深度神经网络模块

模块
	部分实现层列表
	新层注册实用工具

详细说明

本模块包含

• 创建新层的API，网络层是神经网络的构建块；
• 一组内置的最常用层；
• API用于从层构建和修改综合神经网络；
• 从不同框架加载序列化网络模型的函数。

本模块的功能仅设计用于正向传递计算（即网络测试）。原则上不支持网络训练。

类
类	cv::dnn::BackendNode
	本类的派生类封装了某些后端的功能。 更多...
类	cv::dnn::BackendWrapper
	本类的派生类为不同后端和目标封装cv::Mat。 更多...
类	cv::dnn::ClassificationModel
	本类表示分类模型的顶层API。 更多...
类	cv::dnn::DetectionModel
	本类表示物体检测网络的顶层API。 更多...
类	cv::dnn::Dict
	本类实现名为值字典，值是DictValue的实例。 更多...
结构体	cv::dnn::DictValue
	本结构体存储以下类型之一的标量值（或数组）：double，cv::String或int64。 更多...
结构体	cv::dnn::Image2BlobParams
	图像转blob的参数。 更多...
类	cv::dnn::KeypointsModel
	本类表示关键点模型的顶层API。 更多...
类	cv::dnn::Layer
	本接口类允许构建新的层——网络的构建块。 更多...
类	cv::dnn::LayerParams
	本类提供初始化层所需的所有数据。 更多...
类	cv::dnn::Model
	本类是神经网络顶层API的表示。 更多...
类	cv::dnn::Net
	本类允许创建并操作综合人工神经网络。 更多...
类	cv::dnn::SegmentationModel
	本类表示分割模型的顶层API。 更多...
类	cv::dnn::TextDetectionModel
	文本检测网络的基类。 更多...
类	cv::dnn::TextDetectionModel_DB
	本类表示与DB模型兼容的文本检测深度学习网络的顶层API。 更多...
类	cv::dnn::TextDetectionModel_EAST
	本类表示与EAST模型兼容的文本检测深度学习网络的顶层API。 更多...
类	cv::dnn::TextRecognitionModel
	本类表示文本识别网络的顶层API。 更多...

类型定义
typedef std::map< std::string, std::vector< LayerFactory::Constructor > >	cv::dnn::LayerFactory_Impl
typedef std::vector< int >	cv::dnn::MatShape

枚举
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 }
	层支持的计算后端枚举。 更多信息...
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 }
	模型推理的数据布局枚举。 更多信息...
enum	cv::dnn::ImagePaddingMode {   cv::dnn::DNN_PMODE_NULL = 0 ,   cv::dnn::DNN_PMODE_CROP_CENTER = 1 ,   cv::dnn::DNN_PMODE_LETTERBOX = 2 }
	图像处理模式的枚举。用于简化dnn模型的预处理需求。例如，在Yolo系列模型中经常使用的letter box。 更多信息...
enum class	cv::dnn::SoftNMSMethod {   cv::dnn::SoftNMSMethod::SOFTNMS_LINEAR = 1 ,   cv::dnn::SoftNMSMethod::SOFTNMS_GAUSSIAN = 2 }
	Soft NMS方法的枚举。 更多信息...
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 }
	计算目标的枚举。 更多信息...

函数
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)
	从图像创建4维blob。可选地调整和裁剪图像，从中心裁剪，减去mean值，通过scalefactor缩放值，交换蓝色和红色通道。
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)
	从图像创建4维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)
	从一系列图像创建四维 blob。可选地根据中心调整图像大小和裁剪，减去均值值，按比例缩放值，交换蓝色和红色通道。
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)
	从一系列图像创建四维 blob。
Mat	cv::dnn::blobFromImagesWithParams (InputArrayOfArrays images, const Image2BlobParams &param=Image2BlobParams())
	使用给定的参数从一系列图像创建四维 blob。
void	cv::dnn::blobFromImagesWithParams (InputArrayOfArrays images, OutputArray blob, const Image2BlobParams &param=Image2BlobParams())
Mat	cv::dnn::blobFromImageWithParams (InputArray image, const Image2BlobParams &param=Image2BlobParams())
	使用给定参数从图像创建四维 blob。
void	cv::dnn::blobFromImageWithParams (InputArray image, OutputArray blob, const Image2BlobParams &param=Image2BlobParams())
void	cv::dnn::enableModelDiagnostics (bool isDiagnosticsMode)
	启用 CV DNN API 加载 DNN 模型时的详细日志。
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 ()
	获取保护 LayerFactory_Impl 的互斥锁，请参阅 getLayerFactoryImpl() 函数。
void	cv::dnn::imagesFromBlob (const cv::Mat &blob_, OutputArrayOfArrays images_)
	解析 4D blob，并通过更简单的数据结构（std::vector< cv::Mat>）输出其中包含的图像作为二维数组。
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)
	对给定的框和相应的分数执行非最大值抑制。
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)
	在给定框和相应分数的不同类别上执行批处理非最大值抑制。
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 >())
	读取以支持格式之一表示的深度学习网络。
Net	cv::dnn::readNet (CV_WRAP_FILE_PATH const String &model, CV_WRAP_FILE_PATH const String &config="", const String &framework="")
	读取以支持格式之一表示的深度学习网络。
Net	cv::dnn::readNetFromCaffe (const char *bufferProto, size_t lenProto, const char *bufferModel=NULL, size_t lenModel=0)
	在内存中读取保存在 Caffe 模型中的网络模型。
Net	cv::dnn::readNetFromCaffe (const std::vector< uchar > &bufferProto, const std::vector< uchar > &bufferModel=std::vector< uchar >())
	在内存中读取保存在 Caffe 模型中的网络模型。
Net	cv::dnn::readNetFromCaffe (CV_WRAP_FILE_PATH const String &prototxt, CV_WRAP_FILE_PATH const String &caffeModel=String())
	读取保存在 Caffe 框架格式的网络模型。
Net	cv::dnn::readNetFromDarknet (const char *bufferCfg, size_t lenCfg, const char *bufferModel=NULL, size_t lenModel=0)
	从存储在Darknet模型文件中的网络模型读取。
Net	cv::dnn::readNetFromDarknet (const std::vector& bufferCfg, const std::vector& bufferModel=std::vector())
	从存储在Darknet模型文件中的网络模型读取。
Net	cv::dnn::readNetFromDarknet (const String& cfgFile, const String& darknetModel=String())
	从存储在Darknet模型文件中的网络模型读取。
Net	cv::dnn::readNetFromModelOptimizer (const std::vector& bufferModelConfig, const std::vector& bufferWeights)
	从Intel的Model Optimizer中间表示中加载网络。
Net	cv::dnn::readNetFromModelOptimizer (const uchar* bufferModelConfigPtr, size_t bufferModelConfigSize, const uchar* bufferWeightsPtr, size_t bufferWeightsSize)
	从Intel的Model Optimizer中间表示中加载网络。
Net	cv::dnn::readNetFromModelOptimizer (const String& xml, const String& bin=String())
	从Intel的Model Optimizer中间表示中加载网络。
Net	cv::dnn::readNetFromONNX (const char* buffer, size_t sizeBuffer)
	从ONNX的内存中读取网络模型。
Net	cv::dnn::readNetFromONNX (const std::vector& buffer)
	从ONNX的内存中读取网络模型。
Net	cv::dnn::readNetFromONNX (const String& onnxFile)
	从ONNX读取网络模型。
Net	cv::dnn::readNetFromTensorflow (const char* bufferModel, size_t lenModel, const char* bufferConfig=NULL, size_t lenConfig=0)
	从TensorFlow框架的格式读取存储的网络模型。
Net	cv::dnn::readNetFromTensorflow (const std::vector& bufferModel, const std::vector& bufferConfig=std::vector())
	从TensorFlow框架的格式读取存储的网络模型。
Net	cv::dnn::readNetFromTensorflow (const String& model, const String& config=String())
	从TensorFlow框架的格式读取存储的网络模型。
Net	cv::dnn::readNetFromTFLite (const char *bufferModel, size_t lenModel)
	读取存储在TFLite框架格式的网络模型。
Net	cv::dnn::readNetFromTFLite (const std::vector& bufferModel)
	读取存储在TFLite框架格式的网络模型。
Net	cv::dnn::readNetFromTFLite (CV_WRAP_FILE_PATH const String& model)
	读取存储在TFLite框架格式的网络模型。
Net	cv::dnn::readNetFromTorch (CV_WRAP_FILE_PATH const String& model, bool isBinary=true, bool evaluate=true)
	读取存储在Torch7框架格式的网络模型。
Mat	cv::dnn::readTensorFromONNX (CV_WRAP_FILE_PATH const String& path)
	从.pb文件创建blob。
Mat	cv::dnn::readTorchBlob (String& filename, bool isBinary=true)
	加载由Torch7框架的torch.Tensor对象序列化的blob。
void	cv::dnn::shrinkCaffeModel (CV_WRAP_FILE_PATH const String& src, CV_WRAP_FILE_PATH const String& dst, const std::vector& layersTypes=std::vector())
	将Caffe网络的所有权重转换为半精度浮点数。
void	cv::dnn::softNMSBoxes (const std::vector& bboxes, const std::vector& scores, std::vector& updated_scores, const float score_threshold, const float nms_threshold, std::vector& indices, size_t top_k=0, const float sigma=0.5, SoftNMSMethod method=SoftNMSMethod::SOFTNMS_GAUSSIAN)
	执行给定框和对应分数的软非极大抑制。参考：https://arxiv.org/abs/1704.04503。
void	cv::dnn::writeTextGraph (CV_WRAP_FILE_PATH const String& model, CV_WRAP_FILE_PATH const String& output)
	为存储在协议缓冲格式中的二进制网络创建文本表示。

类型定义文档

LayerFactory_Impl

typedef std::map> cv::dnn::LayerFactory_Impl

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

MatShape

typedef std::vector cv::dnn::MatShape

#include <opencv2/dnn/dnn.hpp>

枚举类型文档

Backend

enum cv::dnn::Backend

#include <opencv2/dnn/dnn.hpp>

层支持的计算后端枚举。

另请参阅

Net::setPreferableBackend

枚举器
默认后端 Python: cv.dnn.DNN_BACKEND_DEFAULT	默认后端等于 OPENCV_DNN_BACKEND_DEFAULT，可以通过 CMake 或配置参数来定义。
Halide 后端 Python: cv.dnn.DNN_BACKEND_HALIDE
INFERENGINE 后端 Python: cv.dnn.DNN_BACKEND_INFERENCE_ENGINE	Intel OpenVINO 计算后端 注意 如何使用 OpenVINO 构建 OpenCV 的教程： 使用 OpenVINO 的 OpenCV
OpenCV 后端 Python: cv.dnn.DNN_BACKEND_OPENCV
VKCOM 后端 Python: cv.dnn.DNN_BACKEND_VKCOM
CUDA 后端 Python: cv.dnn.DNN_BACKEND_CUDA
WEBNN 后端 Python: cv.dnn.DNN_BACKEND_WEBNN
TIMVX 后端 Python: cv.dnn.DNN_BACKEND_TIMVX
CANN 后端 Python: cv.dnn.DNN_BACKEND_CANN

数据布局

enum cv::dnn::DataLayout

#include <opencv2/dnn/dnn.hpp>

模型推理的数据布局枚举。

另请参阅

图像到 Blob 参数

枚举器
未知布局 Python: cv.dnn.DNN_LAYOUT_UNKNOWN
ND 布局 Python: cv.dnn.DNN_LAYOUT_ND	OpenCV 为 2D 数据提供的数据布局。
NCHW 布局 Python: cv.dnn.DNN_LAYOUT_NCHW	OpenCV 为 4D 数据提供的数据布局。
NCDHW 布局 Python: cv.dnn.DNN_LAYOUT_NCDHW	OpenCV 为 5D 数据提供的数据布局。
NHWC 布局 Python: cv.dnn.DNN_LAYOUT_NHWC	针对 4D 数据的类似 Tensorflow 的数据布局。
NDHWC 布局 Python: cv.dnn.DNN_LAYOUT_NDHWC	针对 5D 数据的类似 Tensorflow 的数据布局。
平面布局 Python: cv.dnn.DNN_LAYOUT_PLANAR	类似 Tensorflow 的平面布局，仅应在解析 tf 或 tflite 模型时使用。

图像填充模式

enum cv::dnn::ImagePaddingMode

#include <opencv2/dnn/dnn.hpp>

图像处理模式的枚举。用于满足 dnn 模型预处理的专业要求。例如，在 YOLO 系列模型中经常使用的 letter box。

另请参阅

图像到 Blob 参数

枚举器
空模式 Python: cv.dnn.DNN_PMODE_NULL
中心裁剪模式 Python: cv.dnn.DNN_PMODE_CROP_CENTER
Letterbox 模式 Python: cv.dnn.DNN_PMODE_LETTERBOX

SoftNMSMethod

枚举类 cv::dnn::SoftNMSMethod

Strong

#include <opencv2/dnn/dnn.hpp>

Soft NMS 方法枚举。

另请参阅

softNMSBoxes

枚举器
SOFTNMS_LINEAR
SOFTNMS_GAUSSIAN

Target

枚举 cv::dnn::Target

#include <opencv2/dnn/dnn.hpp>

运算目标的设备枚举。

另请参阅

Net::setPreferableTarget

枚举器
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	FPGA 设备，带有使用 Inference Engine 异构插件的 CPU 回退。
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

函数文档

blobFromImage() [1/2]

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
	)

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

#include <opencv2/dnn/dnn.hpp>

从图像创建4维blob。可选地调整和裁剪图像，从中心裁剪，减去mean值，通过scalefactor缩放值，交换蓝色和红色通道。

参数

image	输入图像（具有 1、3 或 4 个通道）。
scalefactor	乘以 images 值的乘数。
size	输出图像的空间大小。
mean	减去该标量后得到的均值值。如果 image 使用 BGR 排序且 swapRB 为真，则值按（mean-R，mean-G，mean-B）顺序。
swapRB	表示在 3 通道图像中是否需要在第一个和最后一个通道之间进行交换的标志。
crop	表示调整大小后是否将裁剪图像的标志。
ddepth	输出 blob 的深度。选择 CV_32F 或 CV_8U。

如果 crop 为真，输入图像将被调整大小，使得调整后的一边等于 size 中对应的尺寸，另一边等于或大于。然后从中心裁剪。如果 crop 为假，则直接调整大小，不裁剪并保持宽高比。

返回

具有 NCHW 维度顺序的 4 维 Mat。

注意

scalefactor 和 mean 的顺序和用法是 (输入 - mean) * scalefactor。

blobFromImage() [2/2]

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
	)

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

#include <opencv2/dnn/dnn.hpp>

从图像创建4维blob。

这是一个为方便提供的重载成员函数，它与上述函数的不同之处在于它接受的参数。

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>

从一系列图像创建四维 blob。可选地根据中心调整图像大小和裁剪，减去均值值，按比例缩放值，交换蓝色和红色通道。

参数

images	input images （所有都有 1、3 或 4 个通道）。
size	输出图像的空间大小。
mean	减去该标量后得到的均值值。如果 image 使用 BGR 排序且 swapRB 为真，则值按（mean-R，mean-G，mean-B）顺序。
scalefactor	乘以 images 值的乘数。
swapRB	表示在 3 通道图像中是否需要在第一个和最后一个通道之间进行交换的标志。
crop	表示调整大小后是否将裁剪图像的标志。
ddepth	输出 blob 的深度。选择 CV_32F 或 CV_8U。

如果 crop 为真，输入图像将被调整大小，使得调整后的一边等于 size 中对应的尺寸，另一边等于或大于。然后从中心裁剪。如果 crop 为假，则直接调整大小，不裁剪并保持宽高比。

返回

具有 NCHW 维度顺序的 4 维 Mat。

注意

scalefactor 和 mean 的顺序和用法是 (输入 - 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>

从一系列图像创建四维 blob。

这是一个为方便提供的重载成员函数，它与上述函数的不同之处在于它接受的参数。

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>

使用给定的参数从一系列图像创建四维 blob。

此函数是 blobFromImages 的扩展，以满足更多的图像预处理需求。给定输入图像和预处理参数，函数输出 blob。

参数

images	输入图像（所有都有 1、3 或 4 个通道）。
param	Image2BlobParams 结构，包含必要的所有处理图像到 blob 的参数。

返回

4 维 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>

这是一个为方便提供的重载成员函数，它与上述函数的不同之处在于它接受的参数。

blobFromImageWithParams() [1/2]

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

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

#include <opencv2/dnn/dnn.hpp>

使用给定参数从图像创建四维 blob。

此函数是 blobFromImage 的扩展，以满足更多的图像预处理需求。给定输入图像和预处理参数，函数输出 blob。

参数

image	输入图像（所有都有 1、3 或 4 个通道）。
param	Image2BlobParams 结构，包含必要的所有处理图像到 blob 的参数。

返回

4 维 Mat。

blobFromImageWithParams() [2/2]

void cv::dnn::blobFromImageWithParams	(	InputArray	image,
		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>

这是一个为方便提供的重载成员函数，它与上述函数的不同之处在于它接受的参数。

enableModelDiagnostics()

void cv::dnn::enableModelDiagnostics

(

bool

isDiagnosticsMode

)

#include <opencv2/dnn/dnn.hpp>

启用 CV DNN API 加载 DNN 模型时的详细日志。

参数

[in]

isDiagnosticsMode

指示是否应该设置诊断模式。

诊断模式提供模型加载阶段的详细日志记录，以探索潜在问题（例如未实现的层类型）。

注意

在诊断模式下，将跳过一系列断言，这可能导致预期的应用程序崩溃。

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>

注册DNN模型的层类型。

注意

为了线程安全地访问工厂，请参阅getLayerFactoryMutex() 函数。

getLayerFactoryMutex()

Mutex & cv::dnn::getLayerFactoryMutex

(

)

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

获取保护 LayerFactory_Impl 的互斥锁，请参阅 getLayerFactoryImpl() 函数。

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，并通过更简单的数据结构（std::vector< cv::Mat>）输出其中包含的图像作为二维数组。

参数

[in]	blob_	从浮点精度(CV_32F)的4维数组(images, 通道, 高度, 宽度)中提取图像。
[输出]	images_	包含从blob中提取的图像的二维Mat数组，包含浮点精度(CV_32F)的图像。这些图像既没有归一化也没有添加均值。返回的图像数量等于blob的第一个维度（批处理大小）。每个图像的通道数等于blob的第二个维度（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>

对给定的框和相应的分数执行非最大值抑制。

参数

bboxes	应用于NMS的一组边界框。
scores	相应置信度的一组。
score_threshold	用于通过分数过滤边界框的阈值。
nms_threshold	在非最大抑制中使用的阈值。
indices	在NMS后保留的bbox索引。
eta	自适应阈值公式中的系数：\(nms\_threshold_{i+1}=eta\cdot nms\_threshold_i\)
top_k	如果 >0，则最多保留 top_k 个选择索引。

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>

在给定框和相应分数的不同类别上执行批处理非最大值抑制。

参数

bboxes	应用于NMS的一组边界框。
scores	相应置信度的一组。
class_ids	一组相应的类别ID。ID是整数，通常从0开始。
score_threshold	用于通过分数过滤边界框的阈值。
nms_threshold	在非最大抑制中使用的阈值。
indices	在NMS后保留的bbox索引。
eta	自适应阈值公式中的系数：\(nms\_threshold_{i+1}=eta\cdot nms\_threshold_i\)
top_k	如果 >0，则最多保留 top_k 个选择索引。

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>

读取以支持格式之一表示的深度学习网络。

这是一个为方便提供的重载成员函数，它与上述函数的不同之处在于它接受的参数。

参数

[in]	framework	原始框架名称。
[in]	bufferModel	包含权重二进制文件内容的缓冲区。
[in]	bufferConfig	包含网络配置文本文件内容的缓冲区。

返回

Net 对象。

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>

读取以支持格式之一表示的深度学习网络。

参数

[in]	model	包含训练权重的二进制文件。来自不同框架的模型预期以下文件扩展名 *.caffemodel (Caffe, http://caffe.berkeleyvision.org/) *.pb (TensorFlow, https://tensorflowcn.cn/) *.t7 | *.net (Torch, https://torch.org.cn/) *.weights (Darknet, https://pjreddie.com/darknet/) *.bin | *.onnx (OpenVINO, https://software.intel.com/openvino-toolkit) *.onnx (ONNX, https://onnx.ai/)
[in]	config	包含网络配置的文本文件。可能具有以下扩展名 *.prototxt (Caffe, http://caffe.berkeleyvision.org/) *.pbtxt (TensorFlow, https://tensorflowcn.cn/) *.cfg (Darknet, https://pjreddie.com/darknet/) *.xml (OpenVINO, https://software.intel.com/openvino-toolkit)
[in]	framework	显式框架名称标签以确定格式。

返回

Net 对象。

此函数自动检测训练模型的原始框架并调用适当的函数，例如 readNetFromCaffe，readNetFromTensorflow，readNetFromTorch 或 readNetFromDarknet。参数 model 和 config 的顺序不重要。

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>

在内存中读取保存在 Caffe 模型中的网络模型。

这是一个为方便提供的重载成员函数，它与上述函数的不同之处在于它接受的参数。

参数

bufferProto	包含 .prototxt 文件内容的缓冲区
lenProto	bufferProto 的长度
bufferModel	包含 .caffemodel 文件内容的缓冲区
lenModel	bufferModel 的长度

返回

Net 对象。

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>

在内存中读取保存在 Caffe 模型中的网络模型。

参数

bufferProto	包含 .prototxt 文件内容的缓冲区
bufferModel	包含 .caffemodel 文件内容的缓冲区

返回

Net 对象。

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>

读取保存在 Caffe 框架格式的网络模型。

参数

prototxt	包含网络架构文本描述的 .prototxt 文件的路径。
caffeModel	包含学习网络的 .caffemodel 文件的路径。

返回

Net 对象。

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>

从存储在Darknet模型文件中的网络模型读取。

参数

bufferCfg	缓冲区包含一个包含文本描述网络架构的 .cfg 文件的内容。
lenCfg	从 bufferCfg 读取的字节数。
bufferModel	包含学习到的网络内容的 .weights 文件缓冲区。
lenModel	从 bufferModel 读取的字节数。

返回

Net 对象。

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>

从存储在Darknet模型文件中的网络模型读取。

参数

bufferCfg	缓冲区包含一个包含文本描述网络架构的 .cfg 文件的内容。
bufferModel	包含学习到的网络内容的 .weights 文件缓冲区。

返回

Net 对象。

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>

从存储在Darknet模型文件中的网络模型读取。

参数

cfgFile	包含文本描述网络架构的 .cfg 文件的路径。
darknetModel	包含学习到的网络的 .weights 文件的路径。

返回

准备进行前向传播的网络对象，在失败情况下抛出异常。

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>

从Intel的Model Optimizer中间表示中加载网络。

参数

[in]	bufferModelConfig	包含网络拓扑的 XML 配置的缓冲区。
[in]	bufferWeights	包含训练权重二进制数据的缓冲区。

返回

Net 对象。从 Intel 的 Model Optimizer 导入的网络在 Intel 的 Inference Engine 后端启动。

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>

从Intel的Model Optimizer中间表示中加载网络。

参数

[in]	bufferModelConfigPtr	包含网络拓扑的 XML 配置的缓冲区的指针。
[in]	bufferModelConfigSize	XML 配置数据的二进制大小。
[in]	bufferWeightsPtr	包含训练权重二进制数据的缓冲区的指针。
[in]	训练权重数据的二进制大小。	xml

返回

Net 对象。从 Intel 的 Model Optimizer 导入的网络在 Intel 的 Inference Engine 后端启动。

bin = "" 

Net cv::dnn::readNetFromModelOptimizer	(	CV_WRAP_FILE_PATH const String &	包含网络拓扑的 XML 配置文件。,
		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>

从Intel的Model Optimizer中间表示中加载网络。

参数

[in]	包含网络拓扑的 XML 配置文件。	包含训练权重二进制文件。
[in]	readNetFromONNX() [1/3]	Net cv::dnn::readNetFromONNX

返回

Net 对象。从 Intel 的 Model Optimizer 导入的网络在 Intel 的 Inference Engine 后端启动。

buffer

sizeBuffer	(	const char *	cv.dnn.readNetFromONNX(,
		size_t	onnxFile
	)

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

#include <opencv2/dnn/dnn.hpp>

从ONNX的内存中读取网络模型。

参数

cv.dnn.readNetFromONNX(	存储 ONNX 模型字节的内存缓冲区。
sizeBuffer	缓冲区的大小。

返回

准备进行前向传播的网络对象，在失败情况下抛出异常。

readNetFromONNX() [2/3]

sizeBuffer

(

const std::vector< uchar > &

cv.dnn.readNetFromONNX(

)

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

#include <opencv2/dnn/dnn.hpp>

从ONNX的内存中读取网络模型。

参数

cv.dnn.readNetFromONNX(

含 ONNX 模型字节的内存缓冲区。

返回

准备进行前向传播的网络对象，在失败情况下抛出异常。

readNetFromONNX() [3/3]

sizeBuffer

(

CV_WRAP_FILE_PATH const String &

sizeBuffer

)

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

#include <opencv2/dnn/dnn.hpp>

从ONNX读取网络模型。

参数

sizeBuffer

包含文本描述网络架构的 .onnx 文件的路径。

返回

准备进行前向传播的网络对象，在失败情况下抛出异常。

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>

从TensorFlow框架的格式读取存储的网络模型。

这是一个为方便提供的重载成员函数，它与上述函数的不同之处在于它接受的参数。

参数

bufferModel	包含 pb 文件内容的缓冲区
lenModel	bufferModel 的长度
bufferConfig	包含 pbtxt 文件内容的缓冲区
lenConfig	bufferConfig 的长度

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>

从TensorFlow框架的格式读取存储的网络模型。

参数

bufferModel	包含 pb 文件内容的缓冲区
bufferConfig	包含 pbtxt 文件内容的缓冲区

返回

Net 对象。

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>

从TensorFlow框架的格式读取存储的网络模型。

参数

model	包含网络架构二进制protobuf描述的.pb文件的路径
config	包含protobuf格式的文本图定义的.pbtxt文件的路径。通过使用从二进制中获得的权重，利用文本图构建的Net对象更加灵活。

返回

Net 对象。

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>

读取存储在TFLite框架格式的网络模型。

这是一个为方便提供的重载成员函数，它与上述函数的不同之处在于它接受的参数。

参数

bufferModel	包含tflite文件内容的缓冲区
lenModel	bufferModel 的长度

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>

读取存储在TFLite框架格式的网络模型。

参数

bufferModel

包含tflite文件内容的缓冲区

返回

Net 对象。

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>

读取存储在TFLite框架格式的网络模型。

参数

model

包含网络架构二进制flatbuffers描述的.tflite文件的路径

返回

Net 对象。

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>

读取存储在Torch7框架格式的网络模型。

参数

model	从Torch使用torch.save()函数导出的文件路径。
isBinary	指定网络是否以ascii模式或二进制模式序列化。
evaluate	指定网络的测试阶段。如果为true，则与Torch的evaluate()方法类似。

返回

Net 对象。

注意

Torch序列化器的Ascii模式更受欢迎，因为二进制模式广泛使用C语言中的long类型，不同系统上的位数长度不同。

加载的文件必须包含带导入网络的序列化的nn.Module对象。尝试从序列化数据中消除自定义对象以避免导入错误。

支持层级列表（例如，从Torch nn.Module类派生的对象实例）

• 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，还可能成功导入来自cunn、cudnn和fbcunn的这些类的等效类。

readTensorFromONNX()

Mat cv::dnn::readTensorFromONNX

(

CV_WRAP_FILE_PATH const String &

path

)

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

#include <opencv2/dnn/dnn.hpp>

从.pb文件创建blob。

参数

path	包含输入张量的.pb文件

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>

加载由Torch7框架的torch.Tensor对象序列化的blob。

警告

此函数具有与readNetFromTorch()相同的限制。

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>

将Caffe网络的所有权重转换为半精度浮点数。

参数

src	Caffe框架原始模型的路劲包含了单精度浮点权重（通常具有.caffemodel扩展名）。
dst	更新权重的目标模型路径。
layersTypes	要转换其参数的层级类型集合。默认情况下，仅转换卷积和全连接层的权重。

注意

缩放模型没有原始的float32权重，因此不能再用于原始的Caffe框架。然而，数据结构取自NVIDIA的Caffe分支：https://github.com/NVIDIA/caffe。因此，生成的模型可以用于那里。

软NMSBoxes()

void cv::dnn::软NMSBoxes	(	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软NMSBoxes(	bboxes, scores, score_threshold, nms_threshold[, top_k[, sigma[, method]]]	) ->	updated_scores, indices

#include <opencv2/dnn/dnn.hpp>

执行给定框和对应分数的软非极大抑制。参考：https://arxiv.org/abs/1704.04503。

参数

bboxes	应用Soft NMS的一组边界框。
scores	相应置信度的一组。
updated_scores	对应更新置信度的一组。
score_threshold	用于通过分数过滤边界框的阈值。
nms_threshold	在非最大抑制中使用的阈值。
indices	在NMS后保留的bbox索引。
top_k	保留最多top_k个选取的索引。
sigma	高斯权重的参数。
method	高斯或线性。

另请参阅

SoftNMSMethod

写TextGraph()

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

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

#include <opencv2/dnn/dnn.hpp>

为存储在协议缓冲格式中的二进制网络创建文本表示。

参数

[in]	model	二进制网络的路径。
[in]	output	要创建的输出文本文件的路径。

注意

为了减小输出文件大小，训练的权重不包括在内。