Слияние кода завершено, страница обновится автоматически
Назад | Вперед | Содержание
Распознавание изображений
Имя файла изображения, которое нужно загрузить, должно быть заменено на my_image.jpg. Код выше проверяет, что аргумент командной строки был предоставлен программе.
Объявите некоторые переменные, которые будут хранить размеры изображения и указатели на его память, а затем загрузите изображение с диска с помощью функции loadImage().
// эти переменные будут хранить указатель на данные изображения и его размеры
uchar3* imgPtr = NULL; // общий указатель на изображение для CPU и GPU
int imgWidth = 0; // ширина изображения (в пикселях)
int imgHeight = 0; // высота изображения (в пикселях)
// загружаем изображение с диска в формате uchar3 RGB (24 бита на пиксель)
if( !loadImage(imgFilename, &imgPtr, &imgWidth, &imgHeight) )
{
printf("не удалось загрузить изображение '%s'\n", imgFilename);
return 0;
}
``` Загруженное изображение будет храниться в общей памяти, которая отображена как для CPU, так и для GPU. Изображение загружается в формате `uchar3` RGB, но тип пикселя может быть `uchar3, uchar4, float3, float4`. Для получения дополнительной информации см. страницу [Обработка изображений с помощью CUDA](aux-image.md).
#### Загрузка сети распознавания изображений
Используя функцию [`imageNet::Create()`](.Функция загрузки GoogleNet модели с использованием TensorRT, которая уже была загружена при первоначальной [конфигурации репозитория](building-repo-2.md#downloading-models). Модель была предобучена на датасете ImageNet ILSVRC12, который способен распознавать до 1000 различных классов объектов, таких как разные виды фруктов и овощей, множество видов животных, а также повседневные предметы, такие как автомобили, офисная мебель, спортивное оборудование и т. д.```cpp
// загрузка GoogleNet модели распознавания изображений с использованием TensorRT
// вы можете использовать imageNet::RESNET_18 для загрузки ResNet-18
imageNet* net = imageNet::Create(imageNet::GOOGLENET);
// проверка корректности загрузки модели
if (!net)
{
printf("не удалось загрузить модель распознавания изображений\n");
return 0;
}
Если необходимо, вы можете загрузить другие предобученные модели, изменив передаваемый в imageNet::Create() enum на один из перечисленных в этой таблице. ResNet-18 (imageNet::RESNET_18) доступен по умолчанию вместе с GoogleNet. Для остальных моделей вам может потребоваться вернуться и загрузить модели, которые вы не выбрали при первоначальной конфигурации.
Далее мы будем классифицировать изображение с использованием функции imageNet::Classify():
// эта переменная будет хранить уверенность классификации (от 0 до 1)
float confidence = 0.0;
// классификация изображения, возврат индекса класса объекта (или -1 при ошибке)
const int classIndex = net->Classify(imgPtr, imgWidth, imgHeight, &confidence);
Функция imageNet::Classify() принимает указатель на изображение в памяти GPU и выполняет инференс с использованием TensorRT. Она возвращает индекс класса объекта, на который было распознано изображение, а также значение уверенности результата.#### Интерпретация результатов
Если вызов функции imageNet::Classify() не завершился ошибкой, давайте выведем информацию о классификации распознанного объекта:```cpp
// проверка корректности возвращенного результата классификации
if (classIndex >= 0)
{
// получение имени/описания класса объекта
}
else
{
// если Classify() вернула отрицательное значение, произошла ошибка
}
См. также функцию [`imageNet::Classify()`](../c/imageNet.h#L159), которая возвращает целочисленный индекс объекта (от OnClickListener 0 до 1000 для ILSVRC12). Для получения человекочитаемого описания объекта используется функция [`imageNet::GetClassDesc()`](../c/imageNet.h#L140).
Описания 1000 классов извлекаются из файла [`ilsvrc12_synset_words.txt`](../data/networks/ilsvrc12_synset_words.txt) при загрузке сети (этот файл был предварительно загружен при сборке репозитория jetson-inference).
#### Завершение работы
Перед выходом из программы освободите ресурсы сети, удалив объект сети:
```cpp
// освобождение ресурсов сети перед завершением работы
delete net;
// это конец примера
return 0;
}
Это всё! Не забудьте добавить оператор возврата и закрывающую фигурную скобку в метод main(). Далее нам нужно создать простой файл CMakeLists.txt для нашего нового приложения распознавания с использованием CMake.
Откройте файл ~/my-recognition/CMakeLists.txt в редакторе и добавьте следующий код:
# требуемая версия CMake 2.8 или выше
```cmake_minimum_required(VERSION 2.8)
# объявление проекта my-recognition
project(my-recognition)
# импорт пакетов jetson-inference и jetson-utils
find_package(jetson-utils)
find_package(jetson-inference)
# требуются CUDA и Qt4
find_package(CUDA)
find_package(Qt4)
# настройка Qt4 для сборки
include(${QT_USE_FILE})
add_definitions(${QT_DEFINITIONS})
# компиляция программы my-recognition
cuda_add_executable(my-recognition my-recognition.cpp)
# связывание my-recognition с библиотекой jetson-inference
target_link_libraries(my-recognition jetson-inference)
В будущем вы можете использовать этот файл CMakeLists как шаблон для компиляции собственных проектов, использующих библиотеку jetson-inference. Самые важные части:
jetson-utils и jetson-inference:find_package(jetson-utils)
find_package(jetson-inference)
libjetson-inference:target_link_libraries(my-recognition jetson-inference)
Примечание: эти библиотеки устанавливаются в
/usr/local/libво время шагаsudo make installпостроения. Если вы не выполнилиsudo make install, то эти библиотеки не будут найдены при компиляции примера.
Теперь, когда наши исходные файлы завершены, выполните следующие команды командной строки для компиляции программы `my-recognition`:
```bash
$ cd ~/my-recognition
$ cmake .
$ make
Если вы столкнулись с ошибками, убедитесь, что вы выполнили sudo make install при построении репозитория jetson-inference.
Вы также можете скачать завершенный, работающий код этого примера из директории examples/my-recognition репозитория.
Теперь, когда наша программа скомпилирована, давайте классифицируем тестовые изображения, которые мы скачали в начале этого руководства:
$ ./my-recognition polar_bear.jpg
image is recognized as 'ice bear, polar bear, Ursus Maritimus, Thalarctos maritimus' (class #296) with 99.999878% confidence
```bash
$ ./my-recognition brown_bear.jpg
image is recognized as 'brown bear, bruin, Ursus arctos' (class #294) with 99.928925% confidence
```
```bash
$ ./my-recognition black_bear.jpg
image is recognized as 'American black bear, black bear, Ursus americanus, Euarctos americanus' (class #295) with 98.898628% confidence
```
Это завершение этого раздела руководства.
Следующим шагом будет классификация потока видео в реальном времени с камеры на борту Jetson.
``````Вы можете оставить комментарий после Вход в систему
Неприемлемый контент может быть отображен здесь и не будет показан на странице. Вы можете проверить и изменить его с помощью соответствующей функции редактирования.
Если вы подтверждаете, что содержание не содержит непристойной лексики/перенаправления на рекламу/насилия/вульгарной порнографии/нарушений/пиратства/ложного/незначительного или незаконного контента, связанного с национальными законами и предписаниями, вы можете нажать «Отправить» для подачи апелляции, и мы обработаем ее как можно скорее.
Опубликовать ( 0 )