cv::dnn::Model 類參考

此類為神經網路提供高階API。更多...

#include <opencv2/dnn/dnn.hpp>

cv::dnn::Model 的協作圖

公共成員函式
	Model (模型) ()
	Model (const Model &)=預設
	Model (const Net &網路)
	從深度學習網路建立模型。
	Model (CV_WRAP_FILE_PATH const String &模型, CV_WRAP_FILE_PATH const String &配置="")
	從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 &&)=預設
Model &	enableWinograd (bool 使用Winograd)
Impl *	getImpl () const
Impl &	getImplRef () const
Net &	getNetwork_ ()
Net &	getNetwork_ () const
	operator Net & () const
Model &	operator= (const Model &)=預設
Model &	operator= (Model &&)=預設
void	predict (InputArray 幀, OutputArrayOfArrays 輸出) const
	給定輸入幀，建立輸入blob，執行網路並返回輸出blobs。
Model &	setInputCrop (bool 裁剪)
	設定幀的 crop 標誌。
Model &	setInputMean (const Scalar &均值)
	設定幀的均值。
void	setInputParams (double 縮放=1.0, const Size &尺寸=Size(), const Scalar &均值=Scalar(), bool 交換RB=false, bool 裁剪=false)
	設定幀的預處理引數。
Model &	setInputScale (const Scalar &縮放)
	設定幀的 scalefactor 值。
Model &	setInputSize (const Size &尺寸)
	設定幀的輸入大小。
Model &	setInputSize (int 寬度, int 高度)
Model &	setInputSwapRB (bool 交換RB)
	設定幀的 swapRB 標誌。
Model &	setOutputNames (const std::vector< String > &輸出名稱)
	設定幀的輸出名稱。
Model &	setPreferableBackend (dnn::Backend 後端ID)
Model &	setPreferableTarget (dnn::Target 目標ID)

保護屬性
Ptr< Impl >	impl

詳細描述

此類是神經網路的高階 API。

Model 允許設定預處理輸入影像的引數。Model 從包含訓練權重和配置的檔案建立網路，設定預處理輸入並執行前向傳播。

建構函式 & 解構函式文件

Model() [1/5]

cv::dnn::Model::Model

(

)

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

Model() [2/5]

cv::dnn::Model::Model ( const Model & )

default

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

Model() [3/5]

cv::dnn::Model::Model ( Model (模型) && )

default

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

Model() [4/5]

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

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

從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。

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。

Model() [5/5]

cv::dnn::Model::Model

(

const Net &

網路

)

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

enableWinograd()

Model & cv::dnn::Model::enableWinograd

(

bool

useWinograd（使用Winograd演算法）

)

Python
	cv.dnn.Model.enableWinograd(	useWinograd（使用Winograd演算法）	) ->	retval

另請參見

Net::enableWinograd

getImpl()

Impl * cv::dnn::Model::getImpl ( ) const

inline

getImplRef()

Impl & cv::dnn::Model::getImplRef ( ) const

inline

getNetwork_() [1/2]

Net & cv::dnn::Model::getNetwork_ ( )

inline

此函式的呼叫圖如下

getNetwork_() [2/2]

Net & cv::dnn::Model::getNetwork_

(

)

const

operator Net &()

cv::dnn::Model::operator Net & ( ) const

inline

operator=() [1/2]

Model & cv::dnn::Model::operator= ( const Model & )

default

operator=() [2/2]

Model & cv::dnn::Model::operator= ( Model (模型) && )

default

predict()

void cv::dnn::Model::predict	(	InputArray	frame,
		OutputArrayOfArrays	outs ) const

Python
	cv.dnn.Model.predict(	幀[, 輸出]	) ->	outs

給定輸入幀，建立輸入blob，執行網路並返回輸出blobs。

引數

[輸入]	frame	輸入影像。
[輸出]	outs	已分配的輸出blob，將儲存計算結果。

setInputCrop()

Model & cv::dnn::Model::setInputCrop

(

bool

crop

)

Python
	cv.dnn.Model.setInputCrop(	crop	) ->	retval

設定幀的 crop 標誌。

引數

[輸入]

crop

指示影像在調整大小後是否裁剪的標誌。

setInputMean()

Model & cv::dnn::Model::setInputMean

(

const Scalar &

mean

)

Python
	cv.dnn.Model.setInputMean(	mean	) ->	retval

設定幀的均值。

引數

[輸入]

mean

從通道中減去的均值標量值。

setInputParams()

void cv::dnn::Model::setInputParams	(	double	scale = 1.0,
		const Size &	size = Size(),
		const Scalar &	mean = Scalar(),
		bool	swapRB = false,
		bool	crop = false )

Python
	cv.dnn.Model.setInputParams(	[, 縮放[, 尺寸[, 均值[, 交換RB[, 裁剪]]]]]	) ->	無

設定幀的預處理引數。

引數

[輸入]	size	新的輸入尺寸。
[輸入]	mean	從通道中減去的均值標量值。
[輸入]	scale	幀值的乘數。
[輸入]	swapRB	指示交換第一個和最後一個通道的標誌。
[輸入]	crop	指示影像在調整大小後是否裁剪的標誌。blob(n, c, y, x) = 縮放 * resize( 幀(y, x, c) ) - 均值(c) )

setInputScale()

Model & cv::dnn::Model::setInputScale

(

const Scalar &

scale

)

Python
	cv.dnn.Model.setInputScale(	scale	) ->	retval

設定幀的 scalefactor 值。

引數

[輸入]

scale

幀值的乘數。

setInputSize() [1/2]

Model & cv::dnn::Model::setInputSize

(

const Size &

size

)

Python
	cv.dnn.Model.setInputSize(	size	) ->	retval
	cv.dnn.Model.setInputSize(	width, height	) ->	retval

設定幀的輸入大小。

引數

[輸入]

size

新的輸入尺寸。

注意

如果新blob的形狀小於0，則幀尺寸不變。

setInputSize() [2/2]

Model & cv::dnn::Model::setInputSize ( int width, int height )

inline

Python
	cv.dnn.Model.setInputSize(	size	) ->	retval
	cv.dnn.Model.setInputSize(	width, height	) ->	retval

這是一個過載成員函式，為方便起見而提供。它與上述函式的區別僅在於接受的引數。

引數

[輸入]	width	新的輸入寬度。
[輸入]	height	新的輸入高度。

此函式的呼叫圖如下

setInputSwapRB()

Model & cv::dnn::Model::setInputSwapRB

(

bool

swapRB

)

Python
	cv.dnn.Model.setInputSwapRB(	swapRB	) ->	retval

設定幀的 swapRB 標誌。

引數

[輸入]

swapRB

指示交換第一個和最後一個通道的標誌。

setOutputNames()

Model & cv::dnn::Model::setOutputNames

(

const std::vector< String > &

outNames

)

Python
	cv.dnn.Model.setOutputNames(	outNames	) ->	retval

設定幀的輸出名稱。

引數

[輸入]

outNames

輸出層的名稱。

setPreferableBackend()

Model & cv::dnn::Model::setPreferableBackend

(

dnn::Backend

backendId

)

Python
	cv.dnn.Model.setPreferableBackend(	backendId	) ->	retval

另請參見

Net::setPreferableBackend

setPreferableTarget()

Model & cv::dnn::Model::setPreferableTarget

(

dnn::Target

targetId

)

Python
	cv.dnn.Model.setPreferableTarget(	targetId	) ->	retval

另請參見

Net::setPreferableTarget

成員資料文件

impl

Ptr<Impl> cv::dnn::Model::impl

保護

---

此類的文件生成自以下檔案

• opencv2/dnn/dnn.hpp