paddle加载模型后使用模型报错

　　　　　　　　深度学习paddle加载模型之后使用模型报错

　　在使用paddle加载模型成功之后，只要运行到使用模型的语句就会报错。最开始我一直以为是这个语句本身的问题或是模型的问题，

　　爆出问题是             无法读取某些图片 can not read the image file ： D:Walker estv01zhenframe2.jpg

　　但是我在百度之后很多的答案并不是我想的问题，大部分都在说是加载图片的问题，可能是虽然图片的格式看着是jpg或是其他，但是只是将图片的后缀修改jpg，没有转码，我尝试转码后并没有用。后来我通过来百度飞桨的群里询问，得到可能是路径不是存在中文的原因，上面我给出路径是已经修改成中文的，所以没有问题。windows中路径问题有很多，所以我们尽量进行英文命名，不用中文命名，有的  /   和  并存在一个路径上也可能会有问题，比如   D:Walker estv01zhen/frame2.jpg,尽量保持统一。

　　可以读取图片之后我以为问题解决了，但是又出现了其他的问题，

　　

　　运行到使用模型的语句就是报出如下错误：

　　Error #15: Initializing libiomp5md.dll, but found libiomp5md.dll already initialized. OMP: Hi

 

　　这是在pycharm中运行的报出错误，如果使用jupyter notebook 甚至会直接运行到这句的时候，瞬间内核崩溃，但是这个问题简单，只需要添加两行代码：

　　

　　import os
　　os.environ['KMP_DUPLICATE_LIB_OK'] = 'TRUE'

　　问题就解决了

 

所有的代码：

import matplotlib
import os
os.environ['CUDA_VISIBLE_DEVICES'] = '0'
import paddlex as pdx
import cv2
from random import shuffle, seed

base = 'D:Filepascalvoc/VOCdevkit/VOC2012/'



from paddlex.det import transforms
train_transforms = transforms.Compose([
    transforms.MixupImage(mixup_epoch=250),
    transforms.RandomDistort(),
    transforms.RandomExpand(),
    transforms.RandomCrop(),
    transforms.Resize(target_size=512, interp='RANDOM'),
    transforms.RandomHorizontalFlip(),
    transforms.Normalize(),
])

eval_transforms = transforms.Compose([
    transforms.Resize(target_size=512, interp='CUBIC'),
    transforms.Normalize(),
])

#base = 'D:软件谷歌浏览器下载/pascalvoc/VOCdevkit/VOC2012/'

train_dataset = pdx.datasets.VOCDetection(
    data_dir=base,
    file_list=os.path.join(base, 'train_list.txt'),
    label_list='labels.txt',
    transforms=train_transforms,
    shuffle=True)
eval_dataset = pdx.datasets.VOCDetection(
    data_dir=base,
    file_list=os.path.join(base, 'val_list.txt'),
    label_list='labels.txt',
    transforms=eval_transforms)


print("开始加载模型")
model = pdx.load_model('YOLOv3/best_model')
model.evaluate(eval_dataset, batch_size=1, epoch_id=None, metric=None, return_details=False)




import cv2
import time
import numpy as np
import matplotlib.pyplot as plt
import paddlex as pdx
import cv2



def video2frame(videos_path, frames_save_path, time_interval):
    '''
    :param videos_path: 视频的存放路径
    :param frames_save_path: 视频切分成帧之后图片的保存路径
    :param time_interval: 保存间隔
    :return:
    '''
    vidcap = cv2.VideoCapture(videos_path)
    success, image = vidcap.read()
    count = 0
    a = 2
    while success:
        success, image = vidcap.read()
        count += 1
        if count % time_interval == 0:
            cv2.imencode('.jpg', image)[1].tofile(frames_save_path + "/frame%d.jpg" % count)

            image_name = 'D:/Walker/testv01/zhen/frame'+ str(a)+'.jpg'
            start = time.time()
            result = model.predict(image_name, eval_transforms)
            print('infer time:{:.6f}s'.format(time.time()-start))
            print('detected num:', len(result))

            im = cv2.imread(image_name)
            font = cv2.FONT_HERSHEY_SIMPLEX
            threshold = 0.01

            for value in result:
                xmin, ymin, w, h = np.array(value['bbox']).astype(np.int)
                cls = value['category']
                score = value['score']
                if score < threshold:
                        continue
                cv2.rectangle(im, (xmin, ymin), (xmin+w, ymin+h), (0, 255, 0), 4)
                cv2.putText(im, '{:s} {:.3f}'.format(cls, score),
                                (xmin, ymin), font, 0.5, (255, 0, 0), thickness=2)

                cv2.imwrite(image_name, im)
                plt.figure(figsize=(15,12))
                plt.imshow(im[:, :, [2,1,0]])
            a = a + 2



        # if count == 20:
        #   break
    print(count)


if __name__ == '__main__':
    videos_path = 'qq01.mp4'
    frames_save_path = 'D:/Walker/testv01/zhen/'
    time_interval = 2  # 隔一帧保存一次
    video2frame(videos_path, frames_save_path, time_interval)

import cv2
import os
import numpy as np
from PIL import Image


def frame2video(im_dir, video_dir, fps):
    im_list = os.listdir(im_dir)
    im_list.sort(key=lambda x: int(x.replace("frame", "").split('.')[0]))  # 最好再看看图片顺序对不
    img = Image.open(os.path.join(im_dir, im_list[0]))
    img_size = img.size  # 获得图片分辨率，im_dir文件夹下的图片分辨率需要一致

    # fourcc = cv2.cv.CV_FOURCC('M','J','P','G') #opencv版本是2
    fourcc = cv2.VideoWriter_fourcc(*'XVID')  # opencv版本是3
    videoWriter = cv2.VideoWriter(video_dir, fourcc, fps, img_size)
    # count = 1
    for i in im_list:
        im_name = os.path.join(im_dir + i)
        frame = cv2.imdecode(np.fromfile(im_name, dtype=np.uint8), -1)
        videoWriter.write(frame)
        # count+=1
        # if (count == 200):
        #     print(im_name)
        #     break
    videoWriter.release()
    print('finish')


if __name__ == '__main__':
    im_dir = 'D:/Walker/testv01/zhen/'  # 帧存放路径
    video_dir = 'D:/Walker/testv01/video/suc.avi'  # 合成视频存放的路径
    fps = 20  # 帧率，每秒钟帧数越多，所显示的动作就会越流畅
    frame2video(im_dir, video_dir, fps)

这样就能分割视频成指定的帧，然后进行每个帧中的行人以及其他物品的识别了。

 最后再将每一帧的图片进行组合就成为视频了。