模型转换实战：PyTorch转TensorFlow及JS

前言

从前面的Tensorflow环境搭建到目标检测模型迁移学习，已经完成了一个简答的扑克牌检测器，不管是从图片还是视频都能从画面中识别出有扑克的目标，并标识出扑克点数。但是，我想在想让他放在浏览器上可能实际使用，那么要如何让Tensorflow模型转换成web格式的呢？接下来将从实践的角度详细介绍一下部署方法！

pytorch模型转tensorflow pytorch模型转js_javascript

环境

Windows10
Anaconda3
TensorFlow.js converter

converter介绍

converter全名是TensorFlow.js Converter，他可以将TensorFlow GraphDef模型(通过Python API创建的，可以先理解为Python模型) 转换成Tensorflow.js可读取的模型格式(json格式), 用于在浏览器上对指定数据进行推算。

pytorch模型转tensorflow pytorch模型转js_TensorflowJs_02

converter安装

为了不影响前面目标检测训练环境，这里我用conda创建了一个新的Python虚拟环境，Python版本3.6.8。在安装转换器的时候，如果当前环境没有Tensorflow，默认会安装与TF相关的依赖，只需要进入指定虚拟环境，输入以下命令。

登录后复制

pip install tensorflowjs

pytorch模型转tensorflow pytorch模型转js_javascript_03

converter用法

登录后复制

tensorflowjs_converter --input_format=tf_saved_model --output_format=tfjs_graph_model --signature_name=serving_default --saved_model_tags=serve ./saved_model ./web_model

1. 产生的文件(生成的web格式模型)

转换器命令执行后生产两种文件，分别是model.json （数据流图和权重清单）和group1-shard\*of\* （二进制权重文件）

2. 输入的必要条件(命令参数和选项[带--为选项])

converter转换指令后面主要携带四个参数，分别是输入模型的格式，输出模型的格式，输入模型的路径，输出模型的路径，更多帮助信息可以通过以下命令查看，另附命令分解图。

登录后复制

tensorflowjs_converter --help

2.1. --input_format

要转换的模型的格式,SavedModel 为 tf_saved_model, frozen model 为 tf_frozen_model, session bundle 为 tf_session_bundle, TensorFlow Hub module 为 tf_hub，Keras HDF5 为 keras。

2.2. --output_format

输出模型的格式, 分别有tfjs_graph_model (tensorflow.js图模型，保存后的web模型没有了再训练能力，适合SavedModel输入格式转换)，tfjs_layers_model(tensorflow.js层模型，具有有限的Keras功能，不适合TensorFlow SavedModels转换)。

2.3. input_path

saved model, session bundle 或 frozen model的完整的路径，或TensorFlow Hub模块的路径。

2.4. output_path

输出文件的保存路径。

2.5. --saved_model_tags

只对SavedModel转换用的选项：输入需要加载的MetaGraphDef相对应的tag，多个tag请用逗号分隔。默认为 serve。

2.6. --signature_name

对TensorFlow Hub module和SavedModel转换用的选项：对应要加载的签名，默认为default。

2.7. --output_node_names

输出节点的名字，每个名字用逗号分离。

3. 常用的两组命令行

登录后复制

1. covert from saved_model

tensorflowjs_converter --input_format=tf_saved_model --output_format=tfjs_graph_model --signature_name=serving_default --saved_model_tags=serve ./saved_model ./web_model

2. convert from frozen_model
tensorflowjs_converter --input_format=tf_frozen_model --output_node_names='num_detections,detection_boxes,detection_scores,detection_classes' ./frozen_inference_graph.pb  ./web_modelk

开始实践

1. 找到通过export_inference_graph.py导出的模型

导出的模型在项目的inference_graph文件夹(models\research\object_detection)里，frozen_inference_graph.pb是 tf_frozen_model输入格式需要的，而saved_model文件夹就是tf_saved_model格式。在当前目录下新建web_model目录，用于存储转换后的web格式的模型。

pytorch模型转tensorflow pytorch模型转js_javascript_05

2. 开始转换

在当前虚拟环境下，进入到inference_graph目录下，输入以下命令，之后就会在web_model生成一个json文件和多个权重文件。

登录后复制

tensorflowjs_converter --input_format=tf_saved_model --output_format=tfjs_graph_model --signature_name=serving_default --saved_model_tags=serve ./saved_model ./web_model

pytorch模型转tensorflow pytorch模型转js_TensorflowJs_06

3. 浏览器端部署

3.1. 创建一个前端项目，将web_model放入其中。

pytorch模型转tensorflow pytorch模型转js_TensorflowJs_07

3.2.编写代码

登录后复制

<!doctype html>
<head>
  <link rel="stylesheet" href="tfjs-examples.css" />
  <style>
  canvas {outline: orange 2px solid; margin: 10px 0;}
  </style>
</head>

<body>
  <div class="tfjs-example-container centered-container">
    <section class='title-area'>
      <h1>赌圣2023</h1>
    </section>
    <p class='section-head'>模型描述</p>
    <p>我看你怎么出老千!</p>
    <p class='section-head'>模型状态</p>
    <div id="status">加载模型中...</div>
    <div>
      <p class='section-head'>效果展示</p>
      <p></button><input type="file" accept="image/*" id="test"/></p>
      <canvas id="data-canvas" width="300" height="1100"></canvas>
    </div>
  </div>

</body>

<script src="https://cdn.jsdelivr.net/npm/@tensorflow/tfjs@2.0.0/dist/tf.min.js"></script>

<script>
  const canvas = document.getElementById('data-canvas');
  const status = document.getElementById('status');
  const testModel = document.getElementById('test');

  const BOUNDING_BOX_LINE_WIDTH = 3;
  const BOUNDING_BOX_STYLE1 = 'rgb(0,0,255)';
  const BOUNDING_BOX_STYLE2 = 'rgb(0,255,0)';

  async function init() {

    const LOCAL_MODEL_PATH = './web_model/model.json';

    // 将本地模型保存到浏览器
    // tf.sequential().save

    // 加载本地模型
    let model;
    try {
      model = await tf.loadGraphModel(LOCAL_MODEL_PATH);
      testModel.disabled = false;
      status.textContent = '成功加载本地模型！请亮出你的牌吧';
      
      // 默认扑克牌
      runAndVisualizeInference('./cam_image39.jpg', model)
      
    } catch (err) {
      console.log('加载本地模型错误：', err);
      status.textContent = '加载本地模型失败';
    }

    testModel.addEventListener('change', (e) => {
      runAndVisualizeInference(e, model)
    });
}

async function runAndVisualizeInference(e, model) {

  if (typeof e === 'string') {
    await new Promise((resolve, reject) => {
      // 图片显示在canvas中
      var img = new Image;
      img.src = e;
      img.onload = function () { // 必须onload之后再画
        let w = 500;
        let h = img.height/img.width*500;
        canvas.width = w;
        canvas.height = h;
        var ctx = canvas.getContext('2d');
        ctx.drawImage(img,0,0,w,h);
        resolve();
      }
    })
  } else {

    // 上传图片并显示在canvas中
    var file = e.target.files[0]; 
    if (!/image\/\w+/.test(file.type)) {
      alert("请确保文件为图像类型");
      return false;
    }
    var reader = new FileReader();
    reader.readAsDataURL(file); // 转化成base64数据类型
    await new Promise((resolve, reject) => {
      reader.onload = function (e) {
        // 图片显示在canvas中
        var img = new Image;
        img.src = this.result;
        img.onload = function () { // 必须onload之后再画
          let w = 500;
          let h = img.height/img.width*500;
          canvas.width = w;
          canvas.height = h;
          var ctx = canvas.getContext('2d');
          ctx.drawImage(img,0,0,w,h);
          resolve();
        }
      }
    })
  }

  // 模型输入处理
  let image = tf.browser.fromPixels(canvas);
  const t4d = image.expandDims(0);

  const outputDim = [
    'num_detections', 'detection_boxes', 'detection_scores',
    'detection_classes'
  ];
  
  const labelMap = {
    1: '九点',
    2: '十点',
    3: 'Jack',
    4: 'Queen',
    5: 'King',
    6: 'Ace'
  }
  
  let modelOut = {}, boxes = [], w = canvas.width, h = canvas.height;
  console.log(model)
  
  for (const dim of outputDim) {
    let tensor = await model.executeAsync({
      'image_tensor': t4d
    }, `${dim}:0`);
    modelOut[dim] = await tensor.data();
  }
  console.log(modelOut)
  
  for (let i=0; i<modelOut['detection_scores'].length; i++) {
    const score = modelOut['detection_scores'][i];
  
    if (score < 0.5) break; // 置信度过滤
  
    boxes.push({
      ymin: modelOut['detection_boxes'][i*4]*h,
      xmin: modelOut['detection_boxes'][i*4+1]*w,
      ymax: modelOut['detection_boxes'][i*4+2]*h,
      xmax: modelOut['detection_boxes'][i*4+3]*w,
      label: labelMap[modelOut['detection_classes'][i]],
    })
  }
  
  console.log(boxes)

  // 可视化检测框
  drawBoundingBoxes(canvas, boxes);

  // 张量运行内存清除
  tf.dispose([image, modelOut]);
}

function drawBoundingBoxes(canvas, predictBoundingBoxArr) {
  for (const box of predictBoundingBoxArr) {
    let left = box.xmin;
    let right = box.xmax;
    let top = box.ymin;
    let bottom = box.ymax;

    const ctx = canvas.getContext('2d');
    ctx.beginPath();
    ctx.strokeStyle = box.label==='ZERO_DEV'?BOUNDING_BOX_STYLE1:BOUNDING_BOX_STYLE2;
    ctx.lineWidth = BOUNDING_BOX_LINE_WIDTH;
    ctx.moveTo(left, top);
    ctx.lineTo(right, top);
    ctx.lineTo(right, bottom);
    ctx.lineTo(left, bottom);
    ctx.lineTo(left, top);
    ctx.stroke();

    ctx.font = '24px Arial bold';
    ctx.fillStyle = box.label==='zfc'?BOUNDING_BOX_STYLE2:BOUNDING_BOX_STYLE1;
    ctx.fillText(box.label, left+8, top+8);
  }
}

init();

</script>

3.3. 运行结果

pytorch模型转tensorflow pytorch模型转js_TensorflowJs_08

pytorch模型转tensorflow pytorch模型转js_javascript_09

免责声明：本文系网络转载或改编，未找到原创作者，版权归原作者所有。如涉及版权，请联系删

返回上级列表

请

联系我们

，获取更多内容

< 上一篇: TensorFlow模型揭秘：结构与Tensor查看

下一篇: TensorFlow 2.0内存优化：稀疏矩阵应用 >