深度神經網路模組

主題
	已實現層級的部分列表
	新層級註冊實用程式

詳細說明

此模組包含

• 用於建立新層級的 API，層級是神經網路的構建基塊；
• 一組內建的最常用層級；
• 用於從層級構建和修改綜合神經網路的 API；
• 從不同框架載入序列化網路模型的功能。

此模組的功能僅設計用於前向傳播計算（即網路推理）。原則上不支援網路訓練。

類
類	cv::dnn::BackendNode
	該類的派生類封裝了特定後端的函式。更多...
類	cv::dnn::BackendWrapper
	該類的派生類為不同的後端和目標封裝了 cv::Mat。更多...
類	cv::dnn::ClassificationModel
	此類代表分類模型的高階 API。更多...
類	cv::dnn::DetectionModel
	此類代表物件檢測網路的高階 API。更多...
類	cv::dnn::Dict
	此類實現名稱-值字典，值為 DictValue 的例項。更多...
結構體	cv::dnn::DictValue
	此結構體儲存以下型別之一的標量值（或陣列）：double、cv::String 或 int64。更多...
結構體	cv::dnn::Image2BlobParams
	影像轉 Blob 的處理引數。更多...
類	cv::dnn::KeypointsModel
	此類代表關鍵點模型的高階 API。更多...
類	cv::dnn::Layer
	此介面類允許構建新的層級——即網路的構建模組。更多...
類	cv::dnn::LayerParams
	此類提供初始化層級所需的所有資料。更多...
類	cv::dnn::Model
	此類為神經網路提供高階 API。更多...
類	cv::dnn::Net
	此類允許建立和操作綜合人工神經網路。更多...
類	cv::dnn::SegmentationModel
	此類代表分割模型的高階 API。更多...
類	cv::dnn::TextDetectionModel
	文字檢測網路的基類。更多...
類	cv::dnn::TextDetectionModel_DB
	此類代表與 DB 模型相容的文字檢測深度學習網路的高階 API。更多...
類	cv::dnn::TextDetectionModel_EAST
	此類代表與 EAST 模型相容的文字檢測深度學習網路的高階 API。更多...
類	cv::dnn::TextRecognitionModel
	此類代表文字識別網路的高階 API。更多...

型別定義 (Typedefs)
typedef std::map< std::string, std::vector< LayerFactory::Constructor > >	cv::dnn::LayerFactory_Impl
typedef std::vector< int >	cv::dnn::MatShape

列舉
enum	cv::dnn::Backend {   cv::dnn::DNN_BACKEND_DEFAULT = 0 ,   cv::dnn::DNN_BACKEND_HALIDE ,   cv::dnn::DNN_BACKEND_INFERENCE_ENGINE ,   cv::dnn::DNN_BACKEND_OPENCV ,   cv::dnn::DNN_BACKEND_VKCOM ,   cv::dnn::DNN_BACKEND_CUDA ,   cv::dnn::DNN_BACKEND_WEBNN ,   cv::dnn::DNN_BACKEND_TIMVX ,   cv::dnn::DNN_BACKEND_CANN }
	層級支援的計算後端列舉。更多...
enum	cv::dnn::DataLayout {   cv::dnn::DNN_LAYOUT_UNKNOWN = 0 ,   cv::dnn::DNN_LAYOUT_ND = 1 ,   cv::dnn::DNN_LAYOUT_NCHW = 2 ,   cv::dnn::DNN_LAYOUT_NCDHW = 3 ,   cv::dnn::DNN_LAYOUT_NHWC = 4 ,   cv::dnn::DNN_LAYOUT_NDHWC = 5 ,   cv::dnn::DNN_LAYOUT_PLANAR = 6 }
	模型推理的資料佈局列舉。更多...
enum	cv::dnn::ImagePaddingMode {   cv::dnn::DNN_PMODE_NULL = 0 ,   cv::dnn::DNN_PMODE_CROP_CENTER = 1 ,   cv::dnn::DNN_PMODE_LETTERBOX = 2 }
	影像處理模式列舉。用於滿足 DNN 模型的特殊預處理要求。例如，Yolo 系列模型中常用的 letter box。更多...
enum class	cv::dnn::SoftNMSMethod {   cv::dnn::SoftNMSMethod::SOFTNMS_LINEAR = 1 ,   cv::dnn::SoftNMSMethod::SOFTNMS_GAUSSIAN = 2 }
	Soft NMS 方法列舉。更多...
enum	cv::dnn::Target {   cv::dnn::DNN_TARGET_CPU = 0 ,   cv::dnn::DNN_TARGET_OPENCL ,   cv::dnn::DNN_TARGET_OPENCL_FP16 ,   cv::dnn::DNN_TARGET_MYRIAD ,   cv::dnn::DNN_TARGET_VULKAN ,   cv::dnn::DNN_TARGET_FPGA ,   cv::dnn::DNN_TARGET_CUDA ,   cv::dnn::DNN_TARGET_CUDA_FP16 ,   cv::dnn::DNN_TARGET_HDDL ,   cv::dnn::DNN_TARGET_NPU ,   cv::dnn::DNN_TARGET_CPU_FP16 }
	計算目標裝置的列舉。更多...

函式
Mat	cv::dnn::blobFromImage (InputArray image, double scalefactor=1.0, const Size &size=Size(), const Scalar &mean=Scalar(), bool swapRB=false, bool crop=false, int ddepth=CV_32F)
	從影像建立 4 維 Blob。可選擇性地調整大小並從中心裁剪 image，減去 mean 平均值，按 scalefactor 縮放值，以及交換藍色和紅色通道。
void	cv::dnn::blobFromImage (InputArray image, OutputArray blob, double scalefactor=1.0, const Size &size=Size(), const Scalar &mean=Scalar(), bool swapRB=false, bool crop=false, int ddepth=CV_32F)
	從影像建立 4 維 Blob。
Mat	cv::dnn::blobFromImages (InputArrayOfArrays images, double scalefactor=1.0, Size size=Size(), const Scalar &mean=Scalar(), bool swapRB=false, bool crop=false, int ddepth=CV_32F)
	從一系列影像建立 4 維 Blob。可選擇性地從中心調整大小並裁剪 images，減去 mean 值，按 scalefactor 縮放值，交換藍紅通道。
void	cv::dnn::blobFromImages (InputArrayOfArrays images, OutputArray blob, double scalefactor=1.0, Size size=Size(), const Scalar &mean=Scalar(), bool swapRB=false, bool crop=false, int ddepth=CV_32F)
	從一系列影像建立 4 維 Blob。
Mat	cv::dnn::blobFromImagesWithParams (InputArrayOfArrays images, const Image2BlobParams &param=Image2BlobParams())
	使用給定引數從一系列影像建立 4 維 Blob。
void	cv::dnn::blobFromImagesWithParams (InputArrayOfArrays images, OutputArray blob, const Image2BlobParams &param=Image2BlobParams())
Mat	cv::dnn::blobFromImageWithParams (InputArray image, const Image2BlobParams &param=Image2BlobParams())
	使用給定引數從影像建立 4 維 Blob。
void	cv::dnn::blobFromImageWithParams (InputArray image, OutputArray blob, const Image2BlobParams &param=Image2BlobParams())
void	cv::dnn::enableModelDiagnostics (bool isDiagnosticsMode)
	啟用使用 CV DNN API 載入 DNN 模型時的詳細日誌記錄。
std::vector< std::pair< Backend, Target > >	cv::dnn::getAvailableBackends ()
std::vector< Target >	cv::dnn::getAvailableTargets (dnn::Backend be)
LayerFactory_Impl &	cv::dnn::getLayerFactoryImpl ()
Mutex &	cv::dnn::getLayerFactoryMutex ()
	獲取保護 LayerFactory_Impl 的互斥鎖，請參閱 getLayerFactoryImpl() 函式。
void	cv::dnn::imagesFromBlob (const cv::Mat &blob_, OutputArrayOfArrays images_)
	解析 4D Blob，並透過更簡單的資料結構 (std::vector<cv::Mat>) 以 2D 陣列形式輸出其包含的影像。
void	cv::dnn::NMSBoxes (const std::vector< Rect > &bboxes, const std::vector< float > &scores, const float score_threshold, const float nms_threshold, std::vector< int > &indices, const float eta=1.f, const int top_k=0)
	在給定邊界框和相應得分的情況下執行非極大值抑制 (NMS)。
void	cv::dnn::NMSBoxes (const std::vector< Rect2d > &bboxes, const std::vector< float > &scores, const float score_threshold, const float nms_threshold, std::vector< int > &indices, const float eta=1.f, const int top_k=0)
void	cv::dnn::NMSBoxes (const std::vector< RotatedRect > &bboxes, const std::vector< float > &scores, const float score_threshold, const float nms_threshold, std::vector< int > &indices, const float eta=1.f, const int top_k=0)
void	cv::dnn::NMSBoxesBatched (const std::vector< Rect > &bboxes, const std::vector< float > &scores, const std::vector< int > &class_ids, const float score_threshold, const float nms_threshold, std::vector< int > &indices, const float eta=1.f, const int top_k=0)
	跨不同類別對給定邊界框和相應得分執行批次非極大值抑制。
void	cv::dnn::NMSBoxesBatched (const std::vector< Rect2d > &bboxes, const std::vector< float > &scores, const std::vector< int > &class_ids, const float score_threshold, const float nms_threshold, std::vector< int > &indices, const float eta=1.f, const int top_k=0)
Net	cv::dnn::readNet (const String &framework, const std::vector< uchar > &bufferModel, const std::vector< uchar > &bufferConfig=std::vector< uchar >())
	讀取以受支援格式之一表示的深度學習網路。
Net	cv::dnn::readNet (CV_WRAP_FILE_PATH const String &model, CV_WRAP_FILE_PATH const String &config="", const String &framework="")
	讀取以受支援格式之一表示的深度學習網路。
Net	cv::dnn::readNetFromCaffe (const char *bufferProto, size_t lenProto, const char *bufferModel=NULL, size_t lenModel=0)
	讀取儲存在記憶體中的 Caffe 網路模型。
Net	cv::dnn::readNetFromCaffe (const std::vector< uchar > &bufferProto, const std::vector< uchar > &bufferModel=std::vector< uchar >())
	讀取儲存在記憶體中的 Caffe 網路模型。
Net	cv::dnn::readNetFromCaffe (CV_WRAP_FILE_PATH const String &prototxt, CV_WRAP_FILE_PATH const String &caffeModel=String())
	讀取以 Caffe 框架格式儲存的網路模型。
Net	cv::dnn::readNetFromDarknet (const char *bufferCfg, size_t lenCfg, const char *bufferModel=NULL, size_t lenModel=0)
	讀取儲存在 Darknet 模型檔案中的網路模型。
Net	cv::dnn::readNetFromDarknet (const std::vector< uchar > &bufferCfg, const std::vector< uchar > &bufferModel=std::vector< uchar >())
	讀取儲存在 Darknet 模型檔案中的網路模型。
Net	cv::dnn::readNetFromDarknet (CV_WRAP_FILE_PATH const String &cfgFile, CV_WRAP_FILE_PATH const String &darknetModel=String())
	讀取儲存在 Darknet 模型檔案中的網路模型。
Net	cv::dnn::readNetFromModelOptimizer (const std::vector< uchar > &bufferModelConfig, const std::vector< uchar > &bufferWeights)
	從 Intel 的 Model Optimizer 中間表示載入網路。
Net	cv::dnn::readNetFromModelOptimizer (const uchar *bufferModelConfigPtr, size_t bufferModelConfigSize, const uchar *bufferWeightsPtr, size_t bufferWeightsSize)
	從 Intel 的 Model Optimizer 中間表示載入網路。
Net	cv::dnn::readNetFromModelOptimizer (CV_WRAP_FILE_PATH const String &xml, CV_WRAP_FILE_PATH const String &bin="")
	從 Intel 的 Model Optimizer 中間表示載入網路。
Net	cv::dnn::readNetFromONNX (const char *buffer, size_t sizeBuffer)
	從 ONNX 記憶體緩衝區讀取網路模型。
Net	cv::dnn::readNetFromONNX (const std::vector< uchar > &buffer)
	從 ONNX 記憶體緩衝區讀取網路模型。
Net	cv::dnn::readNetFromONNX (CV_WRAP_FILE_PATH const String &onnxFile)
	讀取 ONNX 網路模型。
Net	cv::dnn::readNetFromTensorflow (const char *bufferModel, size_t lenModel, const char *bufferConfig=NULL, size_t lenConfig=0)
	讀取以 TensorFlow 框架格式儲存的網路模型。
Net	cv::dnn::readNetFromTensorflow (const std::vector< uchar > &bufferModel, const std::vector< uchar > &bufferConfig=std::vector< uchar >())
	讀取以 TensorFlow 框架格式儲存的網路模型。
Net	cv::dnn::readNetFromTensorflow (CV_WRAP_FILE_PATH const String &model, CV_WRAP_FILE_PATH const String &config=String())
	讀取以 TensorFlow 框架格式儲存的網路模型。
Net	cv::dnn::readNetFromTFLite (const char *bufferModel, size_t lenModel)
	讀取以 TFLite 框架格式儲存的網路模型。
Net	cv::dnn::readNetFromTFLite (const std::vector< uchar > &bufferModel)
	讀取以 TFLite 框架格式儲存的網路模型。
Net	cv::dnn::readNetFromTFLite (CV_WRAP_FILE_PATH const String &model)
	讀取以 TFLite 框架格式儲存的網路模型。
Net	cv::dnn::readNetFromTorch (CV_WRAP_FILE_PATH const String &model, bool isBinary=true, bool evaluate=true)
	讀取以 Torch7 框架格式儲存的網路模型。
Mat	cv::dnn::readTensorFromONNX (CV_WRAP_FILE_PATH const String &path)
	從 .pb 檔案建立 Blob。
Mat	cv::dnn::readTorchBlob (const String &filename, bool isBinary=true)
	載入序列化為 Torch7 框架 torch.Tensor 物件的 Blob。
void	cv::dnn::shrinkCaffeModel (CV_WRAP_FILE_PATH const String &src, CV_WRAP_FILE_PATH const String &dst, const std::vector< String > &layersTypes=std::vector< String >())
	將 Caffe 網路的所有權重轉換為半精度浮點數。
void	cv::dnn::softNMSBoxes (const std::vector< Rect > &bboxes, const std::vector< float > &scores, std::vector< float > &updated_scores, const float score_threshold, const float nms_threshold, std::vector< int > &indices, size_t top_k=0, const float sigma=0.5, SoftNMSMethod method=SoftNMSMethod::SOFTNMS_GAUSSIAN)
	在給定邊界框和相應得分的情況下執行 Soft NMS。參考文獻：https://arxiv.org/abs/1704.04503。
void	cv::dnn::writeTextGraph (CV_WRAP_FILE_PATH const String &model, CV_WRAP_FILE_PATH const String &output)
	為以 Protocol Buffer 格式儲存的二進位制網路建立文字表示。

型別定義文件 (Typedef Documentation)

LayerFactory_Impl

typedef std::map<std::string, std::vector<LayerFactory::Constructor> > cv::dnn::LayerFactory_Impl

#include <opencv2/dnn/layer_reg.private.hpp>

MatShape

typedef std::vector<int> cv::dnn::MatShape

#include <opencv2/dnn/dnn.hpp>

列舉型別文件 (Enumeration Type Documentation)

Backend

enum cv::dnn::Backend

#include <opencv2/dnn/dnn.hpp>

層級支援的計算後端列舉。

另請參閱

Net::setPreferableBackend

列舉值 (Enumerator)
DNN_BACKEND_DEFAULT  Python: cv.dnn.DNN_BACKEND_DEFAULT	DNN_BACKEND_DEFAULT 等於 OPENCV_DNN_BACKEND_DEFAULT，可以使用 CMake 或配置引數進行定義。
DNN_BACKEND_HALIDE  Python: cv.dnn.DNN_BACKEND_HALIDE
DNN_BACKEND_INFERENCE_ENGINE  Python: cv.dnn.DNN_BACKEND_INFERENCE_ENGINE	Intel OpenVINO 計算後端，支援的目標有：CPU, OPENCL, OPENCL_FP16, MYRIAD, HDDL, NPU 注意 如何使用 OpenVINO 構建 OpenCV 的教程：在 OpenVINO 中使用 OpenCV
DNN_BACKEND_OPENCV  Python: cv.dnn.DNN_BACKEND_OPENCV
DNN_BACKEND_VKCOM  Python: cv.dnn.DNN_BACKEND_VKCOM
DNN_BACKEND_CUDA  Python: cv.dnn.DNN_BACKEND_CUDA
DNN_BACKEND_WEBNN  Python: cv.dnn.DNN_BACKEND_WEBNN
DNN_BACKEND_TIMVX  Python: cv.dnn.DNN_BACKEND_TIMVX
DNN_BACKEND_CANN  Python: cv.dnn.DNN_BACKEND_CANN

DataLayout

enum cv::dnn::DataLayout

#include <opencv2/dnn/dnn.hpp>

模型推理的資料佈局列舉。

另請參閱

Image2BlobParams

列舉值 (Enumerator)
DNN_LAYOUT_UNKNOWN  Python: cv.dnn.DNN_LAYOUT_UNKNOWN
DNN_LAYOUT_ND  Python: cv.dnn.DNN_LAYOUT_ND	2D 資料的 OpenCV 資料佈局。
DNN_LAYOUT_NCHW  Python: cv.dnn.DNN_LAYOUT_NCHW	4D 資料的 OpenCV 資料佈局。
DNN_LAYOUT_NCDHW  Python: cv.dnn.DNN_LAYOUT_NCDHW	5D 資料的 OpenCV 資料佈局。
DNN_LAYOUT_NHWC  Python: cv.dnn.DNN_LAYOUT_NHWC	4D 資料的類 Tensorflow 資料佈局。
DNN_LAYOUT_NDHWC  Python: cv.dnn.DNN_LAYOUT_NDHWC	5D 資料的類 Tensorflow 資料佈局。
DNN_LAYOUT_PLANAR  Python: cv.dnn.DNN_LAYOUT_PLANAR	類 Tensorflow 資料佈局，僅應在解析 tf 或 tflite 模型時使用。

ImagePaddingMode

enum cv::dnn::ImagePaddingMode

#include <opencv2/dnn/dnn.hpp>

影像處理模式列舉。用於滿足 dnn 模型的特殊預處理要求。例如，Yolo 系列模型中常用的 letter box。

另請參閱

Image2BlobParams

列舉值 (Enumerator)
DNN_PMODE_NULL  Python: cv.dnn.DNN_PMODE_NULL
DNN_PMODE_CROP_CENTER  Python: cv.dnn.DNN_PMODE_CROP_CENTER
DNN_PMODE_LETTERBOX  Python: cv.dnn.DNN_PMODE_LETTERBOX

SoftNMSMethod

enum class cv::dnn::SoftNMSMethod

strong

#include <opencv2/dnn/dnn.hpp>

Soft NMS 方法列舉。

另請參閱

softNMSBoxes

列舉值 (Enumerator)
SOFTNMS_LINEAR
SOFTNMS_GAUSSIAN

Target

enum cv::dnn::Target

#include <opencv2/dnn/dnn.hpp>

計算目標裝置的列舉。

另請參閱

Net::setPreferableTarget

列舉值 (Enumerator)
DNN_TARGET_CPU  Python: cv.dnn.DNN_TARGET_CPU
DNN_TARGET_OPENCL  Python: cv.dnn.DNN_TARGET_OPENCL
DNN_TARGET_OPENCL_FP16  Python: cv.dnn.DNN_TARGET_OPENCL_FP16
DNN_TARGET_MYRIAD  Python: cv.dnn.DNN_TARGET_MYRIAD
DNN_TARGET_VULKAN  Python: cv.dnn.DNN_TARGET_VULKAN
DNN_TARGET_FPGA  Python: cv.dnn.DNN_TARGET_FPGA	使用推理引擎的異構外掛，具有 CPU 回退功能的 FPGA 裝置。
DNN_TARGET_CUDA  Python: cv.dnn.DNN_TARGET_CUDA
DNN_TARGET_CUDA_FP16  Python: cv.dnn.DNN_TARGET_CUDA_FP16
DNN_TARGET_HDDL  Python: cv.dnn.DNN_TARGET_HDDL
DNN_TARGET_NPU  Python: cv.dnn.DNN_TARGET_NPU
DNN_TARGET_CPU_FP16  Python: cv.dnn.DNN_TARGET_CPU_FP16

函式文件 (Function Documentation)

blobFromImage() [1/2]

Mat cv::dnn::blobFromImage	(	InputArray	影像,
		double	scalefactor = 1.0,
		const Size &	size = Size(),
		const Scalar &	mean = Scalar(),
		bool	swapRB = false,
		bool	crop = false,
		int	ddepth = CV_32F )

Python
	cv.dnn.blobFromImage(	image[, scalefactor[, size[, mean[, swapRB[, crop[, ddepth]]]]]]	) ->	retval

#include <opencv2/dnn/dnn.hpp>

從影像建立 4 維 Blob。可選擇性地調整大小並從中心裁剪 image，減去 mean 平均值，按 scalefactor 縮放值，以及交換藍色和紅色通道。

引數

影像	輸入影像（1、3 或 4 通道）。
scalefactor	images 值的乘數。
size (大小)	輸出影像的空間大小
mean	包含從通道中減去的平均值的標量。如果 image 為 BGR 順序且 swapRB 為 true，則值應按 (mean-R, mean-G, mean-B) 順序排列。
swapRB	指示是否需要交換 3 通道影像中第一個和最後一個通道的標誌。
crop	指示在調整大小後是否裁剪影像的標誌
ddepth	輸出 Blob 的深度。選擇 CV_32F 或 CV_8U。

如果 crop 為 true，則調整輸入影像的大小，使得調整後的其中一邊等於 size 中的相應維度，另一邊等於或大於該維度。然後，從中心進行裁剪。如果 crop 為 false，則直接進行調整大小，不進行裁剪並保持縱橫比。

返回

具有 NCHW 維度順序的 4 維 Mat。

注意

scalefactor 和 mean 的順序和用法為 (input - mean) * scalefactor。

blobFromImage() [2/2]

void cv::dnn::blobFromImage	(	InputArray	影像,
		OutputArray	blob,
		double	scalefactor = 1.0,
		const Size &	size = Size(),
		const Scalar &	mean = Scalar(),
		bool	swapRB = false,
		bool	crop = false,
		int	ddepth = CV_32F )

Python
	cv.dnn.blobFromImage(	image[, scalefactor[, size[, mean[, swapRB[, crop[, ddepth]]]]]]	) ->	retval

#include <opencv2/dnn/dnn.hpp>

從影像建立 4 維 Blob。

這是一個過載的成員函式，為方便起見而提供。它與上述函式的區別僅在於所接受的引數不同。

blobFromImages() [1/2]

Mat cv::dnn::blobFromImages	(	InputArrayOfArrays	images,
		double	scalefactor = 1.0,
		Size	size = Size(),
		const Scalar &	mean = Scalar(),
		bool	swapRB = false,
		bool	crop = false,
		int	ddepth = CV_32F )

Python
	cv.dnn.blobFromImages(	images[, scalefactor[, size[, mean[, swapRB[, crop[, ddepth]]]]]]	) ->	retval

#include <opencv2/dnn/dnn.hpp>

從一系列影像建立 4 維 Blob。可選擇性地從中心調整大小並裁剪 images，減去 mean 值，按 scalefactor 縮放值，交換藍紅通道。

引數

images	輸入影像（均為 1、3 或 4 通道）。
size (大小)	輸出影像的空間大小
mean	包含從通道中減去的平均值的標量。如果 image 為 BGR 順序且 swapRB 為 true，則值應按 (mean-R, mean-G, mean-B) 順序排列。
scalefactor	images 值的乘數。
swapRB	指示是否需要交換 3 通道影像中第一個和最後一個通道的標誌。
crop	指示在調整大小後是否裁剪影像的標誌
ddepth	輸出 Blob 的深度。選擇 CV_32F 或 CV_8U。

如果 crop 為 true，則調整輸入影像的大小，使得調整後的其中一邊等於 size 中的相應維度，另一邊等於或大於該維度。然後，從中心進行裁剪。如果 crop 為 false，則直接進行調整大小，不進行裁剪並保持縱橫比。

返回

具有 NCHW 維度順序的 4 維 Mat。

注意

scalefactor 和 mean 的順序和用法為 (input - mean) * scalefactor。

blobFromImages() [2/2]

void cv::dnn::blobFromImages	(	InputArrayOfArrays	images,
		OutputArray	blob,
		double	scalefactor = 1.0,
		Size	size = Size(),
		const Scalar &	mean = Scalar(),
		bool	swapRB = false,
		bool	crop = false,
		int	ddepth = CV_32F )

Python
	cv.dnn.blobFromImages(	images[, scalefactor[, size[, mean[, swapRB[, crop[, ddepth]]]]]]	) ->	retval

#include <opencv2/dnn/dnn.hpp>

從一系列影像建立 4 維 Blob。

這是一個過載的成員函式，為方便起見而提供。它與上述函式的區別僅在於所接受的引數不同。

blobFromImagesWithParams() [1/2]

Mat cv::dnn::blobFromImagesWithParams	(	InputArrayOfArrays	images,
		const Image2BlobParams &	param = Image2BlobParams() )

Python
	cv.dnn.blobFromImagesWithParams(	images[, param]	) ->	retval
	cv.dnn.blobFromImagesWithParams(	images[, blob[, param]]	) ->	blob

#include <opencv2/dnn/dnn.hpp>

使用給定引數從一系列影像建立 4 維 Blob。

此函式是 blobFromImages 的擴充套件，以滿足更多影像預處理需求。給定輸入影像和預處理引數，函式輸出 Blob。

引數

images	輸入影像（均為 1、3 或 4 通道）。
param	Image2BlobParams 結構體，包含影像到 Blob 處理所需的所有引數。

返回

4 維 Mat。

blobFromImagesWithParams() [2/2]

void cv::dnn::blobFromImagesWithParams	(	InputArrayOfArrays	images,
		OutputArray	blob,
		const Image2BlobParams &	param = Image2BlobParams() )

Python
	cv.dnn.blobFromImagesWithParams(	images[, param]	) ->	retval
	cv.dnn.blobFromImagesWithParams(	images[, blob[, param]]	) ->	blob

#include <opencv2/dnn/dnn.hpp>

這是一個過載的成員函式，為方便起見而提供。它與上述函式的區別僅在於所接受的引數不同。

blobFromImageWithParams() [1/2]

Mat cv::dnn::blobFromImageWithParams	(	InputArray	影像,
		const Image2BlobParams &	param = Image2BlobParams() )

Python
	cv.dnn.blobFromImageWithParams(	image[, param]	) ->	retval
	cv.dnn.blobFromImageWithParams(	image[, blob[, param]]	) ->	blob

#include <opencv2/dnn/dnn.hpp>

使用給定引數從影像建立 4 維 Blob。

此函式是 blobFromImage 的擴充套件，以滿足更多影像預處理需求。給定輸入影像和預處理引數，函式輸出 Blob。

引數

影像	輸入影像（均為 1、3 或 4 通道）。
param	Image2BlobParams 結構體，包含影像到 Blob 處理所需的所有引數。

返回

4 維 Mat。

blobFromImageWithParams() [2/2]

void cv::dnn::blobFromImageWithParams	(	InputArray	影像,
		OutputArray	blob,
		const Image2BlobParams &	param = Image2BlobParams() )

Python
	cv.dnn.blobFromImageWithParams(	image[, param]	) ->	retval
	cv.dnn.blobFromImageWithParams(	image[, blob[, param]]	) ->	blob

#include <opencv2/dnn/dnn.hpp>

這是一個過載的成員函式，為方便起見而提供。它與上述函式的區別僅在於所接受的引數不同。

enableModelDiagnostics()

void cv::dnn::enableModelDiagnostics

(

bool

isDiagnosticsMode

)

#include <opencv2/dnn/dnn.hpp>

啟用使用 CV DNN API 載入 DNN 模型時的詳細日誌記錄。

引數

[in]

isDiagnosticsMode

指示是否應設定診斷模式。

診斷模式提供模型載入階段的詳細日誌記錄，以探查潛在問題（例如：未實現的層型別）。

注意

在診斷模式下，一系列斷言將被跳過，這可能導致預期的應用程式崩潰。

getAvailableBackends()

std::vector< std::pair< Backend, Target > > cv::dnn::getAvailableBackends

(

)

#include <opencv2/dnn/dnn.hpp>

getAvailableTargets()

std::vector< Target > cv::dnn::getAvailableTargets

(

dnn::Backend

be

)

Python
	cv.dnn.getAvailableTargets(	be	) ->	retval

#include <opencv2/dnn/dnn.hpp>

getLayerFactoryImpl()

LayerFactory_Impl & cv::dnn::getLayerFactoryImpl

(

)

#include <opencv2/dnn/layer_reg.private.hpp>

註冊 DNN 模型的層型別。

注意

為了以執行緒安全的方式訪問工廠，請參閱 getLayerFactoryMutex() 函式。

getLayerFactoryMutex()

Mutex & cv::dnn::getLayerFactoryMutex

(

)

#include <opencv2/dnn/layer_reg.private.hpp>

獲取保護 LayerFactory_Impl 的互斥鎖，請參閱 getLayerFactoryImpl() 函式。

imagesFromBlob()

void cv::dnn::imagesFromBlob	(	const cv::Mat &	blob_,
		OutputArrayOfArrays	images_ )

Python
	cv.dnn.imagesFromBlob(	blob_[, images_]	) ->	images_

#include <opencv2/dnn/dnn.hpp>

解析 4D Blob，並透過更簡單的資料結構 (std::vector<cv::Mat>) 以 2D 陣列形式輸出其包含的影像。

引數

[in]	blob_	您想從中提取影像的浮點精度 (CV_32F) 的 4 維陣列（影像、通道、高度、寬度）。
[out]	images_	包含從 Blob 中提取的浮點精度 (CV_32F) 影像的 2D Mat 陣列。它們既沒有歸一化也沒有新增均值。返回的影像數量等於 Blob 的第一維（批次大小）。每張影像的通道數等於 Blob 的第二維（深度）。

NMSBoxes() [1/3]

void cv::dnn::NMSBoxes	(	const std::vector< Rect > &	bboxes,
		const std::vector< float > &	scores,
		const float	score_threshold,
		const float	nms_threshold,
		std::vector< int > &	indices,
		const float	eta = 1.f,
		const int	top_k = 0 )

Python
	cv.dnn.NMSBoxes(	bboxes, scores, score_threshold, nms_threshold[, eta[, top_k]]	) ->	indices
	cv.dnn.NMSBoxesRotated(	bboxes, scores, score_threshold, nms_threshold[, eta[, top_k]]	) ->	indices

#include <opencv2/dnn/dnn.hpp>

在給定邊界框和相應得分的情況下執行非極大值抑制 (NMS)。

引數

bboxes	一組應用 NMS 的邊界框。
scores	一組相應的置信度。
score_threshold	用於按得分過濾框的閾值。
nms_threshold	非極大值抑制中使用的閾值。
indices	NMS 後保留的 bboxes 索引。
eta	自適應閾值公式中的係數：\(nms\_threshold_{i+1}=eta\cdot nms\_threshold_i\)。
top_k	如果 >0，則最多保留 top_k 個選中的索引。

NMSBoxes() [2/3]

void cv::dnn::NMSBoxes	(	const std::vector< Rect2d > &	bboxes,
		const std::vector< float > &	scores,
		const float	score_threshold,
		const float	nms_threshold,
		std::vector< int > &	indices,
		const float	eta = 1.f,
		const int	top_k = 0 )

Python
	cv.dnn.NMSBoxes(	bboxes, scores, score_threshold, nms_threshold[, eta[, top_k]]	) ->	indices
	cv.dnn.NMSBoxesRotated(	bboxes, scores, score_threshold, nms_threshold[, eta[, top_k]]	) ->	indices

#include <opencv2/dnn/dnn.hpp>

NMSBoxes() [3/3]

void cv::dnn::NMSBoxes	(	const std::vector< RotatedRect > &	bboxes,
		const std::vector< float > &	scores,
		const float	score_threshold,
		const float	nms_threshold,
		std::vector< int > &	indices,
		const float	eta = 1.f,
		const int	top_k = 0 )

Python
	cv.dnn.NMSBoxes(	bboxes, scores, score_threshold, nms_threshold[, eta[, top_k]]	) ->	indices
	cv.dnn.NMSBoxesRotated(	bboxes, scores, score_threshold, nms_threshold[, eta[, top_k]]	) ->	indices

#include <opencv2/dnn/dnn.hpp>

NMSBoxesBatched() [1/2]

void cv::dnn::NMSBoxesBatched	(	const std::vector< Rect > &	bboxes,
		const std::vector< float > &	scores,
		const std::vector< int > &	class_ids,
		const float	score_threshold,
		const float	nms_threshold,
		std::vector< int > &	indices,
		const float	eta = 1.f,
		const int	top_k = 0 )

Python
	cv.dnn.NMSBoxesBatched(	bboxes, scores, class_ids, score_threshold, nms_threshold[, eta[, top_k]]	) ->	indices

#include <opencv2/dnn/dnn.hpp>

跨不同類別對給定邊界框和相應得分執行批次非極大值抑制。

引數

bboxes	一組應用 NMS 的邊界框。
scores	一組相應的置信度。
class_ids	一組相應的類別 ID。ID 是整數，通常從 0 開始。
score_threshold	用於按得分過濾框的閾值。
nms_threshold	非極大值抑制中使用的閾值。
indices	NMS 後保留的 bboxes 索引。
eta	自適應閾值公式中的係數：\(nms\_threshold_{i+1}=eta\cdot nms\_threshold_i\)。
top_k	如果 >0，則最多保留 top_k 個選中的索引。

NMSBoxesBatched() [2/2]

void cv::dnn::NMSBoxesBatched	(	const std::vector< Rect2d > &	bboxes,
		const std::vector< float > &	scores,
		const std::vector< int > &	class_ids,
		const float	score_threshold,
		const float	nms_threshold,
		std::vector< int > &	indices,
		const float	eta = 1.f,
		const int	top_k = 0 )

Python
	cv.dnn.NMSBoxesBatched(	bboxes, scores, class_ids, score_threshold, nms_threshold[, eta[, top_k]]	) ->	indices

#include <opencv2/dnn/dnn.hpp>

readNet() [1/2]

Net cv::dnn::readNet	(	const String &	framework,
		const std::vector< uchar > &	bufferModel,
		const std::vector< uchar > &	bufferConfig = std::vector< uchar >() )

Python
	cv.dnn.readNet(	model[, config[, framework]]	) ->	retval
	cv.dnn.readNet(	framework, bufferModel[, bufferConfig]	) ->	retval

#include <opencv2/dnn/dnn.hpp>

讀取以受支援格式之一表示的深度學習網路。

這是一個過載的成員函式，為方便起見而提供。它與上述函式的區別僅在於所接受的引數不同。

引數

[in]	framework	源框架的名稱。
[in]	bufferModel	包含權重二進位制檔案內容的緩衝區
[in]	bufferConfig	包含網路配置文字檔案內容的緩衝區。

返回

網路 物件。

readNet() [2/2]

Net cv::dnn::readNet	(	CV_WRAP_FILE_PATH const String &	model,
		CV_WRAP_FILE_PATH const String &	config = "",
		const String &	framework = "" )

Python
	cv.dnn.readNet(	model[, config[, framework]]	) ->	retval
	cv.dnn.readNet(	framework, bufferModel[, bufferConfig]	) ->	retval

#include <opencv2/dnn/dnn.hpp>

讀取以受支援格式之一表示的深度學習網路。

引數

[in]	model	包含訓練好權重的二進位制檔案。對於來自不同框架的模型，預期具有以下副檔名 *.caffemodel (Caffe, http://caffe.berkeleyvision.org/) *.pb (TensorFlow, https://www.tensorflow.org/) *.t7 | *.net (Torch, http://torch.ch/) *.weights (Darknet, https://pjreddie.com/darknet/) *.bin | *.onnx (OpenVINO, https://software.intel.com/openvino-toolkit) *.onnx (ONNX, https://onnx.ai/)
[in]	config	包含網路配置的文字檔案。它可能是具有以下副檔名的檔案 *.prototxt (Caffe, http://caffe.berkeleyvision.org/) *.pbtxt (TensorFlow, https://www.tensorflow.org/) *.cfg (Darknet, https://pjreddie.com/darknet/) *.xml (OpenVINO, https://software.intel.com/openvino-toolkit)
[in]	framework	用於確定格式的顯式框架名稱標籤。

返回

網路 物件。

此函式會自動檢測訓練模型的源框架，並呼叫相應的函式，如 readNetFromCaffe, readNetFromTensorflow, readNetFromTorch 或 readNetFromDarknet。model 和 config 引數的順序並不重要。

readNetFromCaffe() [1/3]

Net cv::dnn::readNetFromCaffe	(	const char *	bufferProto,
		size_t	lenProto,
		const char *	bufferModel = NULL,
		size_t	lenModel = 0 )

Python
	cv.dnn.readNetFromCaffe(	prototxt[, caffeModel]	) ->	retval
	cv.dnn.readNetFromCaffe(	bufferProto[, bufferModel]	) ->	retval

#include <opencv2/dnn/dnn.hpp>

讀取儲存在記憶體中的 Caffe 網路模型。

這是一個過載的成員函式，為方便起見而提供。它與上述函式的區別僅在於所接受的引數不同。

引數

bufferProto	包含 .prototxt 檔案內容的緩衝區
lenProto	bufferProto 的長度
bufferModel	包含 .caffemodel 檔案內容的緩衝區
lenModel	bufferModel 的長度

返回

網路 物件。

readNetFromCaffe() [2/3]

Net cv::dnn::readNetFromCaffe	(	const std::vector< uchar > &	bufferProto,
		const std::vector< uchar > &	bufferModel = std::vector< uchar >() )

Python
	cv.dnn.readNetFromCaffe(	prototxt[, caffeModel]	) ->	retval
	cv.dnn.readNetFromCaffe(	bufferProto[, bufferModel]	) ->	retval

#include <opencv2/dnn/dnn.hpp>

讀取儲存在記憶體中的 Caffe 網路模型。

引數

bufferProto	包含 .prototxt 檔案內容的緩衝區
bufferModel	包含 .caffemodel 檔案內容的緩衝區

返回

網路 物件。

readNetFromCaffe() [3/3]

Net cv::dnn::readNetFromCaffe	(	CV_WRAP_FILE_PATH const String &	prototxt,
		CV_WRAP_FILE_PATH const String &	caffeModel = String() )

Python
	cv.dnn.readNetFromCaffe(	prototxt[, caffeModel]	) ->	retval
	cv.dnn.readNetFromCaffe(	bufferProto[, bufferModel]	) ->	retval

#include <opencv2/dnn/dnn.hpp>

讀取以 Caffe 框架格式儲存的網路模型。

引數

prototxt	指向帶有網路架構文字描述的 .prototxt 檔案的路徑。
caffeModel	指向帶有訓練好的網路的 .caffemodel 檔案的路徑。

返回

網路 物件。

readNetFromDarknet() [1/3]

Net cv::dnn::readNetFromDarknet	(	const char *	bufferCfg,
		size_t	lenCfg,
		const char *	bufferModel = NULL,
		size_t	lenModel = 0 )

Python
	cv.dnn.readNetFromDarknet(	cfgFile[, darknetModel]	) ->	retval
	cv.dnn.readNetFromDarknet(	bufferCfg[, bufferModel]	) ->	retval

#include <opencv2/dnn/dnn.hpp>

讀取儲存在 Darknet 模型檔案中的網路模型。

引數

bufferCfg	包含網路架構文字描述的 .cfg 檔案內容的緩衝區。
lenCfg	要從 bufferCfg 讀取的位元組數
bufferModel	包含訓練好的網路的 .weights 檔案內容的緩衝區。
lenModel	要從 bufferModel 讀取的位元組數

返回

網路 物件。

readNetFromDarknet() [2/3]

Net cv::dnn::readNetFromDarknet	(	const std::vector< uchar > &	bufferCfg,
		const std::vector< uchar > &	bufferModel = std::vector< uchar >() )

Python
	cv.dnn.readNetFromDarknet(	cfgFile[, darknetModel]	) ->	retval
	cv.dnn.readNetFromDarknet(	bufferCfg[, bufferModel]	) ->	retval

#include <opencv2/dnn/dnn.hpp>

讀取儲存在 Darknet 模型檔案中的網路模型。

引數

bufferCfg	包含網路架構文字描述的 .cfg 檔案內容的緩衝區。
bufferModel	包含訓練好的網路的 .weights 檔案內容的緩衝區。

返回

網路 物件。

readNetFromDarknet() [3/3]

Net cv::dnn::readNetFromDarknet	(	CV_WRAP_FILE_PATH const String &	cfgFile,
		CV_WRAP_FILE_PATH const String &	darknetModel = String() )

Python
	cv.dnn.readNetFromDarknet(	cfgFile[, darknetModel]	) ->	retval
	cv.dnn.readNetFromDarknet(	bufferCfg[, bufferModel]	) ->	retval

#include <opencv2/dnn/dnn.hpp>

讀取儲存在 Darknet 模型檔案中的網路模型。

引數

cfgFile	指向帶有網路架構文字描述的 .cfg 檔案的路徑。
darknetModel	指向帶有訓練好的網路的 .weights 檔案的路徑。

返回

準備好進行前向計算的網路物件，在失敗情況下丟擲異常。

readNetFromModelOptimizer() [1/3]

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

Python
	cv.dnn.readNetFromModelOptimizer(	xml[, bin]	) ->	retval
	cv.dnn.readNetFromModelOptimizer(	bufferModelConfig, bufferWeights	) ->	retval

#include <opencv2/dnn/dnn.hpp>

從 Intel 的 Model Optimizer 中間表示載入網路。

引數

[in]	bufferModelConfig	包含具有網路拓撲的 XML 配置的緩衝區。
[in]	bufferWeights	包含具有訓練權重的二進位制資料的緩衝區。

返回

Net 物件。從 Intel 的 Model Optimizer 匯入的網路將在 Intel 的推理引擎後端啟動。

readNetFromModelOptimizer() [2/3]

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

Python
	cv.dnn.readNetFromModelOptimizer(	xml[, bin]	) ->	retval
	cv.dnn.readNetFromModelOptimizer(	bufferModelConfig, bufferWeights	) ->	retval

#include <opencv2/dnn/dnn.hpp>

從 Intel 的 Model Optimizer 中間表示載入網路。

引數

[in]	bufferModelConfigPtr	指向包含網路拓撲 XML 配置的緩衝區的指標。
[in]	bufferModelConfigSize	XML 配置資料的二進位制大小。
[in]	bufferWeightsPtr	指向包含訓練權重二進位制資料的緩衝區的指標。
[in]	bufferWeightsSize	訓練權重資料的二進位制大小。

返回

Net 物件。從 Intel 的 Model Optimizer 匯入的網路將在 Intel 的推理引擎後端啟動。

readNetFromModelOptimizer() [3/3]

Net cv::dnn::readNetFromModelOptimizer	(	CV_WRAP_FILE_PATH const String &	xml,
		CV_WRAP_FILE_PATH const String &	bin = "" )

Python
	cv.dnn.readNetFromModelOptimizer(	xml[, bin]	) ->	retval
	cv.dnn.readNetFromModelOptimizer(	bufferModelConfig, bufferWeights	) ->	retval

#include <opencv2/dnn/dnn.hpp>

從 Intel 的 Model Optimizer 中間表示載入網路。

引數

[in]	xml	帶有網路拓撲的 XML 配置檔案。
[in]	bin	帶有訓練權重的二進位制檔案。

返回

Net 物件。從 Intel 的 Model Optimizer 匯入的網路將在 Intel 的推理引擎後端啟動。

readNetFromONNX() [1/3]

Net cv::dnn::readNetFromONNX	(	const char *	buffer,
		size_t	sizeBuffer )

Python
	cv.dnn.readNetFromONNX(	onnxFile	) ->	retval
	cv.dnn.readNetFromONNX(	buffer	) ->	retval

#include <opencv2/dnn/dnn.hpp>

從 ONNX 記憶體緩衝區讀取網路模型。

引數

buffer	緩衝區第一個位元組的記憶體地址。
sizeBuffer	緩衝區的大小。

返回

準備好進行前向計算的網路物件，在失敗情況下丟擲異常。

readNetFromONNX() [2/3]

Net cv::dnn::readNetFromONNX

(

const std::vector< uchar > &

buffer

)

Python
	cv.dnn.readNetFromONNX(	onnxFile	) ->	retval
	cv.dnn.readNetFromONNX(	buffer	) ->	retval

#include <opencv2/dnn/dnn.hpp>

從 ONNX 記憶體緩衝區讀取網路模型。

引數

buffer

儲存 ONNX 模型位元組的記憶體緩衝區。

返回

準備好進行前向計算的網路物件，在失敗情況下丟擲異常。

readNetFromONNX() [3/3]

Net cv::dnn::readNetFromONNX

(

CV_WRAP_FILE_PATH const String &

onnxFile

)

Python
	cv.dnn.readNetFromONNX(	onnxFile	) ->	retval
	cv.dnn.readNetFromONNX(	buffer	) ->	retval

#include <opencv2/dnn/dnn.hpp>

讀取 ONNX 網路模型。

引數

onnxFile

指向帶有網路架構文字描述的 .onnx 檔案的路徑。

返回

準備好進行前向計算的網路物件，在失敗情況下丟擲異常。

readNetFromTensorflow() [1/3]

Net cv::dnn::readNetFromTensorflow	(	const char *	bufferModel,
		size_t	lenModel,
		const char *	bufferConfig = NULL,
		size_t	lenConfig = 0 )

Python
	cv.dnn.readNetFromTensorflow(	model[, config]	) ->	retval
	cv.dnn.readNetFromTensorflow(	bufferModel[, bufferConfig]	) ->	retval

#include <opencv2/dnn/dnn.hpp>

讀取以 TensorFlow 框架格式儲存的網路模型。

這是一個過載的成員函式，為方便起見而提供。它與上述函式的區別僅在於所接受的引數不同。

引數

bufferModel	包含 pb 檔案內容的緩衝區
lenModel	bufferModel 的長度
bufferConfig	包含 pbtxt 檔案內容的緩衝區
lenConfig	bufferConfig 的長度

readNetFromTensorflow() [2/3]

Net cv::dnn::readNetFromTensorflow	(	const std::vector< uchar > &	bufferModel,
		const std::vector< uchar > &	bufferConfig = std::vector< uchar >() )

Python
	cv.dnn.readNetFromTensorflow(	model[, config]	) ->	retval
	cv.dnn.readNetFromTensorflow(	bufferModel[, bufferConfig]	) ->	retval

#include <opencv2/dnn/dnn.hpp>

讀取以 TensorFlow 框架格式儲存的網路模型。

引數

bufferModel	包含 pb 檔案內容的緩衝區
bufferConfig	包含 pbtxt 檔案內容的緩衝區

返回

網路 物件。

readNetFromTensorflow() [3/3]

Net cv::dnn::readNetFromTensorflow	(	CV_WRAP_FILE_PATH const String &	model,
		CV_WRAP_FILE_PATH const String &	config = String() )

Python
	cv.dnn.readNetFromTensorflow(	model[, config]	) ->	retval
	cv.dnn.readNetFromTensorflow(	bufferModel[, bufferConfig]	) ->	retval

#include <opencv2/dnn/dnn.hpp>

讀取以 TensorFlow 框架格式儲存的網路模型。

引數

model	指向帶有網路架構二進位制 protobuf 描述的 .pb 檔案的路徑
config	指向包含 protobuf 格式文字圖定義的 .pbtxt 檔案的路徑。生成的 Net 物件由文字圖構建，並使用二進位制圖中的權重，這使其更加靈活。

返回

網路 物件。

readNetFromTFLite() [1/3]

Net cv::dnn::readNetFromTFLite	(	const char *	bufferModel,
		size_t	lenModel )

Python
	cv.dnn.readNetFromTFLite(	model	) ->	retval
	cv.dnn.readNetFromTFLite(	bufferModel	) ->	retval

#include <opencv2/dnn/dnn.hpp>

讀取以 TFLite 框架格式儲存的網路模型。

這是一個過載的成員函式，為方便起見而提供。它與上述函式的區別僅在於所接受的引數不同。

引數

bufferModel	包含 tflite 檔案內容的緩衝區
lenModel	bufferModel 的長度

readNetFromTFLite() [2/3]

Net cv::dnn::readNetFromTFLite

(

const std::vector< uchar > &

bufferModel

)

Python
	cv.dnn.readNetFromTFLite(	model	) ->	retval
	cv.dnn.readNetFromTFLite(	bufferModel	) ->	retval

#include <opencv2/dnn/dnn.hpp>

讀取以 TFLite 框架格式儲存的網路模型。

引數

bufferModel

包含 tflite 檔案內容的緩衝區

返回

網路 物件。

readNetFromTFLite() [3/3]

Net cv::dnn::readNetFromTFLite

(

CV_WRAP_FILE_PATH const String &

model

)

Python
	cv.dnn.readNetFromTFLite(	model	) ->	retval
	cv.dnn.readNetFromTFLite(	bufferModel	) ->	retval

#include <opencv2/dnn/dnn.hpp>

讀取以 TFLite 框架格式儲存的網路模型。

引數

model

指向帶有網路架構二進位制 flatbuffers 描述的 .tflite 檔案的路徑

返回

網路 物件。

readNetFromTorch()

Net cv::dnn::readNetFromTorch	(	CV_WRAP_FILE_PATH const String &	model,
		bool	isBinary = true,
		bool	evaluate = true )

Python
	cv.dnn.readNetFromTorch(	model[, isBinary[, evaluate]]	) ->	retval

#include <opencv2/dnn/dnn.hpp>

讀取以 Torch7 框架格式儲存的網路模型。

引數

model	指向使用 torch.save() 函式從 Torch 轉儲的檔案的路徑。
isBinary	指定網路是以 ascii 模式還是二進位制模式序列化的。
evaluate	指定網路的測試階段。如果為 true，類似於 Torch 中的 evaluate() 方法。

返回

網路 物件。

注意

Torch 序列化器的 Ascii 模式更可取，因為二進位制模式廣泛使用 C 語言的 long 型別，該型別在不同系統上的位長度各不相同。

載入的檔案必須包含帶有匯入網路的序列化 nn.Module 物件。嘗試從序列化資料中排除自定義物件，以避免匯入錯誤。

支援的層列表（即源自 Torch nn.Module 類的物件例項）

• nn.Sequential
• nn.Parallel
• nn.Concat
• nn.Linear
• nn.SpatialConvolution
• nn.SpatialMaxPooling, nn.SpatialAveragePooling
• nn.ReLU, nn.TanH, nn.Sigmoid
• nn.Reshape
• nn.SoftMax, nn.LogSoftMax

此外，來自 cunn、cudnn 和 fbcunn 的這些類的一些等效類也可以成功匯入。

readTensorFromONNX()

Mat cv::dnn::readTensorFromONNX

(

CV_WRAP_FILE_PATH const String &

path

)

Python
	cv.dnn.readTensorFromONNX(	path	) ->	retval

#include <opencv2/dnn/dnn.hpp>

從 .pb 檔案建立 Blob。

引數

path	帶有輸入張量的 .pb 檔案。

返回

Mat.

readTorchBlob()

Mat cv::dnn::readTorchBlob	(	const String &	filename,
		bool	isBinary = true )

Python
	cv.dnn.readTorchBlob(	filename[, isBinary]	) ->	retval

#include <opencv2/dnn/dnn.hpp>

載入序列化為 Torch7 框架 torch.Tensor 物件的 Blob。

警告

此函式具有與 readNetFromTorch() 相同的侷限性。

shrinkCaffeModel()

void cv::dnn::shrinkCaffeModel	(	CV_WRAP_FILE_PATH const String &	src,
		CV_WRAP_FILE_PATH const String &	dst,
		const std::vector< String > &	layersTypes = std::vector< String >() )

Python
	cv.dnn.shrinkCaffeModel(	src, dst[, layersTypes]	) ->	None

#include <opencv2/dnn/dnn.hpp>

將 Caffe 網路的所有權重轉換為半精度浮點數。

引數

src	包含單精度浮點權重的 Caffe 框架原始模型路徑（通常具有 .caffemodel 副檔名）。
dst	帶有更新權重的目標模型路徑。
layersTypes	要轉換引數的層型別集。預設情況下，僅轉換卷積層和全連線層的權重。

注意

壓縮後的模型沒有原始 float32 權重，因此不能再在原始 Caffe 框架中使用。但是，資料結構取自 NVidia 的 Caffe 分支：https://github.com/NVIDIA/caffe。因此生成的模型可以在那裡使用。

softNMSBoxes()

void cv::dnn::softNMSBoxes	(	const std::vector< Rect > &	bboxes,
		const std::vector< float > &	scores,
		std::vector< float > &	updated_scores,
		const float	score_threshold,
		const float	nms_threshold,
		std::vector< int > &	indices,
		size_t	top_k = 0,
		const float	sigma = 0.5,
		SoftNMSMethod	method = SoftNMSMethod::SOFTNMS_GAUSSIAN )

Python
	cv.dnn.softNMSBoxes(	bboxes, scores, score_threshold, nms_threshold[, top_k[, sigma[, method]]]	) ->	updated_scores, indices

#include <opencv2/dnn/dnn.hpp>

在給定邊界框和相應得分的情況下執行 Soft NMS。參考文獻：https://arxiv.org/abs/1704.04503。

引數

bboxes	應用 Soft NMS 的一組邊界框。
scores	一組相應的置信度。
updated_scores	一組相應的更新後的置信度。
score_threshold	用於按得分過濾框的閾值。
nms_threshold	非極大值抑制中使用的閾值。
indices	NMS 後保留的 bboxes 索引。
top_k	最多保留 top_k 個選中的索引。
sigma	高斯加權的引數。
method	高斯或線性。

另請參閱

SoftNMSMethod

writeTextGraph()

void cv::dnn::writeTextGraph	(	CV_WRAP_FILE_PATH const String &	model,
		CV_WRAP_FILE_PATH const String &	output )

Python
	cv.dnn.writeTextGraph(	model, output	) ->	None

#include <opencv2/dnn/dnn.hpp>

為以 Protocol Buffer 格式儲存的二進位制網路建立文字表示。

引數

[in]	model	二進位制網路的路徑。
[in]	output	要建立的輸出文字檔案的路徑。

注意

為了減小輸出檔案的大小，不包含訓練好的權重。