed_model.pb”，“rb”）作为fid：
序列化的_图=fid.read（）
graph_def.ParseFromString（序列化图）
tf.import_graph_def（graph_def，name=''）
image\u tensor=det\u图。通过名称获取（image\u tensor:0）
box=det\u图。通过名称获取张量（检测框：0）
score=det\u图。通过名称获取张量（'detection\u scores:0'）
cls=det\u图。通过名称获取张量（'detection\u classes:0'）
cap=cv2.视频捕获（视频路径）
宽度=上限。获得（3）#浮动
高度=盖。获取（4）#浮动
尽管如此：
fps_time=time.time（）
ret，frame=cap.read（）
如果（ret==0）：
打破
图像=cv2。调整大小（帧，（300300））
图像\数据=np.expand\ dims（图像，轴=0）.astype（np.uint8）
b、 s，c=sess.run（[box，score，cls]，{image\u tensor:image\u data}）
如果（len（b）=0或len（s）=0或len（c）=0）：
持续
框=b[0]
conf=s[0]
clses=c[0]
#writer=tf.summary.FileWriter（'debug'，sess.graph）
对于（范围（5））中的i：
bx=框[i]
如果conf[i]<0.5：
持续
p1=（int（宽*bx[1]），int（高*bx[0]））
p2=（int（宽*bx[3]），int（高*bx[2]））
cv2.矩形（框架，p1，p2，（0255,0））
推断博士（帧[p1[1]：p2[1]、p1[0]：p2[0]、帧、宽度、高度）
打印（'FPS:%f'（1.0/（time.time（）-FPS_time）））
如果名称=“\uuuuu main\uuuuuuuu”：
main（）