Le pré-traitement, le post-traitement, etc. MobileNetV2-SSDLite sont en partie transformés en une bibliothèque partagée C ++ et appelés à partir de Python

1. Introduction Ceci est mon propre mémo de développement. Notez les résultats de l'apprentissage de l'appel d'une bibliothèque partagée C ++ à partir de Python pour accélérer partiellement le pré et le post-traitement de votre programme d'apprentissage en profondeur Raspberry Pi 4. Cette fois, nous utiliserons une bibliothèque appelée ** boost_python3 ** pour créer une bibliothèque partagée pour exécuter Python. Il m'a fallu du temps pour découvrir les dépendances entre le fichier d'en-tête include et la bibliothèque partagée, mais une fois que j'ai su ce que je faisais, c'était vraiment facile à faire.

2. Environment

• RaspberryPi4 Ubuntu 19.10 aarch64 (eoan)
• PC fonctionnant Ubuntu 18.04 x86_64 (bionique)
• OpenCV 4.2.0 (self-build)
• libboost-python-dev 1.67.0.2

3. Procedure 3-1. Tutorial implementation Préparer l'environnement

Install_boost-python

$ sudo apt-get update
$ sudo apt-get install libboost-all-dev python3-dev

Créer un programme de dégustation

python

$ nano CModule.cpp

CModule.cpp

#include <boost/python.hpp>

std::string hello() {
    return "hello world";
}

BOOST_PYTHON_MODULE(CModule) {
    using namespace boost::python;
    def("hello", &hello);
}

Compilation du programme de dégustation

compile

$ g++ -I/usr/include/aarch64-linux-gnu/python3.7m \
      -I/usr/include/python3.7m \
      -DPIC \
      -shared \
      -fPIC \
      -o CModule.so \
      CModule.cpp \
      -lboost_python3

Appel test de la bibliothèque partagée pour la dégustation (CModule.so) depuis Python

test

$ python3
>>> import CModule
>>> CModule.hello()
'hello world'

3-2. Pre-processing test implementation and operation verification Implémentation simple du programme de prétraitement en C ++

Edit

$ nano preprocessing.cpp

preprocessing.cpp

#include <string>
#include <stdio.h>
#include <boost/python.hpp>
#include <opencv2/opencv.hpp>

void resize_and_normalize(std::string image_file, int width, int height) {
    cv::Mat image = cv::imread(image_file, 1), prepimage;
    cv::resize(image, prepimage, cv::Size(width, height));
    cv::imshow("InputImage", prepimage);
    cv::waitKey(0);
}

BOOST_PYTHON_MODULE(preprocessing) {
    using namespace boost::python;
    def("resize_and_normalize", &resize_and_normalize);
}

Compilez le programme de prétraitement créé La bibliothèque partagée (.so) est générée

compile_ubuntu1910_aarch64

$ g++ -I/usr/include/aarch64-linux-gnu/python3.7m \
      -I/usr/include/python3.7m \
      -I/usr/local/include/opencv4 \
      -DPIC \
      -shared \
      -fPIC \
      -o preprocessing.so \
      preprocessing.cpp \
      -lboost_python3 \
      -L/usr/local/lib \
      -lopencv_core \
      -lopencv_imgcodecs \
      -lopencv_highgui

compile_ubuntu1804_x86_64

$ g++ -I/usr/include/x86_64-linux-gnu/python3.6m/ \
      -I/usr/include/python3.6m \
      -I/opt/intel/openvino_2019.3.376/opencv/include \
      -DPIC \
      -shared \
      -fPIC \
      -o preprocessing.so \
      preprocessing.cpp \
      -lboost_python3 \
      -L/opt/intel/openvino_2019.3.376/opencv/lib \
      -lopencv_core \
      -lopencv_imgcodecs \
      -lopencv_highgui

Créer un programme Python pour les tests

Edit

$ nano test.py

test.py

import preprocessing
preprocessing.resize_and_normalize("dog.jpg ", 300, 300)

Execution

$ python3 test.py

4. Reference articles

5. ** Publier C ++ sur python3 avec ubuntu --Qiita --mink0212 **

6. ** Créer une bibliothèque pour Python en C ++ **

7. ** Astuces Python: je souhaite connaître l'emplacement des modules de bibliothèque **

8. ** Un bref résumé des bibliothèques partagées Linux **

9. https://stackoverflow.com/questions/51308292/swig-linker-undefined-symbol-zn2cv8fastfreeepv-cvfastfreevoid

10. ** Traitement de base de cv :: Mat **

11. CV_Assert, CV_DbgAssert, CV_StaticAssert

12. ** N'écrivez pas autant que possible des doubles boucles dans le traitement d'image --Qiita --nonbiri15 **