熱影像物件偵測 (Object Detection on Thermal Image)- 2 使用TensorRT C++ Win10 - 測試onnx model


上篇文章我們得到了onnx格式的model,先做個測試確認這個model是可以使用的,需要在onnx framework下執行這個model,這邊使用到python onnx runtime。

一、下載onnx runtime

可以在 https://www.onnxruntime.ai/ 下載你需要的版本。
我下載的是GPU版,在python環境下輸入:

pip install onnxruntime-gpu

二、寫執行程式

1.import

  import cv2>
  import numpy as np
  import onnxruntime as ort
  import onnxruntime.backend

2.讀入 onnx model

  modelName = 'weights/export.onnx'
  sess = ort.InferenceSession(modelName)

3.顯示讀入model的相關資訊

print("device", ort.get_device())

print("in count", len(sess.get_inputs()))
print("out count", len(sess.get_outputs()))

input_name = sess.get_inputs()[0].name
print("input name", input_name)
input_shape = sess.get_inputs()[0].shape
print("input shape", input_shape)
input_type = sess.get_inputs()[0].type
print("input type", input_type)

output_name0 = sess.get_outputs()[0].name
print("output0 name", output_name0)
output_shape0 = sess.get_outputs()[0].shape
print("output0 shape", output_shape0)
output_type0 = sess.get_outputs()[0].type
print("output0 type", output_type0)

output_name1 = sess.get_outputs()[1].name
print("output1 name", output_name1)
output_shape1 = sess.get_outputs()[1].shape
print("output1 shape", output_shape1)
output_type1 = sess.get_outputs()[1].type
print("output1 type", output_type1)
執行結果:
device GPU
in count 1
out count 2
input name input0
input shape [1, 3, 320, 416]
input type tensor(float)
output0 name output0
output0 shape [8190, 80]
output0 type tensor(float)
output1 name output1
output1 shape [8190, 4]
output1 type tensor(float)

4.讀入測試用圖片

imgs = []

img_orig = cv2.imread("image.jpeg")

img = cv2.resize(img_orig, (416,320))
imgs.append(img)

imgs = np.stack(imgs, 0)
imgs = imgs[:, :, :, ::-1].transpose(0, 3, 1, 2)  # BGR to RGB
imgs = np.ascontiguousarray(imgs, dtype=np.float32)  # uint8 to fp16/fp32

imgs /= 255.0  # 0 - 255 to 0.0 - 1.0

print("imgs.shape", imgs.shape)
執行結果:
imgs.shape (1, 3, 320, 416)

5.將圖片輸入至model做inference

res2 = sess.run([output_name0, output_name1], {input_name: imgs})

6.整理inference result

class_scores = res[0][:]
bbox = res[1][:]

# 80個種類中哪一個種類分數最高,紀錄種類的index及分數
class_IDs = np.argmax(class_scores, axis=1)
objects_class_score = []
for i, idx in enumerate(class_IDs):
    objects_class_score.append(class_scores[i,idx])
objects_class_score = np.array(objects_class_score)

# 將class_ID、class_score、bbox集合起來
preds = np.stack([class_IDs,objects_class_score], axis=1)
preds = np.concatenate((preds, bbox), axis=1)

# 篩選出 class_score > 0.3 的物體
i = (objects_class_score>0.3) & np.isfinite(preds).all()
preds = preds[i]
print("result shape:", preds.shape)
執行結果:
result shape: (15, 6)

7.show inference result

drawimg = img.copy()
imgH, imgW = drawimg.shape[:2]

# 取得 bbox 的部分,bbox的結構是[center point x, center point y, object width, object height]
for x,y,w,h in preds[:,2:]:
    L=int((x-w/2)*imgW)
    T=int((y-h/2)*imgH)
    R=int(L+w*imgW)
    B=int(T+h*imgH)
    cv2.rectangle(drawimg, (L,T), (R,B), (255,0,0), 1)
cv2.imshow("img", drawimg)
key = cv2.waitKey(0)
cv2.destroyAllWindows()
執行結果:

三、結論

有抓出物體大致位置代表這個model運作正常,下篇開始講解tensorRT的部分

四、參考資料來源:

https://medium.com/@joehoeller/object-detection-on-thermal-images-f9526237686a
https://github.com/joehoeller/Object-Detection-on-Thermal-Images


留言

這個網誌中的熱門文章

C# 模擬鍵盤滑鼠控制電腦

python pyautogui 簡介

android 定時通知(永久長期的) 本篇只講AlarmManager使用

raspberrypi 開機自動執行程式 與 在terminal開啟第二個terminal執行python

python nn 聲音辨識 -1 傅立葉轉換