cv::dnn::KeypointsModel 類參考

此類表示關鍵點模型的高階 API。 更多...

#include <opencv2/dnn/dnn.hpp>

cv::dnn::KeypointsModel 的協作圖

公共成員函式
	KeypointsModel (const Net &network)
	從深度學習網路建立模型。
	KeypointsModel (CV_WRAP_FILE_PATH const String &model, CV_WRAP_FILE_PATH const String &config="")
	從以支援格式之一表示的網路建立關鍵點模型。 model 和 config 引數的順序無關緊要。
std::vector< Point2f >	estimate (InputArray frame, float thresh=0.5)
	給定 input 幀，建立輸入 blob，執行網路。
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)

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

詳細描述

此類表示關鍵點模型的高階 API。

KeypointsModel 允許設定預處理輸入影像的引數。 KeypointsModel 從帶有訓練權重的模型檔案和配置檔案建立網路，設定預處理輸入，執行前向傳遞並返回每個檢測到的關鍵點的 x 和 y 座標

建構函式 & 解構函式文件

KeypointsModel() [1/2]

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

Python
	cv.dnn.KeypointsModel(	model[, config]	) ->	<dnn_KeypointsModel object>
	cv.dnn.KeypointsModel(	網路	) ->	<dnn_KeypointsModel object>

從以支援格式之一表示的網路建立關鍵點模型。 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。

KeypointsModel() [2/2]

cv::dnn::KeypointsModel::KeypointsModel

(

const Net &

網路

)

Python
	cv.dnn.KeypointsModel(	model[, config]	) ->	<dnn_KeypointsModel object>
	cv.dnn.KeypointsModel(	網路	) ->	<dnn_KeypointsModel object>

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

estimate()

std::vector< Point2f > cv::dnn::KeypointsModel::estimate	(	InputArray	frame,
		float	thresh = 0.5 )

Python
	cv.dnn.KeypointsModel.estimate(	frame[, thresh]	) ->	retval

給定 input 幀，建立輸入 blob，執行網路。

引數

[輸入]	frame	輸入影像。
	thresh	選擇關鍵點的最小置信度閾值

返回

一個向量，儲存每個檢測到的關鍵點的 x 和 y 座標

---

此類文件由以下檔案生成

• opencv2/dnn/dnn.hpp