Toybrick

Toybrick»开源社区 › 技术论坛 › 人工智能 › 人工智能开发系列(7) OPENPOSE开发与实现

人工智能开发系列(7) OPENPOSE开发与实现

楼主
发表于 2019-5-30 17:00:55    查看: 154935|回复: 32 | [复制链接]    打印 | 只看该作者

本教程视频直播回看：
[url=https://v.qq.com/x/page/z0873pfnk3l.html][/url]

1.快速上手

    1 准备3399pro开发板一块，USB摄像头一个，usb键盘，usb鼠标，hdmi显示屏，网线
    2 连接USB摄像头到3399pro开发板，连接鼠标键盘，连接显示器，连接网线，接通电源
    3 模型下载，建议在PC上做
  1. git clone https://github.com/spmallick/learnopencv.git
  2. cd OpenPose-Multi-Person/
  3. sudo chmod a+x getModels.sh
  4. ./getModels.sh
  5. python3 multi-person-openpose.py
复制代码    若报cv2.dnn错误，这是opencv版本低的问题，需要升级opencv到3.4.1以上版本（不包含3.4.1），     若报" ValueError: not enough values to unpack (expected 3, got 2) "这是原脚本问题，需要将代码"_, contours, _ = cv2.findContours"改为"contours, _ = cv2.findContours"
     python3 multi-person-openpose.py为可选操作，报错不影响后续运行
    4 修改pose/coco/pose_deploy_linevec.prototxt文件,注销前5行代码，新增一个layer层，如下图所示
      
    5 下载并解压附件，将附件中的所有文件（5个文件）拷贝到到OpenPose-Multi-Person目录下  
    6 python3 rknn_transfer.py进行模型转换，模型转化比较耗内存建议先设置swap大于2G
    7 拷贝OpenPose-Multi-Person目录到开发板，以下操作在开发板运行
    8 安装rknn-toolkit及其依赖库，按照wiki教程安装环境
    9 安装gstreamer包
  1. sudo dnf install https://download1.rpmfusion.org/free/fedora/rpmfusion-free-release-$(rpm -E %fedora).noarch.rpm
  2. sudo dnf install gstreamer1-libav
复制代码   10 python3 test_rnetCam.py（单人）或者python3 multi-person-openpose_rknn-cam.py（多人）

2.概述

VGG-19用于生成特征值。每个stage对应一个身体部位，branch1用于生产Confidence Maps，branch2用于生产PAF(Part Affinity maps )
Input: [1x3x368x368]（输入的数据format是nchw，bgr格式）
Output: [1x57x46x46]（输出数据前面部分是身体部位的Confidence Maps ，后面部分是PAF）

3.代码解析

├── pose_deploy_linevec_pre_compile.rknn.rknn        //转换之后的rknn模型
├── dataset.txt                                                             //量化的数据集
├── p1_368_368.jpg                                                     //用于量化的图片
├── multi-person-openpose_rknn-cam.py                  //使用rknn进行推理，以及后处理（多人）
├── test_rnetCam.py                                                  //使用rknn进行推理，以及后处理（单人）
└── rknn_transfer.py                                                 //用于将caffe模型转换为rknn模型

rknn_transfer.py

  2. from rknn.api import RKNN
  3. import cv2
  4. import time
  5. import numpy as np

  7. if __name__ == '__main__':

  9.     # Create RKNN object
  10.     rknn = RKNN()
  11.    
  12.     # pre-process config
  13.     print('--> config model')
  14.     # 配置模型输入，用于NPU对数据输入的预处理
  15.     # channel_mean_value='0 0 0 255'，那么模型推理时，将会对RGB数据做如下转换
  16.     # (R - 0)/255, (G - 0)/255, (B - 0)/255。推理时，RKNN模型会自动做均值和归一化处理
  17.     # reorder_channel=’0 1 2’用于指定是否调整RBG顺序，设置成0 1 2即按输入的RGB顺序不做调整
  18.     # reorder_channel=’2 1 0’表示交换0和2通道，輸入调整为BGR   
  19.     rknn.config(channel_mean_value='0 0 0 255', reorder_channel='2 1 0')
  20.     print('done')

  22.     # Load tensorflow model
  23.     print('--> Loading model')
  24.     ret = rknn.load_caffe(model='./pose/coco/pose_deploy_linevec.prototxt', proto='caffe',
  25.                             blobs='./pose/coco/pose_iter_440000.caffemodel')
  26.     if ret != 0:
  27.         print('Load model failed!')
  28.         exit(ret)
  29.     print('done')

  31.     # Build model
  32.     print('--> Building model')
  33.         # do_quantization=True进行量化
  34.         # 量化会减小模型的体积和提升运算速度，但是会有精度的丢失
  35.         # 开启预编译，提高load速度
  36.     ret = rknn.build(do_quantization=True, dataset='./dataset.txt', pre_compile=True)
  37.     if ret != 0:
  38.         print('Build model failed!')
  39.         exit(ret)
  40.     print('done')
  41.     # Export rknn model
  42.     print('--> Export RKNN model')
  43.     ret = rknn.export_rknn('./pose_deploy_linevec_pre_compile.rknn')
  44.     if ret != 0:
  45.         print('Export model failed!')
  46.         exit(ret)
  47.     print('done')

  49.     rknn.release()


复制代码
multi-person-openpose_rknn-cam.py
  1. import cv2
  2. import time
  3. import numpy as np
  4. from random import randint
  5. from rknn.api import RKNN

  7. rknn = RKNN()
  8. '''
  9. protoFile = "pose/coco/pose_deploy_linevec.prototxt"
  10. weightsFile = "pose/coco/pose_iter_440000.caffemodel"
  11. '''
  12. nPoints = 18
  13. # COCO Output Format
  14. keypointsMapping = ['Nose', 'Neck', 'R-Sho', 'R-Elb', 'R-Wr', 'L-Sho', 'L-Elb', 'L-Wr', 'R-Hip', 'R-Knee', 'R-Ank', 'L-Hip', 'L-Knee', 'L-Ank', 'R-Eye', 'L-Eye', 'R-Ear', 'L-Ear']

  16. POSE_PAIRS = [[1,2], [1,5], [2,3], [3,4], [5,6], [6,7],
  17.               [1,8], [8,9], [9,10], [1,11], [11,12], [12,13],
  18.               [1,0], [0,14], [14,16], [0,15], [15,17],
  19.               [2,16], [5,17] ]

  21. # index of pafs correspoding to the POSE_PAIRS
  22. # e.g for POSE_PAIR(1,2), the PAFs are located at indices (31,32) of output, Similarly, (1,5) -> (39,40) and so on.
  23. mapIdx = [[31,32], [39,40], [33,34], [35,36], [41,42], [43,44],
  24.           [19,20], [21,22], [23,24], [25,26], [27,28], [29,30],
  25.           [47,48], [49,50], [53,54], [51,52], [55,56],
  26.           [37,38], [45,46]]

  28. colors = [ [0,100,255], [0,100,255], [0,255,255], [0,100,255], [0,255,255], [0,100,255],
  29.          [0,255,0], [255,200,100], [255,0,255], [0,255,0], [255,200,100], [255,0,255],
  30.          [0,0,255], [255,0,0], [200,200,0], [255,0,0], [200,200,0], [0,0,0]]


  33. def getKeypoints(probMap, threshold=0.1):

  35.     mapSmooth = cv2.GaussianBlur(probMap,(3,3),0,0)

  37.     mapMask = np.uint8(mapSmooth>threshold)
  38.     #np.set_printoptions(threshold=np.inf)
  39.     keypoints = []

  41.     #find the blobs
  42.     _, contours, hierarchy = cv2.findContours(mapMask, cv2.RETR_TREE, cv2.CHAIN_APPROX_SIMPLE)

  44.     #for each blob find the maxima
  45.     #对于每个关键点，对confidence map 应用一个阀值（本例采用0.1），生成二值图。
  46.     #首先找出每个关键点区域的全部轮廓。
  47.     #生成这个区域的mask。
  48.     #通过用probMap乘以这个mask，提取该区域的probMap。
  49.     #找到这个区域的本地极大值。要对每个即关键点区域进行处理。
  50.     #本地极大值对应的坐标就是关键点坐标
  51.     for cnt in contours:
  52.         blobMask = np.zeros(mapMask.shape)
  53.         blobMask = cv2.fillConvexPoly(blobMask, cnt, 1)
  54.         maskedProbMap = mapSmooth * blobMask
  55.         _, maxVal, _, maxLoc = cv2.minMaxLoc(maskedProbMap)
  56.         keypoints.append(maxLoc + (probMap[maxLoc[1], maxLoc[0]],))

  58.     return keypoints


  61. # Find valid connections between the different joints of a all persons present
  62. def getValidPairs(output):
  63.     valid_pairs = []
  64.     invalid_pairs = []
  65.     n_interp_samples = 10
  66.     paf_score_th = 0.1
  67.     conf_th = 0.7
  68.     # loop for every POSE_PAIR
  69.     for k in range(len(mapIdx)):
  70.         # A->B constitute a limb
  71.         pafA = output[0, mapIdx[k][0], :, :]
  72.         pafB = output[0, mapIdx[k][1], :, :]
  73.         pafA = cv2.resize(pafA, (frameWidth, frameHeight))
  74.         pafB = cv2.resize(pafB, (frameWidth, frameHeight))

  76.         # candA: (124, 365, 0.17102814, 43)
  77.         #                               detected_keypoints keypoint_id
  78.         # Find the keypoints for the first and second limb
  79.         #把连接对上的关键点提取出来，相同的关键点放一起。把关键点对分开地方到两个列表上
  80.         #（列表名为candA和candB）。在列表candA上的每一个点都会和列表candB上某些点连接
  81.         candA = detected_keypoints[POSE_PAIRS[k][0]]
  82.         candB = detected_keypoints[POSE_PAIRS[k][1]]

  84.         nA = len(candA)
  85.         nB = len(candB)

  87.         # If keypoints for the joint-pair is detected
  88.         # check every joint in candA with every joint in candB
  89.         # Calculate the distance vector between the two joints
  90.         # Find the PAF values at a set of interpolated points between the joints
  91.         # Use the above formula to compute a score to mark the connection valid

  93.         if( nA != 0 and nB != 0):
  94.             valid_pair = np.zeros((0,3))
  95.             for i in range(nA):
  96.                 max_j=-1
  97.                 maxScore = -1
  98.                 found = 0
  99.                 for j in range(nB):
  100.                     # Find d_ij
  101.                     d_ij = np.subtract(candB[j][:2], candA[i][:2])
  102.                     norm = np.linalg.norm(d_ij)
  103.                     if norm:
  104.                         d_ij = d_ij / norm
  105.                     else:
  106.                         continue
  107.                     # Find p(u)
  108.                     interp_coord = list(zip(np.linspace(candA[i][0], candB[j][0], num=n_interp_samples),
  109.                                             np.linspace(candA[i][1], candB[j][1], num=n_interp_samples)))
  110.                     # Find L(p(u))
  111.                     paf_interp = []
  112.                     for k in range(len(interp_coord)):
  113.                         paf_interp.append([pafA[int(round(interp_coord[k][1])), int(round(interp_coord[k][0]))],
  114.                                            pafB[int(round(interp_coord[k][1])), int(round(interp_coord[k][0]))] ])
  115.                     # Find E
  116.                     paf_scores = np.dot(paf_interp, d_ij)
  117.                     avg_paf_score = sum(paf_scores)/len(paf_scores)

  119.                     # Check if the connection is valid
  120.                     # If the fraction of interpolated vectors aligned with PAF is higher then threshold -> Valid Pair
  121.                     if ( len(np.where(paf_scores > paf_score_th)[0]) / n_interp_samples ) > conf_th :
  122.                         if avg_paf_score > maxScore:
  123.                             max_j = j
  124.                             maxScore = avg_paf_score
  125.                             found = 1
  126.                 # Append the connection to the list
  127.                 if found:
  128.                     #   detected_keypoints keypoint_id
  129.                     valid_pair = np.append(valid_pair, [[candA[i][3], candB[max_j][3], maxScore]], axis=0)
  130.             # Append the detected connections to the global list
  131.             valid_pairs.append(valid_pair)
  132.         else: # If no keypoints are detected
  133.             invalid_pairs.append(k)
  134.             valid_pairs.append([])
  135.     return valid_pairs, invalid_pairs



  139. # This function creates a list of keypoints belonging to each person
  140. # For each detected valid pair, it assigns the joint(s) to a person
  141. def getPersonwiseKeypoints(valid_pairs, invalid_pairs):
  142.     # the last number in each row is the overall score

  144.     #我们首先创建空列表，用来存放每个人的关键点（即关键部位）
  145.     personwiseKeypoints = -1 * np.ones((0, 19))
  146.     for k in range(len(mapIdx)):
  147.         if k not in invalid_pairs:
  148.             partAs = valid_pairs[k][:,0]
  149.             partBs = valid_pairs[k][:,1]
  150.             indexA, indexB = np.array(POSE_PAIRS[k])

  152.             for i in range(len(valid_pairs[k])):
  153.                 found = 0
  154.                 person_idx = -1
  155.                 #遍历每一个连接对，检查连接对中的partA是否已经存在于任意列表之中
  156.                 for j in range(len(personwiseKeypoints)):
  157.                     if personwiseKeypoints[j][indexA] == partAs[i]:
  158.                         person_idx = j
  159.                         found = 1
  160.                         break

  162.                 #如果存在，那么意味着这关键点属于当前列表，同时连接对中的partB也同样属于这个人体
  163.                 #把连接对中的partB增加到partA所在的列表。
  164.                 if found:
  165.                     personwiseKeypoints[person_idx][indexB] = partBs[i]
  166.                     personwiseKeypoints[person_idx][-1] += keypoints_list[partBs[i].astype(int), 2] + valid_pairs[k][i][2]

  168.                 # if find no partA in the subset, create a new subset
  169.                 #如果partA不存在于任意列表，那么说明这一对属于一个还没建立列表的人体，于是需要新建一个新列表。
  170.                 elif not found and k < 17:
  171.                     row = -1 * np.ones(19)
  172.                     row[indexA] = partAs[i]
  173.                     row[indexB] = partBs[i]
  174.                     # add the keypoint_scores for the two keypoints and the paf_score
  175.                     row[-1] = sum(keypoints_list[valid_pairs[k][i,:2].astype(int), 2]) + valid_pairs[k][i][2]
  176.                     personwiseKeypoints = np.vstack([personwiseKeypoints, row])
  177.     return personwiseKeypoints


  180. inWidth = 368
  181. inHeight = 368

  183. rknn.load_rknn('./pose_deploy_linevec_pre_compile.rknn')
  184. ret = rknn.init_runtime()
  185. if ret != 0:
  186.     print('Init runtime environment failed')
  187.     exit(ret)
  188. print('done')

  190. cap = cv2.VideoCapture(0)

  192. hasFrame, frame = cap.read()

  194. while cv2.waitKey(1) < 0:
  195.     t = time.time()
  196.     hasFrame, frame = cap.read()

  198.     # resize输入图像为368x368
  199.     frame = cv2.resize(frame, (inWidth, inHeight), interpolation=cv2.INTER_CUBIC)
  200.     if not hasFrame:
  201.         cv2.waitKey()
  202.         break
  203.     frameWidth = frame.shape[1]
  204.     frameHeight = frame.shape[0]

  206.     # input mode转为’nchw’
  207.     frame_input = np.transpose(frame, [2, 0, 1])
  208.     t = time.time()
  209.     [output] = rknn.inference(inputs=[frame_input], data_format="nchw")
  210.     print("time:", time.time()-t)
  211.    
  212.     # rknn输出的数组转为1x57x46x46的矩阵
  213.     output = output.reshape(1, 57, 46, 46)
  214.    
  215.     detected_keypoints = []
  216.     keypoints_list = np.zeros((0,3))
  217.     keypoint_id = 0
  218.     threshold = 0.1

  220.     for part in range(nPoints):
  221.         probMap = output[0,part,:,:]
  222.         probMap = cv2.resize(probMap, (frame.shape[1], frame.shape[0]))
  223.         keypoints = getKeypoints(probMap, threshold)
  224.         keypoints_with_id = []
  225.         for i in range(len(keypoints)):
  226.             keypoints_with_id.append(keypoints[i] + (keypoint_id,))
  227.             keypoints_list = np.vstack([keypoints_list, keypoints[i]])
  228.             keypoint_id += 1

  230.         detected_keypoints.append(keypoints_with_id)


  233.     frameClone = frame.copy()
  234.    
  235.     #for i in range(nPoints):
  236.     #   for j in range(len(detected_keypoints[i])):
  237.     #        cv2.circle(frameClone, detected_keypoints[i][j][0:2], 5, colors[i], -1, cv2.LINE_AA)
  238.     #cv2.imshow("Keypoints",frameClone)
  239.    
  240.    
  241.     valid_pairs, invalid_pairs = getValidPairs(output)
  242.     personwiseKeypoints = getPersonwiseKeypoints(valid_pairs, invalid_pairs)
  243.     #连接各个人体关键点
  244.     for i in range(17):
  245.         for n in range(len(personwiseKeypoints)):
  246.             index = personwiseKeypoints[n][np.array(POSE_PAIRS[i])]
  247.             if -1 in index:
  248.                 continue
  249.             B = np.int32(keypoints_list[index.astype(int), 0])
  250.             A = np.int32(keypoints_list[index.astype(int), 1])
  251.             cv2.line(frameClone, (B[0], A[0]), (B[1], A[1]), colors[i], 3, cv2.LINE_AA)


  254.     cv2.imshow("Detected Pose" , frameClone)
  255.    
  256.     #cv2.waitKey(0)

  258. rknn.release()
复制代码



本帖子中包含更多资源

您需要 登录 才可以下载或查看，没有帐号？立即注册

x
回复

使用道具 举报

you_big_father

注册会员

积分
114
沙发
发表于 2019-6-5 13:36:55 | 只看该作者
您好，我转换模型的时候出现如下错误，请问如何解决
--> Building model
E generate vdata error, could not find vdata file, vdes file
E Catch exception when building RKNN model!
T Traceback (most recent call last):
T   File "rknn/api/rknn_base.py", line 476, in rknn.api.rknn_base.RKNNBase.build
T   File "rknn/api/rknn_base.py", line 405, in rknn.api.rknn_base.RKNNBase._build
T   File "rknn/base/ovxconfiggenerator.py", line 171, in rknn.base.ovxconfiggenerator.generate_vx_config_from_files
T   File "rknn/base/ovxconfiggenerator.py", line 91, in rknn.base.ovxconfiggenerator.generate_vdata
T   File "rknn/base/RKNNlib/app/code_generator/casegenerator.py", line 363, in rknn.base.RKNNlib.app.code_generator.casegenerator.CaseGenerator.generate
T   File "rknn/base/RKNNlib/app/code_generator/casegenerator.py", line 329, in rknn.base.RKNNlib.app.code_generator.casegenerator.CaseGenerator._gen_special_case
T   File "rknn/base/RKNNlib/app/code_generator/casegenerator.py", line 274, in rknn.base.RKNNlib.app.code_generator.casegenerator.CaseGenerator._gen_vdata_file
T   File "rknn/base/RKNNlib/RKNNlog.py", line 105, in rknn.base.RKNNlib.RKNNlog.RKNNLog.e
T ValueError: generate vdata error, could not find vdata file, vdes file
Build model failed!
回复

使用道具 举报

bill

新手上路

积分
35
板凳
发表于 2019-6-11 06:47:45 | 只看该作者
您好，我转换模型的时候出现如下错误，请问如何解决，docker 环境下执行的转换
root@89ee00158270:/home/OpenPose-Multi-Person# python3 rknn_transfer.py
--> config model
done
--> Loading model
E Deprecated caffe input usage, please change it to input layer.
E Catch exception when loading caffe model: ./pose/coco/pose_deploy_linevec.prototxt!
T Traceback (most recent call last):
T   File "rknn/api/rknn_base.py", line 281, in rknn.api.rknn_base.RKNNBase.load_caffe
T   File "rknn/base/RKNNlib/converter/caffeloader.py", line 977, in rknn.base.RKNNlib.converter.caffeloader.CaffeLoader.load
T   File "rknn/base/RKNNlib/converter/caffeloader.py", line 746, in rknn.base.RKNNlib.converter.caffeloader.CaffeLoader.parse_net_param
T   File "rknn/base/RKNNlib/RKNNlog.py", line 105, in rknn.base.RKNNlib.RKNNlog.RKNNLog.e
T ValueError: Deprecated caffe input usage, please change it to input layer.
Load model failed!


回复

使用道具 举报

bill

新手上路

积分
35
地板
发表于 2019-6-11 08:23:28 | 只看该作者
bill 发表于 2019-6-11 06:47
您好，我转换模型的时候出现如下错误，请问如何解决，docker 环境下执行的转换
root@89ee00158270:/home/Op ...

我的已解决了，pose_deploy_linevec.prototxt 模型文件版本低的问题
回复

使用道具 举报

bill

新手上路

积分
35
5#
发表于 2019-6-12 07:26:36 | 只看该作者
在docker 环境执行了这例子。但一个姿态都没有识别出来，output 打印基本全是【0，。。。。0】。
docker 环境为跑这个例子，源码主要改动点：
a.模型转换中将 pre_compile=False ，原来True 转换报错说，不支持pre_compile
b. 将从摄像图输入，改为输入图片或视屏
c. output = output.reshape(1, 57, 46, 46) 修改为 output = output.reshape(1, 57, 28, 28) 因为output size 是44688 不能reshape 为 (1, 57, 46, 46)
回复

使用道具 举报

bill

新手上路

积分
35
6#
发表于 2019-6-12 23:00:26 | 只看该作者
早上这个问题也解决了，是由于修改prototxt文件参数，dim 228 要修改368
回复

使用道具 举报

1074292224

注册会员

积分
75
7#
发表于 2019-6-28 10:44:50 | 只看该作者
请问有没有修改后的prototxt文件，我的build过程报错：，望大神帮助！
done
--> Building model
E Catch exception when building RKNN model!
T Traceback (most recent call last):
T   File "rknn/api/rknn_base.py", line 515, in rknn.api.rknn_base.RKNNBase.build
T   File "rknn/api/rknn_base.py", line 439, in rknn.api.rknn_base.RKNNBase._build
T   File "rknn/base/ovxconfiggenerator.py", line 197, in rknn.base.ovxconfiggenerator.generate_vx_config_from_files
T   File "rknn/base/RKNNlib/app/exporter/ovxlib_case/casegenerator.py", line 382, in rknn.base.RKNNlib.app.exporter.ovxlib_case.casegenerator.CaseGenerator.generate
T   File "rknn/base/RKNNlib/app/exporter/ovxlib_case/casegenerator.py", line 339, in rknn.base.RKNNlib.app.exporter.ovxlib_case.casegenerator.CaseGenerator._gen_unify_case
T   File "rknn/base/RKNNlib/app/exporter/ovxlib_case/casegenerator.py", line 234, in rknn.base.RKNNlib.app.exporter.ovxlib_case.casegenerator.CaseGenerator._generate_ovxlib_case
T   File "rknn/base/RKNNlib/app/exporter/ovxlib_case/vxnetgenerator.py", line 419, in rknn.base.RKNNlib.app.exporter.ovxlib_case.vxnetgenerator.VXNetGenerator.generate
T   File "rknn/base/RKNNlib/app/exporter/ovxlib_case/vxnetgenerator.py", line 652, in rknn.base.RKNNlib.app.exporter.ovxlib_case.vxnetgenerator.VXNetGenerator._generate_node_connections
T   File "rknn/base/RKNNlib/app/exporter/ovxlib_case/vxnetgenerator.py", line 474, in rknn.base.RKNNlib.app.exporter.ovxlib_case.vxnetgenerator.VXNetGenerator._gen_first
T KeyError: 'output_1'
Build model failed!
回复

使用道具 举报

1074292224

注册会员

积分
75
8#
发表于 2019-6-30 12:12:42 | 只看该作者
我在转换时遇到这个错误，是因为什么原因呢，希望大神可以指导！
--> config model
done
--> Loading model
E Catch exception when loading caffe model: ../pose/coco/pose_deploy_linevec.prototxt!
T Traceback (most recent call last):
T   File "rknn/api/rknn_base.py", line 288, in rknn.api.rknn_base.RKNNBase.load_caffe
T   File "rknn/base/RKNNlib/converter/caffeloader.py", line 993, in rknn.base.RKNNlib.converter.caffeloader.CaffeLoader.load_blobs
T   File "/usr/local/lib/python3.6/site-packages/google/protobuf/message.py", line 187, in ParseFromString
T     return self.MergeFromString(serialized)
T   File "/usr/local/lib/python3.6/site-packages/google/protobuf/internal/python_message.py", line 1124, in MergeFromString
T     if self._InternalParse(serialized, 0, length) != length:
T   File "/usr/local/lib/python3.6/site-packages/google/protobuf/internal/python_message.py", line 1189, in InternalParse
T     pos = field_decoder(buffer, new_pos, end, self, field_dict)
T   File "/usr/local/lib/python3.6/site-packages/google/protobuf/internal/decoder.py", line 700, in DecodeRepeatedField
T     raise _DecodeError('Truncated message.')
T google.protobuf.message.DecodeError: Truncated message.
Load model failed!

这是我的pose_deploy_linevec.prototxt文件内容：刚开始的那些需不需要保留？
layer {
  name: "image"
  type: "Input"
  top: "image"
  input_param{
    shape {
          dim: 1
          dim: 3
          dim: 368
          dim: 368
    }
  }
}
回复

使用道具 举报

Guanghai.Wan

注册会员

积分
66
9#
发表于 2019-7-25 18:36:38 | 只看该作者
有谁转换成功了的，还麻烦发一个转换好的模型文件给我了
回复

使用道具 举报

10#
 楼主| 发表于 2019-7-25 19:35:58 | 只看该作者
#input: "image"
#input_dim: 1
#input_dim: 3
#input_dim: 1 # This value will be defined at runtime
#input_dim: 1 # This value will be defined at runtime
layer {
  name: "image"
  type: "Input"
  top: "image"
  input_param {
    shape {
      dim: 1
      dim: 3
      dim: 368
      dim: 368
    }
  }
}

prototxt文件修改方式。


回复

使用道具 举报

1234下一页
返回列表
高级模式
B Color Image Link Quote Code Smilies
您需要登录后才可以回帖 登录 | 立即注册

本版积分规则

产品中心 购买渠道 开源社区 Wiki教程 资料下载 关于Toybrick

瑞芯微电子股份有限公司所有       闽ICP备19006074号-1      闽公网安备 35010202001061号

快速回复 返回顶部 返回列表