【图像分类】基于OpenVINO实现PyTorch ResNet50图像分类

‍‍🏡博客主页： virobotics(仪酷智能)：LabVIEW深度学习、人工智能博主

🍻本文由virobotics(仪酷智能)原创首发

🥳欢迎大家关注✌点赞👍收藏⭐留言📝

前言

Hello，大家好，我是virobotics（仪酷智能），一个深耕于LabVIEW和人工智能领域的开发工程师。

前面博文给大家介绍了OpenVINO工具包及具体的安装，今天我们一起来看一下，如何使用LabVIEW OpenVINO工具包实现resnet50的推理部署。

---

一、ResNet简介

1.1 ResNet概念及特点

ResNet在2015名声大噪，何恺明推出的ResNet在ISLVRC和COCO上横扫所有选手，获得冠军，而且影响了2016年DL在学术界和工业界的发展方向。ResNet在网络结构上做了大创新，而不再是简单的堆积层数，它对每层的输入做一个reference, 学习形成残差函数， 而不是学习一些没有reference的函数。这种残差函数更容易优化，能使网络层数大大加深。

我们知道，在计算机视觉里，特征的"等级"随增网络深度的加深而变高，研究表明，网络的深度是实现好的效果的重要因素。然而梯度弥散/爆炸成为训练深层次的网络的障碍，导致无法收敛。有一些方法可以弥补，如归一初始化，各层输入归一化，使得可以收敛的网络的深度提升为原来的十倍。然而，虽然收敛了，但网络却开始退化了，即增加网络层数却导致更大的误差， 如下图。 这种deep plain net收敛率十分低下。

1.2 ResNet完整结构

ResNet比起VGG19这样的网络深很多，但是运算量是少于VGG19等的。如下图所示为其完整结构：

1.3 ResNet50 网络模型

ResNet50是ResNet中的一种， ResNet50 网络中包含了 49 个卷积层、一个全连接层。如图下图所示，ResNet50网络结构可以分成七个部分，第一部分不包含残差块，主要对输入进行卷积、正则化、激活函数、最大池化的计算。第二、三、四、五部分结构都包含了残差块，图中的绿色图块不会改变残差块的尺寸，只用于改变残差块的维度。在ResNet50网络结构中 ，残差块都有三层卷积，那网络总共有1+3×（3+4+6+3）=49个卷积层，加上最后的全连接层总共是 50 层，这也是ResNet50 名称的由来。网络的输入为 224×224×3，经过前五部分的卷积计算，输出为 7×7×2048，池化层会将其转化成一个特征向量，最后分类器会对这个特征向量进行计算并输出类别概率。

二、环境搭建

2.1 部署本项目时所用环境

• 操作系统：Windows10
• python：3.6及以上
• LabVIEW：2018及以上 64位版本
• AI视觉工具包：techforce_lib_opencv_cpu-1.0.0.98.vip【1.0.0.98及以上版本均可】
• OpenVINO工具包：virobotics_lib_openvino-1.0.0.9.vip【1.0.0.9及以上版本均可】

2.2 LabVIEW工具包下载及安装

• AI视觉工具包下载与安装参考： blog.csdn.net/virobotics/...
• AI视觉工具包介绍： blog.csdn.net/virobotics/...
• OpenVINO工具包下载与安装参考： blog.csdn.net/virobotics/...
• LabVIEW OpenVINO AI加速工具包介绍： blog.csdn.net/virobotics/...

---

三、LabVIEW OpenVINO实现resnet50图像分类

3.1 模型获取及转换为onnx

• 安装pytorch和torchvision
• 获取torchvision中的模型：resnet50(我们获取预训练好的模型)：

original_model = models.resnet50(pretrained=True)

• 转onnx

def get_pytorch_onnx_model(original_model):
    # define the directory for further converted model save
    onnx_model_path = "A:\\code\\pytorch\\image_classfier"
    # define the name of further converted model
    onnx_model_name = "resnet50.onnx"

    # create directory for further converted model
    os.makedirs(onnx_model_path, exist_ok=True)

    # get full path to the converted model
    full_model_path = os.path.join(onnx_model_path, onnx_model_name)

    # generate model input
    generated_input = Variable(
        torch.randn(1, 3, 224, 224)
    )

    # model export into ONNX format
    torch.onnx.export(
        original_model,
        generated_input,
        full_model_path,
        verbose=True,
        input_names=["input"],
        output_names=["output"],
        opset_version=11
    )

    return full_model_path

完整获取模型及转换python代码如下：

import os
import torch
import torch.onnx
from torch.autograd import Variable
from torchvision import models


def get_pytorch_onnx_model(original_model):
    # define the directory for further converted model save
    onnx_model_path = "A:\\code\\pytorch\\image_classfier"
    # define the name of further converted model
    onnx_model_name = "resnet50.onnx"

    # create directory for further converted model
    os.makedirs(onnx_model_path, exist_ok=True)

    # get full path to the converted model
    full_model_path = os.path.join(onnx_model_path, onnx_model_name)

    # generate model input
    generated_input = Variable(
        torch.randn(1, 3, 224, 224)
    )

    # model export into ONNX format
    torch.onnx.export(
        original_model,
        generated_input,
        full_model_path,
        verbose=True,
        input_names=["input"],
        output_names=["output"],
        opset_version=11
    )

    return full_model_path


def main():
    # initialize PyTorch MobileNetV2
    original_model = models.resnet50(pretrained=True)

    # get the path to the converted into ONNX PyTorch model
    full_model_path = get_pytorch_onnx_model(original_model)
    print("PyTorch resnet50 model was successfully converted: ", full_model_path)


if __name__ == "__main__":
    main()

3.2 LabVIEW OpenVINO调用 resnet50实现图像分类（openvino_resnet.vi.vi）

ImageNet (image-net.org),本课程使用到的模型是基于ILSVRC的1000种物体分类模型，如下图所示为在LabVIEW中部署ResNet50实现图像分类，使用OpenVINO实现加速。 ==注意：请将整个项目工程放置到不含有中文的路径中，否则会出现无法运行的情况。==

运行结果如下，可以看到可以准确分类，因为我们调用的模型为与训练模型，所以只能分类1000种，如需更多分类，可以重新训练模型。

四、项目源码

如需源码，可查看blog.csdn.net/virobotics/...

---

总结

以上就是今天要给大家分享的内容，希望对大家有用。我们下篇文章见~

如您想要探讨更多关于LabVIEW与人工智能技术，欢迎加入我们的技术交流群：705637299。进群请备注：LabVIEW机器视觉

如果文章对你有帮助，欢迎✌关注、👍点赞、✌收藏、👍订阅专栏