此类允许创建和操作综合性的人工神经网络。更多信息...

#include <opencv2/dnn/dnn.hpp>

cv::dnn::Net 的协作图

公共类型
typedef DictValue	LayerId
	用于字符串和整数的容器。

公共成员函数
	Net ()
	默认构造函数。

	~Net ()
	析构函数仅在不再有到网络的引用时释放网络。

int	addLayer (const String &name, const String &type, const int &dtype, LayerParams &params)
	将新层添加到网络。

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

int	addLayerToPrev (const String &name, const String &type, const int &dtype, LayerParams &params)
	添加新层，并将其第一个输入连接到先前添加的层的第一个输出。

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

void	connect (int outLayerId, int outNum, int inpLayerId, int inpNum)
	将第一层的第 #code>outNum</code> 个输出连接到第二层的第 #code>inpNum</code> 个输入。

void	connect (String outPin, String inpPin)
	将第一层的输出连接到第二层的输入。

String	dump ()
	将网络导出到字符串。

void	dumpToFile (CV_WRAP_FILE_PATH const String &path)
	将网络结构、超参数、后端、目标器和融合导出到 dot 文件。

void	dumpToPbtxt (CV_WRAP_FILE_PATH const String &path)
	将网络结构、超参数、后端、目标器和融合导出到 pbtxt 文件。

bool	empty () const

void	enableFusion (bool fusion)
	启用或禁用网络的层融合。

void	enableWinograd (bool useWinograd)
	启用或禁用Winograd计算分支。Winograd计算分支可以在略微牺牲精度的前提下加快3x3卷积的速度。

Mat	forward (const String &outputName=String())
	运行正向传递计算带有 `outputName` 名称的层的输出。

void	forward (OutputArrayOfArrays outputBlobs, const std::vector< String > &outBlobNames)
	运行正向传递计算 `outBlobNames` 中列出的层的输出。

void	forward (OutputArrayOfArrays outputBlobs, const String &outputName=String())
	运行正向传递计算带有 `outputName` 名称的层的输出。

void	forward (std::vector< std::vector< Mat > > &outputBlobs, const std::vector< String > &outBlobNames)
	运行正向传递计算 `outBlobNames` 中列出的层的输出。

AsyncArray	forwardAsync (const String &outputName=String())
	运行正向传递计算带有 `outputName` 名称的层的输出。

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
	计算具有指定输入形状的整个加载模型的FLOP。

Impl *	getImpl () const

Impl &	getImplRef () const

void	getInputDetails (std::vector< float > &scales, std::vector< int > &zeropoints) const
	返回量化 Net 的输入缩放比例和偏移量。

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

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

Ptr< Layer >	getLayer (int layerId) const
	返回指向网络使用的指定ID或名称的层的指针。

int	getLayerId (const String &layer) const
	将层的字符串名称转换为整数标识符。

std::vector< Ptr< Layer > >	getLayerInputs (int layerId) const
	返回特定层的输入层的指针。

std::vector< String >	getLayerNames () const

int	getLayersCount (const String &layerType) const
	返回指定类型的层的数量。

void	getLayerShapes (const MatShape &netInputShape, const int layerId, std::vector< MatShape > &inLayerShapes, std::vector< MatShape > &outLayerShapes) const
	返回加载模型中指定ID层的输入和输出形状；无需进行预推断。

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
	返回加载模型中所有层的输入和输出形状；无需进行预推断。

void	getLayerTypes (std::vector< String > &layersTypes) const
	返回模型中使用的层类型列表。

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
	计算存储所有权重和中间blob所需的字节数。

void	getMemoryConsumption (const std::vector< MatShape > &netInputShapes, std::vector< int > &layerIds, std::vector< size_t > &weights, std::vector< size_t > &blobs) const
	计算存储每个图层所有权重和中间blob所需的字节数。

void	getOutputDetails (std::vector< float > &scales, std::vector< int > &zeropoints) const
	返回一个量化后的Net的输出scale和zeropoint。

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

Mat	getParam (int layer, int numParam=0) const
	返回层参数blob。

int64	getPerfProfile (std::vector< double > &timings)
	返回推理总时间和各层时间（以ticks为单位）。

std::vector< int >	getUnconnectedOutLayers () const
	返回具有未连接输出的图层数据。

std::vector< String >	getUnconnectedOutLayersNames () const
	返回具有未连接输出的图层名称。

Net	quantize (InputArrayOfArrays calibData, int inputsDtype, int outputsDtype, bool perChannel=true)
	从浮点Net返回量化后的Net。

int	registerOutput (const std::string &outputName, int layerId, int outputPort)
	使用名称注册网络输出。

void	setHalideScheduler (const String &scheduler)
	编译Halide层。

void	setInput (InputArray blob, const String &name="", double scalefactor=1.0, const Scalar &mean=Scalar())
	设置网络的新输入值。

void	setInputShape (const String &inputName, const MatShape &shape)
	指定网络输入的形状。

void	setInputsNames (const std::vector< String > &inputBlobNames)
	设置网络输入伪层的输出名称。

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

void	setParam (int layer, int numParam, const Mat &blob)
	设置层的学习的参数的新值。

void	setPreferableBackend (int backendId)
	请求网络在支持的情况下使用特定的计算后端。

void	setPreferableTarget (int targetId)
	请求网络在指定的目标设备上执行计算。

静态公开成员函数
static Net	readFromModelOptimizer (const std::vector< uchar > &bufferModelConfig, const std::vector< uchar > &bufferWeights)
	使用Intel的Model Optimizer的内存缓冲区创建网络，其中包括中间表示（IR）。

static Net	readFromModelOptimizer (const uchar bufferModelConfigPtr, size_t bufferModelConfigSize, const uchar bufferWeightsPtr, size_t bufferWeightsSize)
	使用Intel的Model Optimizer的内存缓冲区创建网络，其中包括中间表示（IR）。

static Net	readFromModelOptimizer (CV_WRAP_FILE_PATH const String &xml, CV_WRAP_FILE_PATH const String &bin)
	从Intel的Model Optimizer的中间表示（IR）创建网络。

保护属性
Ptr< Impl >	impl

朋友
class	accessor::DnnNetAccessor

详细说明

此类允许创建和处理全面的模拟神经网络。

神经网络被表示为有向非循环图（DAG），其中顶点是Layer实例，边指定层输入和输出之间的关系。

每个网络层在其网络中都具有唯一的整数ID和唯一的字符串名称。LayerId可以存储层名称或层ID。

此类支持其实例的引用计数，即复制品指向同一实例。

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

成员类型定义文档

◆ LayerId

typedef DictValue cv::dnn::Net::LayerId

用于字符串和整数的容器。

已弃用: 使用 getLayerId()与int结果一起使用。

构造函数和析构函数文档

◆ Net()

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

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

默认构造函数。

◆ ~Net()

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

析构函数仅在不再有到网络的引用时释放网络。

成员函数文档

◆ addLayer() [1/2]

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

将新层添加到网络。

参数

name	添加层的唯一名称。
类型	添加层的数据类型（必须已注册在 LayerRegister 中）。
dtype	输出 blob 的数据类型。
params	用于初始化创建的层的参数。

返回: 创建的层的唯一标识符，或者在出现错误时返回 -1。

◆ addLayer() [2/2]

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

◆ addLayerToPrev() [1/2]

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

添加新层，并将其第一个输入连接到先前添加的层的第一个输出。

另请参阅: addLayer()

◆ addLayerToPrev() [2/2]

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

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仅在于它接受什么参数。

◆ connect() [1/2]

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

Python
	cv.dnn.Net.connect(	出插座，入插座	) ->	None

将第一层的第 #code>outNum</code> 个输出连接到第二层的第 #code>inpNum</code> 个输入。

参数

outLayerId	第一个层标识符
出度	第一个层输出的数量
inpLayerId	第二个层标识符
入度	第二个层输入的数量

◆ connect() [2/2]

void cv::dnn::Net::connect	(	String	出插座,
		String	入插座
	)

Python
	cv.dnn.Net.connect(	出插座，入插座	) ->	None

将第一层的输出连接到第二层的输入。

参数

出插座	第一个层输出的描述符。
入插座	第二个层输入的描述符。

描述符具有以下模板 <层名称>[.输入编号]

模板的第一部分 层名称 是添加的层的字符串名称。如果这部分为空，则使用网络输入伪层；
模板的第二个可选部分 输入编号 是层输入的编号，或者是标签一。如果这部分被省略，则使用第一个层输入。

另请参阅
setNetInputs(), Layer::inputNameToIndex(), Layer::outputNameToIndex()

◆ dump()

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

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

将网络导出到字符串。

返回: String contains structure, hyperparameters, backend, target, and fusion. Call method after setInput(). To see correct backend, target, and fusion run after forward().

◆ dumpToFile()

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

Python
	cv.dnn.Net.dumpToFile(	path	) ->	None

将网络结构、超参数、后端、目标器和融合导出到 dot 文件。

参数

path	输出文件路径（具有 .dot 扩展名）

另请参阅: dump()

◆ dumpToPbtxt()

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

Python
	cv.dnn.Net.dumpToPbtxt(	path	) ->	None

将网络结构、超参数、后端、目标器和融合导出到 pbtxt 文件。

参数

path	输出文件路径（具有 .pbtxt 扩展名）

使用 Netron (https://netron.app) 打开目标文件以可视化模型。在 setInput() 后调用方法。要查看正确的 backend, target 和 fusion，请在 forward() 后运行。

◆ empty()

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

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

如果没有网络中的层，返回 true。

◆ 启用融合函数()

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

Python
	cv.dnn.Net.enableFusion(	融合	) ->	None

启用或禁用网络的层融合。

参数

融合	true表示启用融合，false表示禁用。默认情况下，融合是启用的。

◆ 启用Winograd函数()

cv::dnn::Net::enableWinograd: void ( bool 使用Winograd )

Python
	cv.dnn.Net.enableWinograd(	使用Winograd	) ->	None

启用或禁用Winograd计算分支。Winograd计算分支可以在略微牺牲精度的前提下加快3x3卷积的速度。

参数

使用Winograd true表示启用Winograd计算分支，默认为true。

◆ forward函数() [1/4]

cv::dnn::Net::forward: Mat ( 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

运行正向传递计算带有 outputName 名称的层的输出。

参数

outputName 所需获取输出层名称的层的名字。

返回: 指定层的第一个输出的blob。

默认情况下运行整个网络的正向传递。

示例: Mat cv::dnn::Net::forward

samples/dnn/colorization.cpp，以及 samples/dnn/openpose.cpp。

◆ forward函数() [2/4]	(	cv::dnn::Net::forward: void	outputBlobs,
		OutputArrayOfArrays	const std::vector< 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

运行正向传递计算 outBlobNames 中列出的层的输出。

参数

outputBlobs	outBlobNames
outBlobNames	包含指定层第一个输出的blobs。

◆ forward函数() [3/4]

◆ forward函数() [2/4]	(	cv::dnn::Net::forward: void	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

运行正向传递计算带有 outputName 名称的层的输出。

参数

outputBlobs	包含指定层的所有输出blobs。
outputName	所需获取输出层名称的层的名字。

如果 outputName 为空，则运行整个网络的正向传递。

◆ forward函数() [4/4]

◆ forward函数() [2/4]	(	std::vector< std::vector< Mat > > &	outputBlobs,
		OutputArrayOfArrays	const std::vector< 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

运行正向传递计算 outBlobNames 中列出的层的输出。

参数

outputBlobs	包含在 outBlobNames 中指定的每个层的所有输出blobs。
outBlobNames	包含指定层第一个输出的blobs。

◆ forwardAsync函数

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

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

运行正向传递计算带有 outputName 名称的层的输出。

参数

outputName 所需获取输出层名称的层的名字。

默认情况下运行整个网络的正向传递。

这是 forward(const String&) 的异步版本。需要 dnn::DNN_BACKEND_INFERENCE_ENGINE 后端。

◆ getFLOPS函数() [1/4]

cv::dnn::Net::getFLOPS: int64	(	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

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仅在于它接受什么参数。

◆ getFLOPS函数() [2/4]

cv::dnn::Net::getFLOPS: int64	(	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

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仅在于它接受什么参数。

◆ getFLOPS函数() [3/4]

cv::dnn::Net::getFLOPS: int64 ( 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

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仅在于它接受什么参数。

◆ getFLOPS函数() [4/4]

cv::dnn::Net::getFLOPS: int64 ( 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

计算具有指定输入形状的整个加载模型的FLOP。

参数

netInputShapes 所有网络输入的形状向量。

返回: 计算的FLOP。

◆ getImpl函数

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

inline

◆ getImplRef函数

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

inline

◆ getInputDetails()

void cv::dnn::Net::getInputDetails	(	std::vector< float > &	缩放比例,
		std::vector< int > &	零点
	)		const

Python
	cv.dnn.Net.getInputDetails(		) ->	缩放比例, 零点

返回量化 Net 的输入缩放比例和偏移量。

参数

缩放比例	输出参数，用于返回输入缩放比例。
零点	输出参数，用于返回输入零点。

◆ 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

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仅在于它接受什么参数。

已弃用: 待删除

◆ 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

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仅在于它接受什么参数。

已弃用: 使用 int getLayerId(const String &layer)

以下是此函数的调用图

◆ 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

返回指向网络使用的指定ID或名称的层的指针。

示例: samples/dnn/colorization.cpp.

◆ getLayerId()

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

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

将层的字符串名称转换为整数标识符。

返回: 层ID，若未找到层，则返回-1。

◆ getLayerInputs()

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

返回特定层的输入层的指针。

◆ getLayerNames()

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

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

◆ getLayersCount()

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

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

返回指定类型的层的数量。

参数

类型类型.

返回: 层数量

◆ getLayerShapes() [1/2]

void cv::dnn::Net::getLayerShapes	(	const MatShape &	netInputShape,
		const int	layerId,
		std::vector< MatShape > &	输入层形状,
		std::vector< MatShape > &	输出层形状
	)		const

返回加载模型中指定ID层的输入和输出形状；无需进行预推断。

参数

netInputShape	网络输入层中的形状输入blob。
layerId	层ID。
输入层形状	输出参数，用于返回输入层形状；顺序与layersIds顺序相同。
输出层形状	输出参数，用于返回输出层形状；顺序与layersIds顺序相同。

◆ getLayerShapes() [2/2]

void cv::dnn::Net::getLayerShapes	(	const std::vector< MatShape > &	netInputShapes,
		const int	layerId,
		std::vector< MatShape > &	输入层形状,
		std::vector< MatShape > &	输出层形状
	)		const

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仅在于它接受什么参数。

◆ getLayersShapes() [1/2]

void cv::dnn::Net::getLayersShapes	(	const MatShape &	netInputShape,
		std::vector< int > &	层ID列表,
		std::vector< std::vector< MatShape > > &	输入层形状,
		std::vector< std::vector< MatShape > > &	输出层形状
	)		const

Python
	cv.dnn.Net.getLayersShapes(	netInputShapes	) ->	层ID列表, 输入层形状, 输出层形状
	cv.dnn.Net.getLayersShapes(	netInputShape	) ->	层ID列表, 输入层形状, 输出层形状

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仅在于它接受什么参数。

◆ getLayersShapes() [2/2]

void cv::dnn::Net::getLayersShapes	(	const std::vector< MatShape > &	netInputShapes,
		std::vector< int > &	层ID列表,
		std::vector< std::vector< MatShape > > &	输入层形状,
		std::vector< std::vector< MatShape > > &	输出层形状
	)		const

Python
	cv.dnn.Net.getLayersShapes(	netInputShapes	) ->	层ID列表, 输入层形状, 输出层形状
	cv.dnn.Net.getLayersShapes(	netInputShape	) ->	层ID列表, 输入层形状, 输出层形状

返回加载模型中所有层的输入和输出形状；无需进行预推断。

参数

netInputShapes	输入层所有blob的形状。
层ID列表	输出参数，用于返回层ID。
输入层形状	输出参数，用于返回输入层形状；顺序与layersIds顺序相同。
输出层形状	输出参数，用于返回输出层形状；顺序与layersIds顺序相同。

◆ getLayerTypes()

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

Python
	cv.dnn.Net.getLayerTypes(		) ->	层类型

返回模型中使用的层类型列表。

参数

层类型	输出参数，用于返回类型。

◆ getMemoryConsumption() [1/6]

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


cv.dnn.Net.getMemoryConsumption(	netInputShape	) ->	权重, blob
cv.dnn.Net.getMemoryConsumption(	layerId, netInputShapes	) ->	权重, blob
cv.dnn.Net.getMemoryConsumption(	layerId, netInputShape	) ->	权重, 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仅在于它接受什么参数。

◆ getMemoryConsumption() [2/6]

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


cv.dnn.Net.getMemoryConsumption(	netInputShape	) ->	权重, blob
cv.dnn.Net.getMemoryConsumption(	layerId, netInputShapes	) ->	权重, blob
cv.dnn.Net.getMemoryConsumption(	layerId, netInputShape	) ->	权重, 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仅在于它接受什么参数。

◆ getMemoryConsumption() [3/6]

void cv::dnn::Net::getMemoryConsumption	(	const MatShape &	netInputShape,
		size_t &	权重,
		size_t &	blob
	)		const


cv.dnn.Net.getMemoryConsumption(	netInputShape	) ->	权重, blob
cv.dnn.Net.getMemoryConsumption(	layerId, netInputShapes	) ->	权重, blob
cv.dnn.Net.getMemoryConsumption(	layerId, netInputShape	) ->	权重, 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仅在于它接受什么参数。

◆ getMemoryConsumption() [4/6]

void cv::dnn::Net::getMemoryConsumption	(	const MatShape &	netInputShape,
		std::vector< int > &	层ID,
		std::vector< size_t &>	权重,
		std::vector< size_t &>	blob
	)		const


cv.dnn.Net.getMemoryConsumption(	netInputShape	) ->	权重, blob
cv.dnn.Net.getMemoryConsumption(	layerId, netInputShapes	) ->	权重, blob
cv.dnn.Net.getMemoryConsumption(	layerId, netInputShape	) ->	权重, 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仅在于它接受什么参数。

◆getMemoryConsumption() [5/6]

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


cv.dnn.Net.getMemoryConsumption(	netInputShape	) ->	权重, blob
cv.dnn.Net.getMemoryConsumption(	layerId, netInputShapes	) ->	权重, blob
cv.dnn.Net.getMemoryConsumption(	layerId, netInputShape	) ->	权重, blob

计算存储所有权重和中间blob所需的字节数。

参数

netInputShapes	所有网络输入的形状向量。
权重	输出参数以存储权重结果的字节数。
blobs	输出参数以存储中间blobs结果的字节数。

◆getMemoryConsumption() [6/6]

void cv::dnn::Net::getMemoryConsumption	(	const std::vector< MatShape > &	netInputShapes,
		std::vector< int > &	层ID,
		std::vector< size_t &>	权重,
		std::vector< size_t &>	blob
	)		const


cv.dnn.Net.getMemoryConsumption(	netInputShape	) ->	权重, blob
cv.dnn.Net.getMemoryConsumption(	layerId, netInputShapes	) ->	权重, blob
cv.dnn.Net.getMemoryConsumption(	layerId, netInputShape	) ->	权重, blob

计算存储每个图层所有权重和中间blob所需的字节数。

参数

netInputShapes	所有网络输入的形状向量。
层ID	输出向量以保存层ID。
权重	输出参数以存储权重结果的字节数。
blobs	输出参数以存储中间blobs结果的字节数。

◆getOutputDetails()

void cv::dnn::Net::getOutputDetails	(	std::vector< float > &	缩放比例,
		std::vector< int > &	零点
	)		const

Python
	cv.dnn.Net.getOutputDetails(		) ->	缩放比例, 零点

返回一个量化后的Net的输出scale和zeropoint。

参数

缩放比例	输出参数以返回输出尺度。
零点	输出参数以返回输出零点。

◆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

以下是此函数的调用图

◆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

返回层参数blob。

参数

layer	层的名称或ID。
numParam	层参数在Layer::blobs数组中的索引。

另请参阅: Layer::blobs

◆getPerfProfile()

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

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

返回推理总时间和各层时间（以ticks为单位）。

返回向量中的索引对应于层ID。某些层可以与其他层融合，在这种情况下，将返回跳过的层的零tick计数。仅在DNN_BACKEND_OPENCV和DNN_TARGET_CPU上受支持。

参数

[out] timings 包含所有层tick定时信息的向量。

返回: 模型推理的总ticks。

◆getUnconnectedOutLayers()

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

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

返回具有未连接输出的图层数据。

FIXIT：重工作为registerOutput方法，弃用此调用

◆getUnconnectedOutLayersNames()

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

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

返回具有未连接输出的图层名称。

FIXIT：重工作为registerOutput方法，弃用此调用

◆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

从浮点Net返回量化后的Net。

参数

calibData	用于计算量化参数的校准数据。
inputsDtype	量化网络的输入数据类型。可以是CV_32F或CV_8S。
outputsDtype	量化网络的输出数据类型。可以是CV_32F或CV_8S。
perChannel	量化Net的粒度。默认为true，这意味着按通道（channel-wise）量化模型。将其设置为false以按张量（tensor-wise）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

使用Intel的Model Optimizer的内存缓冲区创建网络，其中包括中间表示（IR）。

参数

[in]	bufferModelConfig	包含模型配置的缓冲区。
[in]	bufferWeights	包含模型训练权重的缓冲区。

返回: Net对象。

◆ 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

使用Intel的Model Optimizer的内存缓冲区创建网络，其中包括中间表示（IR）。

参数

[in]	bufferModelConfigPtr	模型配置的缓冲指针。
[in]	bufferModelConfigSize	模型配置的缓冲大小。
[in]	bufferWeightsPtr	模型训练权重的缓冲指针。
[in]	bufferWeightsSize	模型训练权重的缓冲大小。

返回: Net对象。

◆ 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

从Intel的Model Optimizer的中间表示（IR）创建网络。

参数

[in]	xml	包含网络拓扑的XML配置文件。
[in]	bin	包含训练权重的二进制文件。从Intel的Model Optimizer导入的网络在Intel的Inference Engine后端运行。

◆ registerOutput()

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

使用名称注册网络输出。

函数可能创建额外的 'Identity' 层。

参数

outputName	输出标识符
layerId	第二个层标识符
outputPort	第二个层输入的数量

返回: 绑定层（与layerId相同或新创建）的索引

◆ setHalideScheduler()

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

Python
	cv.dnn.Net.setHalideScheduler(	scheduler	) ->	None

编译Halide层。

参数

[in] scheduler 包含调度指示的YAML文件路径。

另请参阅: setPreferableBackend

对支持Halide后端的层进行调度。然后为特定目标编译它们。对于未在调度文件中表示的层或完全未使用手动调度的层，将应用自动调度。

◆ setInput()

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

Python
	cv.dnn.Net.setInput(	blob[, name[, scalefactor[, mean]]]	) ->	None

设置网络的新输入值。

参数

blob	A new blob. Should have CV_32F or CV_8U depth.
name	输入层的名称。
scalefactor	可选的正常化比例因子。
mean	可选的均减值。

另请参阅: samples/dnn/colorization.cpp，和 samples/dnn/openpose.cpp。

If scale or mean values are specified, a final input blob is computed as

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

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	) ->	None

指定网络输入的形状。

◆ setInputsNames()

void cv::dnn::Net::setInputsNames ( OutputArrayOfArrays inputBlobNames )

Python
	cv.dnn.Net.setInputsNames(	inputBlobNames	) ->	None

设置网络输入伪层的输出名称。

每个网络都始终有一个特殊的网络输入伪层，ID=0。该层仅存储用户blob，不进行任何计算。实际上，该层提供了将用户数据传递到网络的唯一方式。与任何其他层一样，该层可以标记其输出，此函数提供了方便的方式。

◆ setParam() [1/2]

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

inline

Python
	cv.dnn.Net.setParam(	layer, numParam, blob	) ->	None
	cv.dnn.Net.setParam(	layerName, numParam, blob	) ->	None

以下是此函数的调用图

◆ setParam() [2/2]

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

Python
	cv.dnn.Net.setParam(	layer, numParam, blob	) ->	None
	cv.dnn.Net.setParam(	layerName, numParam, blob	) ->	None

设置层的学习的参数的新值。

参数

layer	层的名称或ID。
numParam	层参数在Layer::blobs数组中的索引。
blob	新的值。

另请参阅: Layer::blobs

注意: 如果新blob的形状与先前的形状不同，则以下前向传递可能失败。

◆ 设置首选后端()

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

Python
	cv.dnn.Net.setPreferableBackend(	backendId	) ->	None

请求网络在支持的情况下使用特定的计算后端。

参数

[in] backendId 后端标识符。

另请参阅: 后端

◆ 设置首选目标()

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

Python
	cv.dnn.Net.setPreferableTarget(	targetId	) ->	None

请求网络在指定的目标设备上执行计算。

参数

[in] targetId 目标标识符。

另请参阅: 目标

支持的组合后端/目标的列表

	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.

朋友和相关符号文档

◆ accessor::DnnNetAccessor

friend class accessor::DnnNetAccessor

friend

成员数据文档

◆ impl

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

protected

此类的文档根据以下文件生成

opencv2/dnn/dnn.hpp

公共类型

公共成员函数

静态公开成员函数

保护属性

朋友

详细说明

成员类型定义文档

◆ LayerId

构造函数和析构函数文档

◆ Net()

◆ ~Net()

成员函数文档

◆ addLayer() [1/2]

◆ addLayer() [2/2]

◆ addLayerToPrev() [1/2]

◆ addLayerToPrev() [2/2]

◆ connect() [1/2]

◆ connect() [2/2]

◆ dump()

◆ dumpToFile()

◆ dumpToPbtxt()

◆ empty()

◆ 启用融合函数()

◆ 启用Winograd函数()

◆ forward函数() [1/4]

samples/dnn/colorization.cpp，以及 samples/dnn/openpose.cpp。

◆ forward函数() [3/4]

◆ forward函数() [4/4]

◆ forwardAsync函数

◆ getFLOPS函数() [1/4]

◆ getFLOPS函数() [2/4]

◆ getFLOPS函数() [3/4]

◆ getFLOPS函数() [4/4]

◆ getImpl函数

◆ getImplRef函数

◆ 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]

◆ 设置首选后端()

◆ 设置首选目标()

朋友和相关符号文档

◆ accessor::DnnNetAccessor

成员数据文档

◆ impl