cv::dnn::ClassificationModel 類參考

此類表示分類模型的高階 API。 更多...

#include <opencv2/dnn/dnn.hpp>

cv::dnn::ClassificationModel 的協作圖

公共成員函式
	ClassificationModel (分類模型) ()
	ClassificationModel (const Net &network)
	從深度學習網路建立模型。
	ClassificationModel (CV_WRAP_FILE_PATH const String &model, CV_WRAP_FILE_PATH const String &config="")
	從以支援的格式之一表示的網路建立分類模型。 model 和 config 引數的順序無關緊要。
std::pair< int, float >	classify (InputArray frame)
	給定 input 幀，建立輸入 blob，執行網路並返回 top-1 預測。
void	classify (InputArray frame, int &classId, float &conf)
bool	getEnableSoftmaxPostProcessing () const
	獲取啟用/停用 softmax 後處理選項。
ClassificationModel &	setEnableSoftmaxPostProcessing (bool enable)
	設定啟用/停用 softmax 後處理選項。
從 cv::dnn::Model 繼承的公共成員函式
	Model (模型) ()
	Model (const Model &)=default
	Model (const Net &network)
	從深度學習網路建立模型。
	Model (CV_WRAP_FILE_PATH const String &model, CV_WRAP_FILE_PATH const String &config="")
	從以支援的格式之一表示的深度學習網路建立模型。 model 和 config 引數的順序無關緊要。
	Model (Model &&)=default
Model &	enableWinograd (bool useWinograd)
Impl *	getImpl () const
Impl &	getImplRef () const
Net &	getNetwork_ ()
Net &	getNetwork_ () const
	operator Net & () const
Model &	operator= (const Model &)=default
Model &	operator= (Model &&)=default
void	predict (InputArray frame, OutputArrayOfArrays outs) const
	給定 input 幀，建立輸入 blob，執行網路並返回輸出 blobs。
Model &	setInputCrop (bool crop)
	設定幀的 crop 標誌。
Model &	setInputMean (const Scalar &mean)
	設定幀的均值。
void	setInputParams (double scale=1.0, const Size &size=Size(), const Scalar &mean=Scalar(), bool swapRB=false, bool crop=false)
	設定幀的預處理引數。
Model &	setInputScale (const Scalar &scale)
	設定幀的 scalefactor 值。
Model &	setInputSize (const Size &size)
	設定幀的輸入大小。
Model &	setInputSize (int width, int height)
Model &	setInputSwapRB (bool swapRB)
	設定幀的 swapRB 標誌。
Model &	setOutputNames (const std::vector< String > &outNames)
	設定幀的輸出名稱。
Model &	setPreferableBackend (dnn::Backend backendId)
Model &	setPreferableTarget (dnn::Target targetId)

額外繼承的成員
從 cv::dnn::Model 繼承的保護屬性
Ptr< Impl >	impl

詳細描述

此類表示分類模型的高階 API。

ClassificationModel 允許為預處理輸入影像設定引數。 ClassificationModel 從包含訓練權重和配置的檔案建立網路，設定預處理輸入，執行前向傳遞並返回 top-1 預測。

建構函式 & 解構函式文件

ClassificationModel() [1/3]

cv::dnn::ClassificationModel::ClassificationModel

(

)

Python
	cv.dnn.ClassificationModel(	model[, config]	) ->	<dnn_ClassificationModel 物件>
	cv.dnn.ClassificationModel(	網路	) ->	<dnn_ClassificationModel 物件>

ClassificationModel() [2/3]

cv::dnn::ClassificationModel::ClassificationModel	(	CV_WRAP_FILE_PATH const String &	model,
		CV_WRAP_FILE_PATH const String &	config = "" )

Python
	cv.dnn.ClassificationModel(	model[, config]	) ->	<dnn_ClassificationModel 物件>
	cv.dnn.ClassificationModel(	網路	) ->	<dnn_ClassificationModel 物件>

從以支援的格式之一表示的網路建立分類模型。 model 和 config 引數的順序無關緊要。

引數

[輸入]	model	二進位制檔案包含訓練權重。
[輸入]	config	文字檔案包含網路配置。

ClassificationModel() [3/3]

cv::dnn::ClassificationModel::ClassificationModel

(

const Net &

網路

)

Python
	cv.dnn.ClassificationModel(	model[, config]	) ->	<dnn_ClassificationModel 物件>
	cv.dnn.ClassificationModel(	網路	) ->	<dnn_ClassificationModel 物件>

從深度學習網路建立模型。

引數

[輸入]

網路

Net 物件。

成員函式文件

classify() [1/2]

std::pair< int, float > cv::dnn::ClassificationModel::classify

(

InputArray

frame

)

Python
	cv.dnn.ClassificationModel.classify(	frame	) ->	classId, conf

給定 input 幀，建立輸入 blob，執行網路並返回 top-1 預測。

引數

[輸入]

frame

輸入影像。

classify() [2/2]

void cv::dnn::ClassificationModel::classify	(	InputArray	frame,
		int &	classId,
		float &	conf )

Python
	cv.dnn.ClassificationModel.classify(	frame	) ->	classId, conf

這是一個過載的成員函式，為了方便而提供。 它與上面的函式僅在於它接受的引數。

getEnableSoftmaxPostProcessing()

bool cv::dnn::ClassificationModel::getEnableSoftmaxPostProcessing

(

)

const

Python
	cv.dnn.ClassificationModel.getEnableSoftmaxPostProcessing(		) ->	retval

獲取啟用/停用 softmax 後處理選項。

此選項預設為 false，softmax 後處理未在 classify() 函式中應用。

setEnableSoftmaxPostProcessing()

ClassificationModel & cv::dnn::ClassificationModel::setEnableSoftmaxPostProcessing

(

bool

啟用

)

Python
	cv.dnn.ClassificationModel.setEnableSoftmaxPostProcessing(	啟用	) ->	retval

設定啟用/停用 softmax 後處理選項。

如果此選項為 true，則在 classify() 函式中的前向推理之後應用 softmax，以將置信度範圍轉換為 [0.0-1.0]。 此函式允許您切換此行為。 如果模型中不包含 softmax 層，請設定為 true。

引數

[輸入]

啟用

在 classify() 函式中設定啟用 softmax 後處理。

---

此類文件由以下檔案生成

• opencv2/dnn/dnn.hpp