点击上方“小白学视觉”，选择加"星标"或“置顶”

重磅干货，第一时间送达

本文转自：opencv学堂

引言

前面说了OpenCV DNN不光支持图像分类与对象检测模型。此外还支持各种自定义的模型，deeplabv3模型是图像语义分割常用模型之一，本文我们演示OpenCV DNN如何调用Deeplabv3模型实现图像语义分割，支持的backbone网络分别为MobileNet与Inception。预训练模型下载地址如下：

https://github.com/tensorflow/models/blob/master/research/deeplab/g3doc/model_zoo.md

预训练的模型下载之后可以看到pb文件，ckpt文件，其中pb文件可以直接调用。

调用MobileNet的deeplabv3

下载MobileNet版本的deeplabv3模型，把mobilenetv2 ckpt转pb，脚本如下：

python deeplab/export_model.py \
--logtostderr \
--checkpoint_path="/home/lw/data/cityscapes/train/model.ckpt-2000" \
--export_path="/home/lw/data/pb/frozen_inference_graph.pb" \
--model_variant="mobilenet_v2" \
#--atrous_rates=6 \
#--atrous_rates=12 \
#--atrous_rates=18 \
#--output_stride=16 \
--decoder_output_stride=4 \
--num_classes=6 \
--crop_size=513 \
--crop_size=513 \
--inference_scales=1.0

接下来使用opencv加载mobilenetv2转换好的pb模型会报下面的错误：

使用mobilenetv2的解决办法:

import tensorflow as tf
from tensorflow.tools.graph_transforms import TransformGraph
from tensorflow.python.tools import optimize_for_inference_libgraph = 'frozen_inference_graph.pb'
with tf.gfile.FastGFile(graph, 'rb') as f:graph_def = tf.GraphDef()graph_def.ParseFromString(f.read())tf.summary.FileWriter('logs', graph_def)inp_node = 'MobilenetV2/MobilenetV2/input'out_node = 'logits/semantic/BiasAdd'graph_def = optimize_for_inference_lib.optimize_for_inference(graph_def, [inp_node], [out_node],tf.float32.as_datatype_enum)graph_def = TransformGraph(graph_def, [inp_node], [out_node], ["sort_by_execution_order"])with tf.gfile.FastGFile('frozen_inference_graph_opt.pb', 'wb') as f:f.write(graph_def.SerializeToString())

调用Inception的deeplabv3

接下来使用opencv加载xception转换好的pb模型

使用xception的解决办法

import tensorflow as tf
from tensorflow.tools.graph_transforms import TransformGraph
from tensorflow.python.tools import optimize_for_inference_lib
graph = 'frozen_inference_graph.pb'
with tf.gfile.FastGFile(graph, 'rb') as f:graph_def = tf.GraphDef()graph_def.ParseFromString(f.read())tf.summary.FileWriter('logs', graph_def)# inp_node = 'sub_2'  # 起始地节点# out_node = 'logits/semantic/BiasAdd' # 结束的节点graph_def = optimize_for_inference_lib.optimize_for_inference(graph_def, [inp_node], [out_node],tf.float32.as_datatype_enum)graph_def = TransformGraph(graph_def, [inp_node], [out_node], ["sort_by_execution_order"])with tf.gfile.FastGFile('frozen_inference_graph_opt.pb', 'wb') as f:f.write(graph_def.SerializeToString())

使用opencv进行推理（我用的是ADE20K预训练模型进行测试的）

import cv2
import numpy as np
np.random.seed(0)
color = np.random.randint(0, 255, size=[150, 3])
print(color)
# Load names of classes
#classes = None#with open("labels.names", 'rt') as f:
#    classes = f.read().rstrip('\n').split('\n')#legend = None
#def showLegend(classes):
#    global legend
#    if not classes is None and legend is None:
#        blockHeight = 30
#        print(len(classes), len(colors))
#        assert(len(classes) == len(colors))
#        legend = np.zeros((blockHeight * len(colors), 200, 3), np.uint8)
#        for i in range(len(classes)):
#            block = legend[i * blockHeight:(i + 1) * blockHeight]
#            block[:, :] = colors[i]
#            cv2.putText(block, classes[i], (0, blockHeight//2), cv2.FONT_HERSHEY_SIMPLEX, 0.5, (255, 255, 255))
#        cv2.namedWindow('Legend', cv2.WINDOW_NORMAL)
#        cv2.imshow('Legend', legend)
#        cv2.waitKey()# 读取图片
frame = cv2.imread("1.jpg")
frameHeight = frame.shape[0]
frameWidth = frame.shape[1]# 加载模型
net = cv2.dnn.readNet("frozen_inference_graph_opt.pb")
blob = cv2.dnn.blobFromImage(frame, 0.007843, (513, 513), (127.5, 127.5, 127.5), swapRB=True)
net.setInput(blob)
score = net.forward()
numClasses = score.shape[1]
height = score.shape[2]
width = score.shape[3]classIds = np.argmax(score[0], axis=0)  # 在列上求最大的值的索引
segm = np.stack([color[idx] for idx in classIds.flatten()])
segm = segm.reshape(height, width, 3)segm = cv2.resize(segm, (frameWidth, frameHeight), interpolation=cv2.INTER_NEAREST)
frame = (0.3*frame + 0.8*segm).astype(np.uint8)#showLegend(classes)cv2.imshow("img", frame)
cv2.waitKey()

下载1：OpenCV-Contrib扩展模块中文版教程

在「小白学视觉」公众号后台回复：扩展模块中文教程，即可下载全网第一份OpenCV扩展模块教程中文版，涵盖扩展模块安装、SFM算法、立体视觉、目标跟踪、生物视觉、超分辨率处理等二十多章内容。

下载2：Python视觉实战项目52讲

在「小白学视觉」公众号后台回复：Python视觉实战项目，即可下载包括图像分割、口罩检测、车道线检测、车辆计数、添加眼线、车牌识别、字符识别、情绪检测、文本内容提取、面部识别等31个视觉实战项目，助力快速学校计算机视觉。

下载3：OpenCV实战项目20讲

在「小白学视觉」公众号后台回复：OpenCV实战项目20讲，即可下载含有20个基于OpenCV实现20个实战项目，实现OpenCV学习进阶。

交流群

欢迎加入公众号读者群一起和同行交流，目前有SLAM、三维视觉、传感器、自动驾驶、计算摄影、检测、分割、识别、医学影像、GAN、算法竞赛等微信群（以后会逐渐细分），请扫描下面微信号加群，备注：”昵称+学校/公司+研究方向“，例如：”张三 + 上海交大 + 视觉SLAM“。请按照格式备注，否则不予通过。添加成功后会根据研究方向邀请进入相关微信群。请勿在群内发送广告，否则会请出群，谢谢理解~