cv::dnn::Model 类参考

此类为神经网络提供了高级 API。 更多...

#include <opencv2/dnn/dnn.hpp>

cv::dnn::Model 的协作图

公共成员函数
	Model ()
	Model (const Model &)=default
	Model (const Net &network)
	从深度学习网络创建模型。
	Model (CV_WRAP_FILE_PATH const String &model, CV_WRAP_FILE_PATH const String &config="")
	从以支持的格式之一表示的深度学习网络创建模型。model 和 config 参数的顺序无关紧要。
	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
	给定 input 帧，创建输入 blob，运行网络并返回输出 blobs。
Model &	setInputCrop (bool crop)
	设置帧的裁剪标志。
Model &	setInputMean (const Scalar &mean)
	设置帧的平均值。
void	setInputParams (double scale=1.0, const Size &size=Size(), const Scalar &mean=Scalar(), bool swapRB=false, bool crop=false)
	设置帧的预处理参数。
Model &	setInputScale (const Scalar &scale)
	设置帧的缩放因子值。
Model &	setInputSize (const Size &size)
	设置帧的输入大小。
Model &	setInputSize (int width, int height)
Model &	setInputSwapRB (bool swapRB)
	设置帧的 swapRB 标志。
Model &	setOutputNames (const std::vector< String > &outNames)
	设置帧的输出名称。
Model &	setPreferableBackend (dnn::Backend backendId)
Model &	setPreferableTarget (dnn::Target targetId)

受保护的属性
Ptr< Impl >	impl

详细描述

此类为神经网络提供了高级 API。

Model 允许设置预处理输入图像的参数。 Model 从包含已训练权重和配置的文件创建网络，设置预处理输入并运行正向传递。

构造函数和析构函数文档

Model() [1/5]

cv::dnn::Model::Model

(

)

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

Model() [2/5]

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

default

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

Model() [3/5]

cv::dnn::Model::Model ( Model &&  )

default

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

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 对象>
	cv.dnn.Model(	network	) ->	<dnn_Model 对象>

从以支持的格式之一表示的深度学习网络创建模型。model 和 config 参数的顺序无关紧要。

参数

[in]	model	二进制文件包含已训练权重。
[in]	config	文本文件包含网络配置。

Model() [5/5]

cv::dnn::Model::Model

(

const Net &

network

)

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

从深度学习网络创建模型。

参数

[in]

network

Net 对象。

成员函数文档

enableWinograd()

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

(

bool

useWinograd

)

Python
	cv.dnn.Model.enableWinograd(	useWinograd	) ->	retval

另请参阅

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

此函数的调用图如下所示

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 &&  )

default

predict()

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

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

给定 input 帧，创建输入 blob，运行网络并返回输出 blobs。

参数

[in]	frame	输入图像。
[out]	outs	分配的输出 blob，将存储计算结果。

setInputCrop()

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

(

bool

crop

)

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

设置帧的裁剪标志。

参数

[in]

crop

指示图像在调整大小后是否将被裁剪的标志。

setInputMean()

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

(

const Scalar &

mean

)

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

设置帧的平均值。

参数

[in]

mean

包含从通道中减去的平均值的标量。

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(	[, scale[, size[, mean[, swapRB[, crop]]]]]	) ->	None

设置帧的预处理参数。

参数

[in]	size	新的输入大小。
[in]	mean	包含从通道中减去的平均值的标量。
[in]	scale	帧值的乘数。
[in]	swapRB	指示是否交换第一个和最后一个通道的标志。
[in]	crop	指示图像在调整大小后是否将被裁剪的标志。 blob(n, c, y, x) = scale * resize( frame(y, x, c) ) - mean(c) )

setInputScale()

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

(

const Scalar &

scale

)

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

设置帧的缩放因子值。

参数

[in]

scale

帧值的乘数。

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

设置帧的输入大小。

参数

[in]

size

新的输入大小。

注意

如果新 blob 的形状小于 0，则帧大小不会改变。

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

这是一个重载成员函数，提供方便。它与上面的函数的不同之处仅在于它接受的参数。

参数

[in]	width	新的输入宽度。
[in]	height	新的输入高度。

此函数的调用图如下所示

setInputSwapRB()

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

(

bool

swapRB

)

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

设置帧的 swapRB 标志。

参数

[in]

swapRB

指示是否交换第一个和最后一个通道的标志。

setOutputNames()

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

(

const std::vector< String > &

outNames

)

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

设置帧的输出名称。

参数

[in]

outNames

输出层的名称。

setPrefer

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

(

dnn::Backend

backendId

)

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

另请参阅

Net::setPreferableBackend

setPreferableTarget()

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

(

dnn::Target

targetId

)

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

另请参阅

Net::setPreferableTarget

成员数据文档

impl

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

受保护

---

此类的文档是从以下文件生成的

• opencv2/dnn/dnn.hpp