计算机视觉 / 系统课时

加载深度学习模型

加载深度学习模型

加载模型的目标不只是让 readNet*() 不报错,而是确认文件存在、网络对象非空、层结构可读取,并明确后续推理使用的 backend 与 target。本课以单文件 ONNX 为主示例,同时给出 Caffe、Darknet、TensorFlow 等双文件格式的对应关系。

学习目标

  • 使用正确的 readNet*() API 读取模型结构与权重
  • 用 net.empty()、层数量和输出层名称检查初始化结果
  • 区分路径错误、格式不匹配、算子不支持和后端配置问题

先匹配模型文件与加载 API

ONNX 通常最省事,因为网络结构和权重都封装在一个 .onnx 文件里。Caffe 与 Darknet 则常把结构和权重分开;如果把参数顺序写反,或者只拿到其中一个文件,加载阶段就会失败。

模型 结构文件 权重文件 Python API
ONNX 包含在 .onnx 中 包含在 .onnx 中 cv2.dnn.readNetFromONNX()
Caffe .prototxt .caffemodel cv2.dnn.readNetFromCaffe()
Darknet .cfg .weights cv2.dnn.readNetFromDarknet()
TensorFlow 可选 .pbtxt .pb cv2.dnn.readNetFromTensorflow()
OpenVINO IR .xml .bin cv2.dnn.readNetFromModelOptimizer()

cv2.dnn.readNet() 也能根据扩展名自动识别多种格式,但教学和排错阶段更推荐使用格式明确的 readNetFrom...(),这样文件角色更清楚。以下内容以 OpenCV 4.x Python API 为准;不同小版本支持的算子集合仍可能变化。

用 ONNX 完成一次可检查的加载

把待测试模型放到脚本同目录并命名为 model.onnx。代码先检查文件是否存在,再创建 Net,最后读取层数量和未连接输出层名称;这些检查不要求准备输入图片,因此适合先把“文件和网络结构是否正常”单独验证。

python
from pathlib import Path
import cv2

model_path = Path("model.onnx")
if not model_path.is_file():
    raise FileNotFoundError(f"Model not found: {model_path}")

net = cv2.dnn.readNetFromONNX(str(model_path))
if net.empty():
    raise RuntimeError("Loaded DNN network is empty")

net.setPreferableBackend(cv2.dnn.DNN_BACKEND_OPENCV)
net.setPreferableTarget(cv2.dnn.DNN_TARGET_CPU)

layer_names = net.getLayerNames()
output_names = net.getUnconnectedOutLayersNames()

print("loaded:", model_path.name)
print("layers:", len(layer_names))
print("outputs:", list(output_names))

预期输出:

text
loaded: model.onnx
layers: <LAYER_COUNT>
outputs: <OUTPUT_LAYER_NAMES>

<LAYER_COUNT> 和 <OUTPUT_LAYER_NAMES> 由具体模型决定。只要文件能够解析、net.empty() 为假且层信息可读取,就说明初始化阶段已经通过;真正能否完成推理,还要在准备正确输入后再执行一次 forward()。

双文件格式要把结构和权重配成一套

Caffe 的常见写法是 cv2.dnn.readNetFromCaffe("deploy.prototxt", "weights.caffemodel"),Darknet 则是 cv2.dnn.readNetFromDarknet("model.cfg", "model.weights")。这两个参数不是两个任选的模型文件,而是同一网络的结构定义与训练权重。

如果结构文件来自版本 A、权重却来自版本 B,即使文件名相似,也可能在层尺寸或权重读取阶段报错。实际项目应把模型文件作为同一版本资产一起发布,并记录文件哈希或版本号,避免部署机器拿到混合版本。

加载失败按错误出现的位置排查

第一步看路径:FileNotFoundError 说明脚本自己的文件检查就没通过,先修路径。第二步看 cv2.error:若出现在 readNetFromONNX(),通常要检查文件是否损坏、扩展名与真实格式是否一致,以及模型是否包含当前 OpenCV 无法解析的算子或属性。

若模型能加载但 forward() 才失败,优先检查输入 shape、输入名、动态维度和具体算子支持;若切换到 CUDA 或 OpenVINO backend 后才失败,则把 backend/target 改回 DNN_BACKEND_OPENCV + DNN_TARGET_CPU 做基线。CPU 基线能跑而加速后端失败,问题通常在构建能力或后端支持范围,不应先修改模型前处理。

把加载检查固定成部署门槛

上线前至少做三项检查:模型文件存在且版本正确;Net 非空并能读取输出层;使用一张固定测试图片完成 setInput() 与 forward(),并把输出 shape 记录为验收基线。这样模型文件损坏、部署漏文件和 API 兼容问题能在启动或发布阶段暴露,而不是等到摄像头业务运行后才发现。

按自己的节奏,确认真正理解。

目录与阅读设置

阅读设置

17

记录一个想法

加载深度学习模型

0 / 10000 · 笔记保存到账号。未提交的修改会在关闭、离开或刷新后丢失。

登录哪都通