此類允許建立和操作綜合人工神經網路。更多...

#include <opencv2/dnn/dnn.hpp>

cv::dnn::Net 的協作圖

公共型別
typedef DictValue	LayerId
	字串和整數的容器。

公共成員函式
	Net ()
	預設建構函式。

	~Net ()
	解構函式僅在網路不再有引用時才釋放網路。

int	addLayer (const String &name, const String &type, const int &dtype, LayerParams &params)
	向網路新增新層。

int	addLayer (const String &name, const String &type, LayerParams &params)

int	addLayerToPrev (const String &name, const String &type, const int &dtype, LayerParams &params)
	新增新層，並將其第一個輸入連線到先前新增的層的第一個輸出。

int	addLayerToPrev (const String &name, const String &type, LayerParams &params)

void	connect (int outLayerId, int outNum, int inpLayerId, int inpNum)
	將第一個層的 #`outNum` 輸出連線到第二個層的 #`inNum` 輸入。

void	connect (String outPin, String inpPin)
	將第一個層的輸出連線到第二個層的輸入。

String	dump ()
	將網路轉儲為字串。

void	dumpToFile (CV_WRAP_FILE_PATH const String &path)
	將網路結構、超引數、後端、目標和融合轉儲到 dot 檔案。

void	dumpToPbtxt (CV_WRAP_FILE_PATH const String &path)
	將網路結構、超引數、後端、目標和融合轉儲到 pbtxt 檔案。

bool	empty () const

void	enableFusion (bool fusion)
	啟用或停用網路中的層融合。

void	enableWinograd (bool useWinograd)
	啟用或停用 Winograd 計算分支。Winograd 計算分支可以在損失少量精度的情況下，將 3x3 卷積的速度提高 3 倍。

Mat	forward (const String &outputName=String())
	執行前向傳播以計算名為 `outputName` 的層的輸出。

void	forward (CV_ND OutputArrayOfArrays outputBlobs, const std::vector< String > &outBlobNames)
	執行前向傳播以計算 `outBlobNames` 中列出的層的輸出。

void	forward (CV_ND OutputArrayOfArrays outputBlobs, const String &outputName=String())
	執行前向傳播以計算名為 `outputName` 的層的輸出。

void	forward (std::vector< std::vector< Mat > > &outputBlobs, const std::vector< String > &outBlobNames)
	執行前向傳播以計算 `outBlobNames` 中列出的層的輸出。

AsyncArray	forwardAsync (const String &outputName=String())
	執行前向傳播以計算名為 `outputName` 的層的輸出。

int64	getFLOPS (const int layerId, const MatShape &netInputShape) const

int64	getFLOPS (const int layerId, const std::vector< MatShape > &netInputShapes) const

int64	getFLOPS (const MatShape &netInputShape) const

int64	getFLOPS (const std::vector< MatShape > &netInputShapes) const
	計算載入模型的總 FLOPs，給定指定的輸入形狀。

Impl *	getImpl () const

Impl &	getImplRef () const

void	getInputDetails (std::vector< float > &scales, std::vector< int > &zeropoints) const
	返回量化 Net 的輸入比例和零點。

Ptr< Layer >	getLayer (const LayerId &layerId) const

Ptr< Layer >	getLayer (const String &layerName) const

Ptr< Layer >	getLayer (int layerId) const
	返回網路使用的具有指定 ID 或名稱的層的指標。

int	getLayerId (const String &layer) const
	將層的字串名稱轉換為整數識別符號。

std::vector< Ptr< Layer > >	getLayerInputs (int layerId) const
	返回特定層的輸入層的指標。

std::vector< String >	getLayerNames () const

int	getLayersCount (const String &layerType) const
	返回指定型別的層數。

void	getLayerShapes (const MatShape &netInputShape, const int layerId, std::vector< MatShape > &inLayerShapes, std::vector< MatShape > &outLayerShapes) const
	返回載入模型中指定 ID 層的輸入和輸出形狀；無需預先推斷。

void	getLayerShapes (const std::vector< MatShape > &netInputShapes, const int layerId, std::vector< MatShape > &inLayerShapes, std::vector< MatShape > &outLayerShapes) const

void	getLayersShapes (const MatShape &netInputShape, std::vector< int > &layersIds, std::vector< std::vector< MatShape > > &inLayersShapes, std::vector< std::vector< MatShape > > &outLayersShapes) const

void	getLayersShapes (const std::vector< MatShape > &netInputShapes, std::vector< int > &layersIds, std::vector< std::vector< MatShape > > &inLayersShapes, std::vector< std::vector< MatShape > > &outLayersShapes) const
	返回載入模型中所有層的輸入和輸出形狀；無需預先推斷。

void	getLayerTypes (std::vector< String > &layersTypes) const
	返回模型中使用的層的型別列表。

void	getMemoryConsumption (const int layerId, const MatShape &netInputShape, size_t &weights, size_t &blobs) const

void	getMemoryConsumption (const int layerId, const std::vector< MatShape > &netInputShapes, size_t &weights, size_t &blobs) const

void	getMemoryConsumption (const MatShape &netInputShape, size_t &weights, size_t &blobs) const

void	getMemoryConsumption (const MatShape &netInputShape, std::vector< int > &layerIds, std::vector< size_t > &weights, std::vector< size_t > &blobs) const

void	getMemoryConsumption (const std::vector< MatShape > &netInputShapes, size_t &weights, size_t &blobs) const
	計算儲存模型所有權重和中間 blob 所需的位元組數。

void	getMemoryConsumption (const std::vector< MatShape > &netInputShapes, std::vector< int > &layerIds, std::vector< size_t > &weights, std::vector< size_t > &blobs) const
	計算儲存每個層的所有權重和中間 blob 所需的位元組數。

void	getOutputDetails (std::vector< float > &scales, std::vector< int > &zeropoints) const
	返回量化 Net 的輸出比例和零點。

Mat	getParam (const String &layerName, int numParam=0) const

Mat	getParam (int layer, int numParam=0) const
	返回層的引數 blob。

int64	getPerfProfile (std::vector< double > &timings)
	返回推理的總時間和層的計時（以時鐘週期計）。

std::vector< int >	getUnconnectedOutLayers () const
	返回具有未連線輸出的層的索引。

std::vector< String >	getUnconnectedOutLayersNames () const
	返回具有未連線輸出的層的名稱。

Net	quantize (InputArrayOfArrays calibData, int inputsDtype, int outputsDtype, bool perChannel=true)
	從浮點 Net 返回量化 Net。

int	registerOutput (const std::string &outputName, int layerId, int outputPort)
	註冊帶有名稱的網路輸出。

void	setHalideScheduler (const String &scheduler)
	編譯 Halide 層。

void	setInput (CV_ND InputArray blob, const String &name="", double scalefactor=1.0, const Scalar &mean=Scalar())
	設定網路的新輸入值。

void	setInputShape (const String &inputName, const MatShape &shape)
	指定網路輸入的形狀。

void	setInputsNames (const std::vector< String > &inputBlobNames)
	設定網路輸入偽層的輸出名稱。

void	setParam (const String &layerName, int numParam, CV_ND const Mat &blob)

void	setParam (int layer, int numParam, CV_ND const Mat &blob)
	設定層學習引數的新值。

void	setPreferableBackend (int backendId)
	要求網路在支援的情況下使用特定的計算後端。

void	setPreferableTarget (int targetId)
	要求網路在特定目標裝置上進行計算。

靜態公共成員函式
static Net	readFromModelOptimizer (const std::vector< uchar > &bufferModelConfig, const std::vector< uchar > &bufferWeights)
	從 Intel 的 Model Optimizer 記憶體中的中間表示 (IR) 緩衝區建立網路。

static Net	readFromModelOptimizer (const uchar bufferModelConfigPtr, size_t bufferModelConfigSize, const uchar bufferWeightsPtr, size_t bufferWeightsSize)
	從 Intel 的 Model Optimizer 記憶體中的中間表示 (IR) 緩衝區建立網路。

static Net	readFromModelOptimizer (CV_WRAP_FILE_PATH const String &xml, CV_WRAP_FILE_PATH const String &bin)
	從 Intel 的 Model Optimizer 中間表示 (IR) 建立網路。

保護屬性
Ptr< Impl >	impl

友元
class	accessor::DnnNetAccessor

詳細描述

此類允許建立和操作綜合人工神經網路。

神經網路表示為有向無環圖 (DAG)，其中頂點是 Layer 例項，邊指定層輸入和輸出之間的關係。

每個網路層在其網路內都有唯一的整數 ID 和唯一的字串名稱。LayerId 可以儲存層名稱或層 ID。

此類別支援其例項的引用計數，即副本指向同一例項。

示例: samples/dnn/colorization.cpp 和 samples/dnn/openpose.cpp。

成員 Typedef 文件

◆ LayerId

DictValue cv::dnn::Net::LayerId

字串和整數的容器。

已棄用: 使用結果為 int 的 getLayerId()。

建構函式 & 解構函式文件

◆ Net()

cv::dnn::Net::Net ( )

Python
	cv.dnn.Net(		) ->	<dnn_Net 物件>

預設建構函式。

◆ ~Net()

cv::dnn::Net::~Net ( )

解構函式僅在網路不再有引用時才釋放網路。

成員函式文件

◆ addLayer() [1/2]

int cv::dnn::Net::addLayer	(	const String &	name,
		const String &	type,
		const int &	dtype,
		LayerParams &	params )

Python
	cv.dnn.Net.addLayer(	name, type, dtype, params	) ->	retval

向網路新增新層。

引數

name	新增層的唯一名稱。
type	新增層的型別名稱（型別必須在 LayerRegister 中註冊）。
dtype	輸出 blob 的資料型別。
params	用於初始化建立層的引數。

返回: 建立層的唯一識別符號，如果發生故障則為 -1。

◆ addLayer() [2/2]

int cv::dnn::Net::addLayer	(	const String &	name,
		const String &	type,
		LayerParams &	params )

Python
	cv.dnn.Net.addLayer(	name, type, dtype, params	) ->	retval

◆ addLayerToPrev() [1/2]

int cv::dnn::Net::addLayerToPrev	(	const String &	name,
		const String &	type,
		const int &	dtype,
		LayerParams &	params )

Python
	cv.dnn.Net.addLayerToPrev(	name, type, dtype, params	) ->	retval

新增新層，並將其第一個輸入連線到先前新增的層的第一個輸出。

另請參見: addLayer()

◆ addLayerToPrev() [2/2]

int cv::dnn::Net::addLayerToPrev	(	const String &	name,
		const String &	type,
		LayerParams &	params )

Python
	cv.dnn.Net.addLayerToPrev(	name, type, dtype, params	) ->	retval

這是一個過載成員函式，為了方便而提供。它與上述函式的區別僅在於它接受的引數。

◆ connect() [1/2]

void cv::dnn::Net::connect	(	int	outLayerId,
		int	outNum,
		int	inpLayerId,
		int	inpNum )

Python
	cv.dnn.Net.connect(	outPin, inpPin	) ->	無

將第一個層的 #outNum 輸出連線到第二個層的 #inNum 輸入。

引數

outLayerId	第一個層的識別符號
outNum	第一個層的輸出編號
inpLayerId	第二個層的識別符號
inpNum	第二個層的輸入編號

◆ connect() [2/2]

void cv::dnn::Net::connect	(	String	outPin,
		String	inpPin )

Python
	cv.dnn.Net.connect(	outPin, inpPin	) ->	無

將第一個層的輸出連線到第二個層的輸入。

引數

outPin	第一個層輸出的描述符。
inpPin	第二個層輸入的描述符。

描述符具有以下模板 <layer_name>[.input_number]

模板的第一部分 layer_name 是新增層的字串名稱。如果此部分為空，則將使用網路輸入偽層；
模板的第二個可選部分 input_number 是層輸入的編號或標籤。如果此部分省略，則將使用第一個層輸入。

另請參見
setNetInputs(), Layer::inputNameToIndex(), Layer::outputNameToIndex()

◆ dump()

String cv::dnn::Net::dump ( )

Python
	cv.dnn.Net.dump(		) ->	retval

將網路轉儲為字串。

返回: 包含結構、超引數、後端、目標和融合的字串。在 setInput() 之後呼叫此方法。要檢視正確的後端、目標和融合，請在 forward() 之後執行。

◆ dumpToFile()

void cv::dnn::Net::dumpToFile ( CV_WRAP_FILE_PATH const String & 路徑 )

Python
	cv.dnn.Net.dumpToFile(	路徑	) ->	無

將網路結構、超引數、後端、目標和融合轉儲到 dot 檔案。

引數

路徑	輸出檔案路徑，副檔名為 .dot

另請參見: dump()

◆ dumpToPbtxt()

void cv::dnn::Net::dumpToPbtxt ( CV_WRAP_FILE_PATH const String & 路徑 )

Python
	cv.dnn.Net.dumpToPbtxt(	路徑	) ->	無

將網路結構、超引數、後端、目標和融合轉儲到 pbtxt 檔案。

引數

路徑	輸出檔案路徑，副檔名為 .pbtxt

使用 Netron (https://netron.app) 開啟目標檔案以視覺化模型。在 setInput() 之後呼叫此方法。要檢視正確的後端、目標和融合，請在 forward() 之後執行。

◆ empty()

bool cv::dnn::Net::empty ( ) const

Python
	cv.dnn.Net.empty(		) ->	retval

如果網路中沒有層，則返回 true。

◆ enableFusion()

void cv::dnn::Net::enableFusion ( bool fusion )

Python
	cv.dnn.Net.enableFusion(	fusion	) ->	無

啟用或停用網路中的層融合。

引數

fusion true 啟用融合，false 停用。融合預設啟用。

◆ enableWinograd()

void cv::dnn::Net::enableWinograd ( bool useWinograd（使用Winograd演算法） )

Python
	cv.dnn.Net.enableWinograd(	useWinograd（使用Winograd演算法）	) ->	無

啟用或停用 Winograd 計算分支。Winograd 計算分支可以在損失少量精度的情況下，將 3x3 卷積的速度提高 3 倍。

引數

useWinograd（使用Winograd演算法） true 啟用 Winograd 計算分支。預設值為 true。

◆ forward() [1/4]

Mat cv::dnn::Net::forward ( const String & outputName = String() )


cv.dnn.Net.forward(	[, outputName]	) ->	retval
cv.dnn.Net.forward(	[, outputBlobs[, outputName]]	) ->	outputBlobs
cv.dnn.Net.forward(	outBlobNames[, outputBlobs]	) ->	outputBlobs
cv.dnn.Net.forwardAndRetrieve(	outBlobNames	) ->	outputBlobs

執行前向傳播以計算名為 outputName 的層的輸出。

引數

outputName 需要獲取其輸出的層的名稱

返回: 指定層的第一個輸出的 blob。

預設情況下，對整個網路執行前向傳播。

示例: samples/dnn/colorization.cpp 和 samples/dnn/openpose.cpp。

◆ forward() [2/4]

void cv::dnn::Net::forward	(	CV_ND OutputArrayOfArrays	outputBlobs,
		const std::vector< String > &	outBlobNames )


cv.dnn.Net.forward(	[, outputName]	) ->	retval
cv.dnn.Net.forward(	[, outputBlobs[, outputName]]	) ->	outputBlobs
cv.dnn.Net.forward(	outBlobNames[, outputBlobs]	) ->	outputBlobs
cv.dnn.Net.forwardAndRetrieve(	outBlobNames	) ->	outputBlobs

執行前向傳播以計算 outBlobNames 中列出的層的輸出。

引數

outputBlobs	包含指定層第一個輸出的 blob。
outBlobNames	需要獲取其輸出的層的名稱。

◆ forward() [3/4]

void cv::dnn::Net::forward	(	CV_ND OutputArrayOfArrays	outputBlobs,
		const String &	outputName = String() )


cv.dnn.Net.forward(	[, outputName]	) ->	retval
cv.dnn.Net.forward(	[, outputBlobs[, outputName]]	) ->	outputBlobs
cv.dnn.Net.forward(	outBlobNames[, outputBlobs]	) ->	outputBlobs
cv.dnn.Net.forwardAndRetrieve(	outBlobNames	) ->	outputBlobs

執行前向傳播以計算名為 outputName 的層的輸出。

引數

outputBlobs	包含指定層的全部輸出 blob。
outputName	需要獲取其輸出的層的名稱

如果 outputName 為空，則對整個網路執行前向傳播。

◆ forward() [4/4]

void cv::dnn::Net::forward	(	std::vector< std::vector< Mat > > &	outputBlobs,
		const std::vector< String > &	outBlobNames )


cv.dnn.Net.forward(	[, outputName]	) ->	retval
cv.dnn.Net.forward(	[, outputBlobs[, outputName]]	) ->	outputBlobs
cv.dnn.Net.forward(	outBlobNames[, outputBlobs]	) ->	outputBlobs
cv.dnn.Net.forwardAndRetrieve(	outBlobNames	) ->	outputBlobs

執行前向傳播以計算 outBlobNames 中列出的層的輸出。

引數

outputBlobs	包含 `outBlobNames` 中指定的每個層的所有輸出 blob。
outBlobNames	需要獲取其輸出的層的名稱。

◆ forwardAsync()

AsyncArray cv::dnn::Net::forwardAsync ( const String & outputName = String() )

Python
	cv.dnn.Net.forwardAsync(	[, outputName]	) ->	retval

執行前向傳播以計算名為 outputName 的層的輸出。

引數

outputName 需要獲取其輸出的層的名稱

預設情況下，對整個網路執行前向傳播。

這是 forward(const String&) 的非同步版本。需要 dnn::DNN_BACKEND_INFERENCE_ENGINE 後端。

◆ getFLOPS() [1/4]

int64 cv::dnn::Net::getFLOPS	(	const int	layerId,
		const MatShape &	netInputShape ) const


cv.dnn.Net.getFLOPS(	netInputShapes	) ->	retval
cv.dnn.Net.getFLOPS(	netInputShape	) ->	retval
cv.dnn.Net.getFLOPS(	layerId, netInputShapes	) ->	retval
cv.dnn.Net.getFLOPS(	layerId, netInputShape	) ->	retval

這是一個過載成員函式，為了方便而提供。它與上述函式的區別僅在於它接受的引數。

◆ getFLOPS() [2/4]

int64 cv::dnn::Net::getFLOPS	(	const int	layerId,
		const std::vector< MatShape > &	netInputShapes ) const


cv.dnn.Net.getFLOPS(	netInputShapes	) ->	retval
cv.dnn.Net.getFLOPS(	netInputShape	) ->	retval
cv.dnn.Net.getFLOPS(	layerId, netInputShapes	) ->	retval
cv.dnn.Net.getFLOPS(	layerId, netInputShape	) ->	retval

這是一個過載成員函式，為了方便而提供。它與上述函式的區別僅在於它接受的引數。

◆ getFLOPS() [3/4]

int64 cv::dnn::Net::getFLOPS ( const MatShape & netInputShape ) const


cv.dnn.Net.getFLOPS(	netInputShapes	) ->	retval
cv.dnn.Net.getFLOPS(	netInputShape	) ->	retval
cv.dnn.Net.getFLOPS(	layerId, netInputShapes	) ->	retval
cv.dnn.Net.getFLOPS(	layerId, netInputShape	) ->	retval

這是一個過載成員函式，為了方便而提供。它與上述函式的區別僅在於它接受的引數。

◆ getFLOPS() [4/4]

int64 cv::dnn::Net::getFLOPS ( const std::vector< MatShape > & netInputShapes ) const


cv.dnn.Net.getFLOPS(	netInputShapes	) ->	retval
cv.dnn.Net.getFLOPS(	netInputShape	) ->	retval
cv.dnn.Net.getFLOPS(	layerId, netInputShapes	) ->	retval
cv.dnn.Net.getFLOPS(	layerId, netInputShape	) ->	retval

計算載入模型的總 FLOPs，給定指定的輸入形狀。

引數

netInputShapes 所有網路輸入的形狀向量。

返回: 計算出的 FLOPs。

◆ getImpl()

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

inline

◆ getImplRef()

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

inline

◆ getInputDetails()

void cv::dnn::Net::getInputDetails	(	std::vector< float > &	scales,
		std::vector< int > &	zeropoints ) const

Python
	cv.dnn.Net.getInputDetails(		) ->	scales, zeropoints

返回量化 Net 的輸入比例和零點。

引數

scales	返回輸入比例的輸出引數。
zeropoints	返回輸入零點的輸出引數。

◆ getLayer() [1/3]

Ptr< Layer > cv::dnn::Net::getLayer ( const LayerId & layerId ) const

Python
	cv.dnn.Net.getLayer(	layerId	) ->	retval
	cv.dnn.Net.getLayer(	layerName	) ->	retval

這是一個過載成員函式，為了方便而提供。它與上述函式的區別僅在於它接受的引數。

已棄用: 待移除

◆ getLayer() [2/3]

Ptr< Layer > cv::dnn::Net::getLayer ( const String & layerName ) const

inline

Python
	cv.dnn.Net.getLayer(	layerId	) ->	retval
	cv.dnn.Net.getLayer(	layerName	) ->	retval

這是一個過載成員函式，為了方便而提供。它與上述函式的區別僅在於它接受的引數。

已棄用: 使用 int getLayerId(const String &layer)

此函式的呼叫圖如下

◆ getLayer() [3/3]

Ptr< Layer > cv::dnn::Net::getLayer ( int layerId ) const

Python
	cv.dnn.Net.getLayer(	layerId	) ->	retval
	cv.dnn.Net.getLayer(	layerName	) ->	retval

返回網路使用的具有指定 ID 或名稱的層的指標。

示例: samples/dnn/colorization.cpp.

◆ getLayerId()

int cv::dnn::Net::getLayerId ( const String & layer ) const

Python
	cv.dnn.Net.getLayerId(	layer	) ->	retval

將層的字串名稱轉換為整數識別符號。

返回: 層的 ID，如果未找到層則為 -1。

◆ getLayerInputs()

std::vector< Ptr< Layer > > cv::dnn::Net::getLayerInputs ( int layerId ) const

返回特定層的輸入層的指標。

◆ getLayerNames()

std::vector< String > cv::dnn::Net::getLayerNames ( ) const

Python
	cv.dnn.Net.getLayerNames(		) ->	retval

◆ getLayersCount()

int cv::dnn::Net::getLayersCount ( const String & layerType ) const

Python
	cv.dnn.Net.getLayersCount(	layerType	) ->	retval

返回指定型別的層數。

引數

layerType 型別。

返回: 層數

◆ getLayerShapes() [1/2]

void cv::dnn::Net::getLayerShapes	(	const MatShape &	netInputShape,
		const int	layerId,
		std::vector< MatShape > &	inLayerShapes,
		std::vector< MatShape > &	outLayerShapes ) const

返回載入模型中指定 ID 層的輸入和輸出形狀；無需預先推斷。

引數

netInputShape	網路輸入層中的形狀輸入 blob。
layerId	層的 ID。
inLayerShapes	輸入層形狀的輸出引數；順序與 layersIds 中的順序相同
outLayerShapes	輸出層形狀的輸出引數；順序與 layersIds 中的順序相同

◆ getLayerShapes() [2/2]

void cv::dnn::Net::getLayerShapes	(	const std::vector< MatShape > &	netInputShapes,
		const int	layerId,
		std::vector< MatShape > &	inLayerShapes,
		std::vector< MatShape > &	outLayerShapes ) const

這是一個過載成員函式，為了方便而提供。它與上述函式的區別僅在於它接受的引數。

◆ getLayersShapes() [1/2]

void cv::dnn::Net::getLayersShapes	(	const MatShape &	netInputShape,
		std::vector< int > &	layersIds,
		std::vector< std::vector< MatShape > > &	inLayersShapes,
		std::vector< std::vector< MatShape > > &	outLayersShapes ) const

Python
	cv.dnn.Net.getLayersShapes(	netInputShapes	) ->	layersIds, inLayersShapes, outLayersShapes
	cv.dnn.Net.getLayersShapes(	netInputShape	) ->	layersIds, inLayersShapes, outLayersShapes

這是一個過載成員函式，為了方便而提供。它與上述函式的區別僅在於它接受的引數。

◆ getLayersShapes() [2/2]

void cv::dnn::Net::getLayersShapes	(	const std::vector< MatShape > &	netInputShapes,
		std::vector< int > &	layersIds,
		std::vector< std::vector< MatShape > > &	inLayersShapes,
		std::vector< std::vector< MatShape > > &	outLayersShapes ) const

Python
	cv.dnn.Net.getLayersShapes(	netInputShapes	) ->	layersIds, inLayersShapes, outLayersShapes
	cv.dnn.Net.getLayersShapes(	netInputShape	) ->	layersIds, inLayersShapes, outLayersShapes

返回載入模型中所有層的輸入和輸出形狀；無需預先推斷。

引數

netInputShapes	網路輸入層中所有輸入 blob 的形狀。
layersIds	層 ID 的輸出引數。
inLayersShapes	輸入層形狀的輸出引數；順序與 layersIds 中的順序相同
outLayersShapes	輸出層形狀的輸出引數；順序與 layersIds 中的順序相同

◆ getLayerTypes()

void cv::dnn::Net::getLayerTypes ( std::vector< String > & layersTypes ) const

Python
	cv.dnn.Net.getLayerTypes(		) ->	layersTypes

返回模型中使用的層的型別列表。

引數

layersTypes 返回型別的輸出引數。

◆ getMemoryConsumption() [1/6]

void cv::dnn::Net::getMemoryConsumption	(	const int	layerId,
		const MatShape &	netInputShape,
		size_t &	weights,
		size_t &	blobs ) const


cv.dnn.Net.getMemoryConsumption(	netInputShape	) ->	weights, blobs
cv.dnn.Net.getMemoryConsumption(	layerId, netInputShapes	) ->	weights, blobs
cv.dnn.Net.getMemoryConsumption(	layerId, netInputShape	) ->	weights, blobs

這是一個過載成員函式，為了方便而提供。它與上述函式的區別僅在於它接受的引數。

◆ getMemoryConsumption() [2/6]

void cv::dnn::Net::getMemoryConsumption	(	const int	layerId,
		const std::vector< MatShape > &	netInputShapes,
		size_t &	weights,
		size_t &	blobs ) const


cv.dnn.Net.getMemoryConsumption(	netInputShape	) ->	weights, blobs
cv.dnn.Net.getMemoryConsumption(	layerId, netInputShapes	) ->	weights, blobs
cv.dnn.Net.getMemoryConsumption(	layerId, netInputShape	) ->	weights, blobs

這是一個過載成員函式，為了方便而提供。它與上述函式的區別僅在於它接受的引數。

◆ getMemoryConsumption() [3/6]

void cv::dnn::Net::getMemoryConsumption	(	const MatShape &	netInputShape,
		size_t &	weights,
		size_t &	blobs ) const


cv.dnn.Net.getMemoryConsumption(	netInputShape	) ->	weights, blobs
cv.dnn.Net.getMemoryConsumption(	layerId, netInputShapes	) ->	weights, blobs
cv.dnn.Net.getMemoryConsumption(	layerId, netInputShape	) ->	weights, blobs

這是一個過載成員函式，為了方便而提供。它與上述函式的區別僅在於它接受的引數。

◆ getMemoryConsumption() [4/6]

void cv::dnn::Net::getMemoryConsumption	(	const MatShape &	netInputShape,
		std::vector< int > &	layerIds,
		std::vector< size_t > &	weights,
		std::vector< size_t > &	blobs ) const


cv.dnn.Net.getMemoryConsumption(	netInputShape	) ->	weights, blobs
cv.dnn.Net.getMemoryConsumption(	layerId, netInputShapes	) ->	weights, blobs
cv.dnn.Net.getMemoryConsumption(	layerId, netInputShape	) ->	weights, blobs

這是一個過載成員函式，為了方便而提供。它與上述函式的區別僅在於它接受的引數。

◆ getMemoryConsumption() [5/6]

void cv::dnn::Net::getMemoryConsumption	(	const std::vector< MatShape > &	netInputShapes,
		size_t &	weights,
		size_t &	blobs ) const


cv.dnn.Net.getMemoryConsumption(	netInputShape	) ->	weights, blobs
cv.dnn.Net.getMemoryConsumption(	layerId, netInputShapes	) ->	weights, blobs
cv.dnn.Net.getMemoryConsumption(	layerId, netInputShape	) ->	weights, blobs

計算儲存模型所有權重和中間 blob 所需的位元組數。

引數

netInputShapes	所有網路輸入的形狀向量。
weights	儲存結果權重位元組的輸出引數。
blobs	儲存結果中間 blob 位元組的輸出引數。

◆ getMemoryConsumption() [6/6]

void cv::dnn::Net::getMemoryConsumption	(	const std::vector< MatShape > &	netInputShapes,
		std::vector< int > &	layerIds,
		std::vector< size_t > &	weights,
		std::vector< size_t > &	blobs ) const


cv.dnn.Net.getMemoryConsumption(	netInputShape	) ->	weights, blobs
cv.dnn.Net.getMemoryConsumption(	layerId, netInputShapes	) ->	weights, blobs
cv.dnn.Net.getMemoryConsumption(	layerId, netInputShape	) ->	weights, blobs

計算儲存每個層的所有權重和中間 blob 所需的位元組數。

引數

netInputShapes	所有網路輸入的形狀向量。
layerIds	用於儲存層 ID 的輸出向量。
weights	儲存結果權重位元組的輸出引數。
blobs	儲存結果中間 blob 位元組的輸出引數。

◆ getOutputDetails()

void cv::dnn::Net::getOutputDetails	(	std::vector< float > &	scales,
		std::vector< int > &	zeropoints ) const

Python
	cv.dnn.Net.getOutputDetails(		) ->	scales, zeropoints

返回量化 Net 的輸出比例和零點。

引數

scales	返回輸出比例的輸出引數。
zeropoints	返回輸出零點的輸出引數。

◆ getParam() [1/2]

Mat cv::dnn::Net::getParam	(	const String &	layerName,
		int	numParam = 0 ) const

inline

Python
	cv.dnn.Net.getParam(	layer[, numParam]	) ->	retval
	cv.dnn.Net.getParam(	layerName[, numParam]	) ->	retval

此函式的呼叫圖如下

◆ getParam() [2/2]

Mat cv::dnn::Net::getParam	(	int	layer,
		int	numParam = 0 ) const

Python
	cv.dnn.Net.getParam(	layer[, numParam]	) ->	retval
	cv.dnn.Net.getParam(	layerName[, numParam]	) ->	retval

返回層的引數 blob。

引數

layer	層的名稱或 ID。
numParam	層引數在 Layer::blobs 陣列中的索引。

另請參見: Layer::blobs

◆ getPerfProfile()

int64 cv::dnn::Net::getPerfProfile ( std::vector< double > & timings )

Python
	cv.dnn.Net.getPerfProfile(		) ->	retval, timings

返回推理的總時間和層的計時（以時鐘週期計）。

返回向量中的索引對應於層 ID。某些層可能與其他層融合，在這種情況下，跳過的層將返回零時鐘週期。僅由 DNN_BACKEND_OPENCV 在 DNN_TARGET_CPU 上支援。

引數

[輸出] timings 所有層的時鐘週期計時向量。

返回: 模型推理的總時鐘週期。

◆ getUnconnectedOutLayers()

std::vector< int > cv::dnn::Net::getUnconnectedOutLayers ( ) const

Python
	cv.dnn.Net.getUnconnectedOutLayers(		) ->	retval

返回具有未連線輸出的層的索引。

FIXIT: 將 API 重構為 registerOutput() 方法，棄用此呼叫

◆ getUnconnectedOutLayersNames()

std::vector< String > cv::dnn::Net::getUnconnectedOutLayersNames ( ) const

Python
	cv.dnn.Net.getUnconnectedOutLayersNames(		) ->	retval

返回具有未連線輸出的層的名稱。

FIXIT: 將 API 重構為 registerOutput() 方法，棄用此呼叫

◆ quantize()

Net cv::dnn::Net::quantize	(	InputArrayOfArrays	calibData,
		int	inputsDtype,
		int	outputsDtype,
		bool	perChannel = true )

Python
	cv.dnn.Net.quantize(	calibData, inputsDtype, outputsDtype[, perChannel]	) ->	retval

從浮點 Net 返回量化 Net。

引數

calibData	用於計算量化引數的校準資料。
inputsDtype	量化網路輸入的資料型別。可以是 CV_32F 或 CV_8S。
outputsDtype	量化網路輸出的資料型別。可以是 CV_32F 或 CV_8S。
perChannel	量化 Net 的量化粒度。預設值為 true，表示以逐通道（channel-wise）方式量化模型。設定為 false 則以逐張量（tensor-wise）方式量化模型。

◆ readFromModelOptimizer() [1/3]

static Net cv::dnn::Net::readFromModelOptimizer	(	const std::vector< uchar > &	bufferModelConfig,
		const std::vector< uchar > &	bufferWeights )

static


cv.dnn.Net.readFromModelOptimizer(	xml, bin	) ->	retval
cv.dnn.Net.readFromModelOptimizer(	bufferModelConfig, bufferWeights	) ->	retval
cv.dnn.Net_readFromModelOptimizer(	xml, bin	) ->	retval
cv.dnn.Net_readFromModelOptimizer(	bufferModelConfig, bufferWeights	) ->	retval

從 Intel 的 Model Optimizer 記憶體中的中間表示 (IR) 緩衝區建立網路。

引數

[輸入]	bufferModelConfig	包含模型配置的緩衝區。
[輸入]	bufferWeights	包含模型訓練權重的緩衝區。

返回: Net 物件。

◆ readFromModelOptimizer() [2/3]

static Net cv::dnn::Net::readFromModelOptimizer	(	const uchar *	bufferModelConfigPtr,
		size_t	bufferModelConfigSize,
		const uchar *	bufferWeightsPtr,
		size_t	bufferWeightsSize )

static


cv.dnn.Net.readFromModelOptimizer(	xml, bin	) ->	retval
cv.dnn.Net.readFromModelOptimizer(	bufferModelConfig, bufferWeights	) ->	retval
cv.dnn.Net_readFromModelOptimizer(	xml, bin	) ->	retval
cv.dnn.Net_readFromModelOptimizer(	bufferModelConfig, bufferWeights	) ->	retval

從 Intel 的 Model Optimizer 記憶體中的中間表示 (IR) 緩衝區建立網路。

引數

[輸入]	bufferModelConfigPtr	模型配置的緩衝區指標。
[輸入]	bufferModelConfigSize	模型配置的緩衝區大小。
[輸入]	bufferWeightsPtr	模型訓練權重的緩衝區指標。
[輸入]	bufferWeightsSize	模型訓練權重的緩衝區大小。

返回: Net 物件。

◆ readFromModelOptimizer() [3/3]

static Net cv::dnn::Net::readFromModelOptimizer	(	CV_WRAP_FILE_PATH const String &	xml,
		CV_WRAP_FILE_PATH const String &	bin )

static


cv.dnn.Net.readFromModelOptimizer(	xml, bin	) ->	retval
cv.dnn.Net.readFromModelOptimizer(	bufferModelConfig, bufferWeights	) ->	retval
cv.dnn.Net_readFromModelOptimizer(	xml, bin	) ->	retval
cv.dnn.Net_readFromModelOptimizer(	bufferModelConfig, bufferWeights	) ->	retval

從 Intel 的 Model Optimizer 中間表示 (IR) 建立網路。

引數

[輸入]	xml	XML configuration file with network's topology.
[輸入]	bin	包含訓練權重的二進位制檔案。從 Intel 的 Model Optimizer 匯入的網路將在 Intel 的 Inference Engine 後端啟動。

◆ registerOutput()

int cv::dnn::Net::registerOutput	(	const std::string &	outputName,
		int	layerId,
		int	outputPort )

Python
	cv.dnn.Net.registerOutput(	outputName, layerId, outputPort	) ->	retval

註冊帶有名稱的網路輸出。

函式可能會建立額外的“Identity”層。

引數

outputName	輸出的識別符號
layerId	第二個層的識別符號
outputPort	第二個層的輸入編號

返回: 繫結層的索引（與 layerId 相同或新建立的）

◆ setHalideScheduler()

void cv::dnn::Net::setHalideScheduler ( const String & scheduler )

Python
	cv.dnn.Net.setHalideScheduler(	scheduler	) ->	無

編譯 Halide 層。

引數

[輸入] scheduler 包含排程指令的 YAML 檔案路徑。

另請參見: setPreferableBackend

排程支援 Halide 後端的層。然後針對特定目標編譯它們。對於排程檔案中未表示的層或完全沒有使用手動排程的層，將應用自動排程。

◆ setInput()

void cv::dnn::Net::setInput	(	CV_ND InputArray	blob,
		const String &	name = "",
		double	scalefactor = 1.0,
		const Scalar &	mean = Scalar() )

Python
	cv.dnn.Net.setInput(	blob[, name[, scalefactor[, mean]]]	) ->	無

設定網路的新輸入值。

引數

blob	一個新的 blob。應該具有 CV_32F 或 CV_8U 深度。
name	輸入層的名稱。
scalefactor	可選的歸一化比例因子。
mean	可選的均值減去值。

另請參見: connect(String, String) 以瞭解描述符的 format。

如果指定了比例因子或均值，則最終輸入 blob 的計算方式如下：

\[input(n,c,h,w) = scalefactor \times (blob(n,c,h,w) - mean_c)\]

示例: samples/dnn/colorization.cpp 和 samples/dnn/openpose.cpp。

◆ setInputShape()

void cv::dnn::Net::setInputShape	(	const String &	inputName,
		const MatShape &	shape )

Python
	cv.dnn.Net.setInputShape(	inputName, shape	) ->	無

指定網路輸入的形狀。

◆ setInputsNames()

void cv::dnn::Net::setInputsNames ( const std::vector< String > & inputBlobNames )

Python
	cv.dnn.Net.setInputsNames(	inputBlobNames	) ->	無

設定網路輸入偽層的輸出名稱。

每個網路總是有一個特殊的自身網路輸入偽層，其 ID 為 0。該層僅儲存使用者 blob 並且不進行任何計算。事實上，該層提供了將使用者資料傳入網路的唯一方式。與任何其他層一樣，該層可以標記其輸出，此函式提供了一種簡單的方法來完成此操作。

◆ setParam() [1/2]

void cv::dnn::Net::setParam	(	const String &	layerName,
		int	numParam,
		CV_ND const Mat &	blob )

inline

Python
	cv.dnn.Net.setParam(	layer, numParam, blob	) ->	無
	cv.dnn.Net.setParam(	layerName, numParam, blob	) ->	無

此函式的呼叫圖如下

◆ setParam() [2/2]

void cv::dnn::Net::setParam	(	int	layer,
		int	numParam,
		CV_ND const Mat &	blob )

Python
	cv.dnn.Net.setParam(	layer, numParam, blob	) ->	無
	cv.dnn.Net.setParam(	layerName, numParam, blob	) ->	無

設定層學習引數的新值。

引數

layer	層的名稱或 ID。
numParam	層引數在 Layer::blobs 陣列中的索引。
blob	新值。

另請參見: Layer::blobs

注意: 如果新 blob 的形狀與先前的形狀不同，則後續前向傳播可能會失敗。

◆ setPreferableBackend()

void cv::dnn::Net::setPreferableBackend ( int backendId )

Python
	cv.dnn.Net.setPreferableBackend(	backendId	) ->	無

要求網路在支援的情況下使用特定的計算後端。

引數

[輸入] backendId 後端識別符號。

另請參見: Backend

◆ setPreferableTarget()

void cv::dnn::Net::setPreferableTarget ( int targetId )

Python
	cv.dnn.Net.setPreferableTarget(	targetId	) ->	無

要求網路在特定目標裝置上進行計算。

引數

[輸入] targetId 目標識別符號。

另請參見: Target

支援的後端/目標組合列表

	DNN_BACKEND_OPENCV	DNN_BACKEND_INFERENCE_ENGINE	DNN_BACKEND_HALIDE	DNN_BACKEND_CUDA
DNN_TARGET_CPU	+	+	+
DNN_TARGET_OPENCL	+	+	+
DNN_TARGET_OPENCL_FP16	+	+
DNN_TARGET_MYRIAD		+
DNN_TARGET_FPGA		+
DNN_TARGET_CUDA				+
DNN_TARGET_CUDA_FP16				+
DNN_TARGET_HDDL		+

示例: samples/dnn/colorization.cpp.

友元和相關符號文件

◆ accessor::DnnNetAccessor

friend class accessor::DnnNetAccessor

friend

成員資料文件

◆ impl

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

保護

此類的文件是從以下檔案生成的

opencv2/dnn/dnn.hpp

公共型別

公共成員函式

靜態公共成員函式

保護屬性

友元

詳細描述

成員 Typedef 文件

◆ LayerId

建構函式 & 解構函式文件

◆ Net()

◆ ~Net()

成員函式文件

◆ addLayer() [1/2]

◆ addLayer() [2/2]

◆ addLayerToPrev() [1/2]

◆ addLayerToPrev() [2/2]

◆ connect() [1/2]

◆ connect() [2/2]

◆ dump()

◆ dumpToFile()

◆ dumpToPbtxt()

◆ empty()

◆ enableFusion()

◆ enableWinograd()

◆ forward() [1/4]

◆ forward() [2/4]

◆ forward() [3/4]

◆ forward() [4/4]

◆ forwardAsync()

◆ getFLOPS() [1/4]

◆ getFLOPS() [2/4]

◆ getFLOPS() [3/4]

◆ getFLOPS() [4/4]

◆ getImpl()

◆ getImplRef()

◆ getInputDetails()

◆ getLayer() [1/3]

◆ getLayer() [2/3]

◆ getLayer() [3/3]

◆ getLayerId()

◆ getLayerInputs()

◆ getLayerNames()

◆ getLayersCount()

◆ getLayerShapes() [1/2]

◆ getLayerShapes() [2/2]

◆ getLayersShapes() [1/2]

◆ getLayersShapes() [2/2]

◆ getLayerTypes()

◆ getMemoryConsumption() [1/6]

◆ getMemoryConsumption() [2/6]

◆ getMemoryConsumption() [3/6]

◆ getMemoryConsumption() [4/6]

◆ getMemoryConsumption() [5/6]

◆ getMemoryConsumption() [6/6]

◆ getOutputDetails()

◆ getParam() [1/2]

◆ getParam() [2/2]

◆ getPerfProfile()

◆ getUnconnectedOutLayers()

◆ getUnconnectedOutLayersNames()

◆ quantize()

◆ readFromModelOptimizer() [1/3]

◆ readFromModelOptimizer() [2/3]

◆ readFromModelOptimizer() [3/3]

◆ registerOutput()

◆ setHalideScheduler()

◆ setInput()

◆ setInputShape()

◆ setInputsNames()

◆ setParam() [1/2]

◆ setParam() [2/2]

◆ setPreferableBackend()

◆ setPreferableTarget()

友元和相關符號文件

◆ accessor::DnnNetAccessor

成員資料文件

◆ impl