opencv — ошибка в readNetFromTensorflow в переполнении стека
Я новичок в глубоком обучении. На первом этапе я создаю и обучаю модель на python с помощью keras и замораживаю ее следующим кодом:
def export_model(MODEL_NAME, input_node_name, output_node_name):
tf.train.write_graph(K.get_session().graph_def, 'out', \
MODEL_NAME + '_graph.pbtxt')
tf.train.Saver().save(K.get_session(), 'out/' + MODEL_NAME + '.chkp')
freeze_graph.freeze_graph('out/' + MODEL_NAME + '_graph.pbtxt', None, \
False, 'out/' + MODEL_NAME + '.chkp', output_node_name, \
"save/restore_all", "save/Const:0", \
'out/frozen_' + MODEL_NAME + '.pb', True, "")
input_graph_def = tf.GraphDef()
with tf.gfile.Open('out/frozen_' + MODEL_NAME + '.pb', "rb") as f:
input_graph_def.ParseFromString(f.read())
output_graph_def = optimize_for_inference_lib.optimize_for_inference(
input_graph_def, [input_node_name], [output_node_name],
tf.float32.as_datatype_enum)
with tf.gfile.FastGFile('out/opt_' + MODEL_NAME + '.pb', "wb") as f:
f.write(output_graph_def.SerializeToString())
это вывод:
- контрольно-пропускной пункт
- Model.chkp.data-00000-оф-00001
- Model.chkp.index
- Model.chkp.meta
- Model_graph.pbtxt
- frozen_Model.pb
- opt_Model.pb
когда я хочу читать сеть в opencv c ++ с помощью readNetFromTensorflow:
String weights = "frozen_Model.pb";
String pbtxt = "Model_graph.pbtxt";
dnn::Net cvNet = cv::dnn::readNetFromTensorflow(weights, pbtxt);
Это сделает ошибку:
Ошибка OpenCV (4.0.0-pre): Неуказанная ошибка (СБОЙ: ReadProtoFromBinaryFile (param_file, param). Не удалось проанализировать файл GraphDef: frozen_Model.pb) в cv :: dnn :: ReadTFNetParamsFromBinaryFileOrDie, файл D: \ LIBS \ OpenC \ modules \ dnn \ src \ tenorflow \ tf_io.cpp, строка 44
а также
OpenCV (4.0.0-pre) Ошибка: не удалось подтвердить (const_layers.insert (std :: make_pair (name, li)). Second) в cv :: dnn :: экспериментальный_dnn_v4 :: `anonymous-namespace ‘:: addConstNodes, файл D: \ LIBS \ OpenCV-4.00 \ modules \ dnn \ src \ensorflow \ tf_importer.cpp, строка 555
Как исправить эту ошибку?
Решение
Часть кода:
Создать модель, поезд и export_model
train_batch = gen.flow_from_directory(path + 'Train', target_size = (Width, Height), shuffle = False, color_mode = color_mode,
batch_size = batch_size_train, class_mode = 'categorical')
.
.
X_train, Y_train = next(train_batch)
.
.
X_train = X_train.reshape(X_train.shape).astype('float32')
.
.
model = Sequential(name = MODEL_NAME)
model.add(Conv2D(filters = 128, kernel_size = (5, 5), activation = 'relu',name = 'FirstLayerConv2D_No1',input_shape = (Width, Height, image_channel)))
model.add(Conv2D(filters = 128, kernel_size = (3, 3), activation = 'relu'))
model.add(MaxPool2D(pool_size = (2, 2)))
model.add(BatchNormalization())
.
.
.
model.add(Dropout(0.25))
model.add(Flatten())
model.add(Dense(200, activation = 'tanh'))
model.add(BatchNormalization())
model.add(Dropout(0.25))
model.add(Dense(100, activation = 'softmax', name = 'endNode'))
model.compile(loss = 'categorical_crossentropy',
optimizer = SGD(lr = 0.01, momentum = 0.9), metrics = ['accuracy'])
history = model.fit(X_train, Y_train, batch_size = batch_size_fit, epochs = epoch, shuffle = True,
verbose = 1, validation_split = .1, validation_data = (X_test, Y_test))
export_model(MODEL_NAME, "FirstLayerConv2D_No1/Relu", "endNode/Softmax")
Другие решения
Амин, могу я попросить тебя попробовать сохранить график в режиме тестирования:
K.backend.set_learning_phase(0) # <--- This setting makes all the following layers work in test mode
model = Sequential(name = MODEL_NAME)
model.add(Conv2D(filters = 128, kernel_size = (5, 5), activation = 'relu',name = 'FirstLayerConv2D_No1',input_shape = (Width, Height, image_channel)))
...
model.add(Dropout(0.25))
model.add(Dense(100, activation = 'softmax', name = 'endNode'))
# Create a graph definition (with no weights)
sess = K.backend.get_session()
sess.as_default()
tf.train.write_graph(sess.graph.as_graph_def(), "", 'graph_def.pb', as_text=False)
Затем заморозьте ваши файлы контрольных точек с недавно созданным graph_def.pb по freeze_graph.py скрипт (не забудьте использовать --input_binary флаг).