如何将cv::Mat转换为torch::Tensor并输入至LibTorch模型？

Torch C++ API里没有和Python中torch.Tensor()完全一致的直接构造函数，但可以通过torch::from_blob()高效完成cv::Mat到Tensor的转换，同时处理好模型要求的维度、通道顺序和数据格式，具体步骤如下：

核心转换流程 #

1. 预处理图像：调整OpenCV图像的通道顺序（BGR转RGB）、数据类型（通常转为float32）并归一化
2. 从内存创建Tensor：利用torch::from_blob()直接复用cv::Mat的内存，避免冗余拷贝
3. 调整维度适配模型：将OpenCV的HWC（高度、宽度、通道）格式转为PyTorch常用的CHW（通道、高度、宽度）格式，再添加batch维度

完整代码示例 #

#include <opencv2/opencv.hpp>
#include <torch/torch.h>
#include <torch/jit.h>

int main() {
    // 读取图像
    cv::Mat img = cv::imread("test_image.jpg");
    if (img.empty()) {
        std::cerr << "Failed to read image" << std::endl;
        return -1;
    }

    // 1. 图像预处理：BGR转RGB + 转为float32 + 归一化到[0,1]
    cv::cvtColor(img, img, cv::COLOR_BGR2RGB);
    img.convertTo(img, CV_32F, 1.0 / 255.0);

    // 2. 从cv::Mat内存创建Tensor，此时维度为(H, W, C)
    torch::Tensor input_tensor = torch::from_blob(
        img.data,
        {img.rows, img.cols, img.channels()},
        torch::kFloat32
    );

    // 3. 调整维度：HWC -> CHW，再添加batch维度变为(B, C, H, W)
    input_tensor = input_tensor.permute({2, 0, 1}).unsqueeze(0);

    // 加载预训练模型（示例为TorchScript模型）
    torch::jit::script::Module model;
    try {
        model = torch::jit::load("model.pt");
    } catch (const c10::Error& e) {
        std::cerr << "Failed to load model" << std::endl;
        return -1;
    }

    // 设置模型为评估模式
    model.eval();

    // 4. 前向传播
    torch::NoGradGuard no_grad; // 推理时禁用梯度计算
    torch::Tensor output = model.forward({input_tensor}).toTensor();

    // 后续处理输出...
    return 0;
}

关键注意事项 #

• 内存管理：torch::from_blob()是浅拷贝，必须保证cv::Mat对象在Tensor的生命周期内不被销毁。如果需要独立的Tensor，可在创建后调用input_tensor.clone()完成深拷贝。
• 数据类型匹配：模型通常接受float32类型输入，因此需要将OpenCV默认的CV_8U（8位无符号整数）通过convertTo()转为CV_32F。
• 通道顺序：OpenCV读取的图像默认是BGR通道顺序，而大多数PyTorch模型是基于RGB训练的，必须用cv::cvtColor()转换通道。
• 维度要求：PyTorch模型的输入一般是批量格式[B, C, H, W]，因此需要用permute()调整维度顺序，再用unsqueeze(0)添加batch维度（单张图像时batch size为1）。

内容的提问来源于stack exchange，提问作者Twain