前言：近期，Tengine团队加班加点，好消息接踵而来，OpenCV 4.3.0发布，OPEN AI LAB AIoT智能开发平台Tengine与OpenCV合作共同加速边缘智能，Tengine再获业界权威认可，正式加入ONNX官方认证，还有Tengine已经支持模型可视化工具Netron，欢迎各位开发者体验。https://github.com/OAID/Tengine接着上期分享的案例实操《Tengine快速上手系列教程&视频：物体检测应用入门(C++)》，  本文分享的主题是：基于Python API的图片分类应用入门。Tengine快速上手教程：基于Python API的图片分类应用入门1Demo简介使用OpenCV对图片进行读取、预处理，并使用TenginePython接口进行分类，并将分类结果显示在图片上。此Demo目的是使EAIDK初学者了解学习运用TenginePython接口来进行初级的图片分类。2运行环境

(1)安装Protobuf

sudo dnf install protobuf-compiler-3.5.0-4.fc28.aarch64sudo dnf install protobuf-3.5.0-4.fc28.aarch64sudo dnf install protobuf-devel-3.5.0-4.fc28.aarch64

终端输入protoc--version，可以查看版本信息：

protoc --versionlibprotoc 3.5.0

(2)安装 python3-devel

sudo yum install python3-devel

(3)安装 numpynumpy 安装速度较慢，需耐心等待

pip3 install numpy

(4)安装 Python3-OpenCV

sudo yum install python3-opencv

终端输入 python3，进入 Python，导入模块，无报错则安装成功：

python3>>> import numpy>>> import cv2>>>

(5)安装 pyTengine通过安装包安装Tengine Python API并配置 Tengine库路径(pyTengine 安装包可从Tengine_Demo 包中获取，并在安装包同级目录下运行命令)：

pip3 install pytengine-1.0.1-py3-none-any.whl export LD_LIBRARY_PATH=/usr/local/AID/Tengine/lib/

终端输入 python3，进入Python，导入Tengine，无报错则安装成功：

python3>>> import tengine>>>

3Demo运行效果(1)文件准备从Tengine_Demo包中获取以下文件◆ 模型文件：Tengine_Demo/models/ mobilenet.caffemodelTengine_Demo/models/ mobilenet_deploy.prototxt◆ 转换模型工具：Tengine_Demo/convert_tool/ convert_model_to_tm◆ Label 文件(标签文件)：Tengine_Demo/labels/synset_words.txt◆ Demo 脚本文件：Tengine_Demo/mobilenet_classify.py◆ 图片：Tengine_Demo/images/cat.jpg进入 Demo 目录

cd /home/openailab/Demo

创建 mobilenet_classify 目录并进入

mkdir mobilenet_classifycd mobilenet_classify

Demo 脚本文件mobilenet_classify.py和convert_model_to_tm放入 mobilenet_classify 目 录下；在 mobilenet_classify 目录下创建 models 目录

mkdir models

将模型文件、label 文件、图片放入 models 目录下在与 convert_model_to_tm 相同路径下执行模型转换工具，将 caffe 模型转换为 Tengine 模 型

./convert_model_to_tm -f caffe -p models/mobilenet_deploy.prototxt -mmodels/mobilenet.caffemodel -o models/mobilenet.tmfile

转换成功后的 Tengine 模型在 models 目录下(2)Demo 运行在 mobilenet_classify 目录下运行 Demo

pthon3 mobilenet_classify.py

结果如图 2 所示： 图2 Python Demo 运行效果图4Demo代码解析此Demo通过调用Tengine的Python API进行模型的读取、图的创建，并获取最终数据，其软件流程图如图3所示：图 3 Python Demo 软件流程图Demo 脚本名为 mobilenet_classify.py，导入所需的库：

import timefrom tengine import tgimport numpy as npimport cv2

定义模型文件、要分类的图片、识别次数、图片预处理的 mean 和 scale：

model = 'models/mobilenet.tmfileimage = 'models/cat.jpg'repeat_count = 1scale = 0.017mean = [104.007, 116.669, 122.679]

定义图片预处理方法parse_data，通过cv2读取图片并resize为模型所需的 224*224(224*224*3)，并将图片数据转为 chw(3*224*224)：

def parse_data():img0 = cv2.imread(image, -1)img = cv2.resize(img0, (224, 224))input_data, input_0, input_1, input_2 = img, [], [], []input_data = (input_data - mean) * scalefor d in input_data.astype(np.float32).reshape((-1, 3)):input_0.append(d[0])input_1.append(d[1])input_2.append(d[2])input_data = input_0 + input_1 + input_2input_data = np.array(input_data)return input_data, img0

定义分类方法 classify，调用图片预处理方法 parse_data 获取经过预处理后的数据；创建graph，指定模型类型为 Tengine，模型文件 mobilenet.tmfile；调用 graph 的 preRun 进行内存空间的申请：

def classify():image_data, img = parse_data()graph = tg.Graph(None, 'tengine', model)graph.preRun()

调用 graph 的 run 方法，开始运行模型文件，对图片数据进行分类，此方法设置 block=1，并指定 input_data 为经过预处理后的数据：

max_time = 0min_time = Nonewhole_time1 = time.time()for i in range(repeat_count):time_1 = time.time()graph.run(block=1, input_data=image_data)time_2 = time.time()spend_time = time_2 - time_1

计算运行耗时(平均每次耗时、每次最长耗时和最短耗时)：

if spend_time > max_time:max_time = spend_timeif i == 0:min_time = spend_timeif spend_time < min_time:min_time = spend_timewhole_time2 = time.time()avg_time = (whole_time2 - whole_time1) / repeat_countprint('Repeat {} times, avg time per run is {} ms'.format(repeat_count, round(avg_time, 2)))print('max time is {} ms, min time is {} ms'.format(round(max_time, 2), round(min_time, 2)))

获取运行之后的输出 tensor(下标为 0 的输出 node 和此 node 的下标为 0 的输出 tensor)，并将 output_tensor 中的数据通过 getbuffer 方法获取：

output_tensor = graph.getOutputTensor(0, 0)data = output_tensor.getbuffer(float)

读取 label 文件，通过 readlines 函数将类别信息存入 labels 列表；将输出数据(列表)的各个元素的 index、数据放入 pair 列表中，再将每个 pair 列表放入 pairs 列表，再按数据大小(分类的概率)排序(由大到小)：

t_list = data[0: 1000]with open('models/synset_words.txt', 'r') as f:labels = f.readlines()pairs = []for idx, k in enumerate(t_list):pair = [idx, k]pairs.append(pair)pairs.sort(key=lambda x: x[1], reverse=True)

获取概率(数据值)最大的前五个数据的 index，并在 labels 中找到对应 index 的类别信息，将数据值和类别信息分别对应打印：

print('-'*40)for i in range(5):idx = pairs[i][0]print(('%.4f' % t_list[idx]) + '- ' + labels[idx].replace('\n', ''))print('-' * 40)

通过 cv2 的 imshow 方法将图片展示出来，并将分类结果最高的标签通过 cv2 的 putText 方法写在图片上：

cv2.putText(img, labels[pairs[0][0]], (30,30),cv2.FONT_HERSHEY_PLAIN, 2.0, (0, 0, 255), 2)cv2.imshow('image', img)k = cv2.waitKey(0)if k == 27:cv2.destroyAllWindows()

调用 graph 的 postRun 方法，释放占用的资源；最后，调用 classify 函数作为 Demo 的入口：

graph.postRun()if __name__ == '__main__':classify()

---

彩蛋来啦

一键模型转换工具：

省去编译转换工具的时间开箱即用，传送门：https://convertmodel.cn/点击欢迎Git Clone！https://github.com/OAID/Tengine开发者技术交流群人数突破千(群号：829565581)，群里各位大佬坐镇，日常技术讨(shui)论(qun)，期待你的加入~~

相关阅读

OPEN AI LAB(开放智能)专注边缘智能计算及应用，致力于推动芯片级算力、算法、工程产品化、行业应用完整产业链的深度协作，加速人工智能产业化部署和场景的边界拓展，赋能细分行业场景化快速实现+AI产品化落地，助力降本增效。