主题
	已实现层的部分列表

	用于新层注册的实用程序

详细描述

此模块包含：

创建新层的API，层是神经网络的基本组成单元；
一组内置的最有用的层；
用于从层构建和修改综合神经网络的API；
用于从不同框架加载序列化网络模型的功能。

此模块的功能仅设计用于前向传递计算（即网络测试）。原则上不支持网络训练。

类
类	cv::dnn::BackendNode
	此类的派生类封装了某些后端的函数。更多…

类	cv::dnn::BackendWrapper
	此类的派生类包装了 cv::Mat 用于不同的后端和目标。更多…

类	cv::dnn::ClassificationModel
	此类表示分类模型的高级API。更多…

类	cv::dnn::DetectionModel
	此类表示目标检测网络的高级API。更多…

类	cv::dnn::Dict
	此类实现名称-值字典，值是 DictValue 的实例。更多…

结构体	cv::dnn::DictValue
	此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
	图像到Blob的处理参数。更多…

类	cv::dnn::KeypointsModel
	此类表示关键点模型的高级API。更多…

类	cv::dnn::Layer
	此接口类允许构建新的层——网络的构建块。更多…

类	cv::dnn::LayerParams
	此类提供初始化层所需的所有数据。更多…

类	cv::dnn::Model
	此类表示神经网络的高级API。更多…

类	cv::dnn::Net
	此类允许创建和操作综合人工神经网络。更多…

类	cv::dnn::SegmentationModel
	此类表示分割模型的高级API。更多…

类	cv::dnn::TextDetectionModel
	文本检测网络的基类。更多…

类	cv::dnn::TextDetectionModel_DB
	此类表示与DB模型兼容的文本检测DL网络的高级API。更多…

类	cv::dnn::TextDetectionModel_EAST
	此类表示与EAST模型兼容的文本检测DL网络的高级API。更多…

类	cv::dnn::TextRecognitionModel
	此类表示文本识别网络的高级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
枚举	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 }
	层支持的计算后端的枚举。更多…

枚举	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…

枚举	cv::dnn::ImagePaddingMode { cv::dnn::DNN_PMODE_NULL = 0 , cv::dnn::DNN_PMODE_CROP_CENTER = 1 , cv::dnn::DNN_PMODE_LETTERBOX = 2 }
	图像处理模式枚举。为了方便 dnn 模型的专门预处理要求。例如，`letter box` 经常用于 Yolo 系列模型。更多…

枚举类	cv::dnn::SoftNMSMethod { cv::dnn::SoftNMSMethod::SOFTNMS_LINEAR = 1 , cv::dnn::SoftNMSMethod::SOFTNMS_GAUSSIAN = 2 }
	Soft NMS 方法的枚举。更多…

枚举	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 }
	计算的目标设备枚举。更多…

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)
	从图像创建四维Blob。可以选择从中心调整大小和裁剪`image`，减去`mean`值，按`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)
	从图像创建四维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。可以选择从中心调整大小和裁剪`images`，减去`mean`值，按`scalefactor`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)
	启用使用 CV DNN API 加载 DNN 模型的详细日志记录。

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，参见 getLayerFactoryImpl() 函数。

void	cv::dnn::imagesFromBlob (const cv::Mat &blob_, OutputArrayOfArrays images_)
	解析一个 4D blob 并将其包含的图像作为 2D 数组通过更简单的数据结构 (std::vector<cv::Mat>) 输出。

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)
	给定边界框和对应的分数执行非最大抑制。

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)
	对给定的边界框和不同类别对应的分数执行批量非最大抑制。

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 >())
	读取以支持的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="")
	读取以支持的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)
	读取存储在内存中 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 >())
	读取存储在内存中 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())
	读取存储在 Caffe 框架格式中的网络模型。

Net	cv::dnn::readNetFromDarknet (const char bufferCfg, size_t lenCfg, const char bufferModel=NULL, size_t lenModel=0)
	读取存储在 Darknet 模型文件中的网络模型。

Net	cv::dnn::readNetFromDarknet (const std::vector< uchar > &bufferCfg, const std::vector< uchar > &bufferModel=std::vector< uchar >())
	读取存储在 Darknet 模型文件中的网络模型。

Net	cv::dnn::readNetFromDarknet (CV_WRAP_FILE_PATH const String &cfgFile, CV_WRAP_FILE_PATH const String &darknetModel=String())
	读取存储在 Darknet 模型文件中的网络模型。

Net	cv::dnn::readNetFromModelOptimizer (const std::vector< uchar > &bufferModelConfig, const std::vector< uchar > &bufferWeights)
	从英特尔的模型优化器中间表示加载网络。

Net	cv::dnn::readNetFromModelOptimizer (const uchar bufferModelConfigPtr, size_t bufferModelConfigSize, const uchar bufferWeightsPtr, size_t bufferWeightsSize)
	从英特尔的模型优化器中间表示加载网络。

Net	cv::dnn::readNetFromModelOptimizer (CV_WRAP_FILE_PATH const String &xml, CV_WRAP_FILE_PATH const String &bin="")
	从英特尔的模型优化器中间表示加载网络。

Net	cv::dnn::readNetFromONNX (const char *buffer, size_t sizeBuffer)
	从ONNX内存缓冲区读取网络模型。

Net	cv::dnn::readNetFromONNX (const std::vector< uchar > &buffer)
	从ONNX内存缓冲区读取网络模型。

Net	cv::dnn::readNetFromONNX (CV_WRAP_FILE_PATH const String &onnxFile)
	读取网络模型ONNX。

Net	cv::dnn::readNetFromTensorflow (const char bufferModel, size_t lenModel, const char bufferConfig=NULL, size_t lenConfig=0)
	读取存储在TensorFlow框架格式中的网络模型。

Net	cv::dnn::readNetFromTensorflow (const std::vector< uchar > &bufferModel, const std::vector< uchar > &bufferConfig=std::vector< uchar >())
	读取存储在TensorFlow框架格式中的网络模型。

Net	cv::dnn::readNetFromTensorflow (CV_WRAP_FILE_PATH const String &model, CV_WRAP_FILE_PATH const String &config=String())
	读取存储在TensorFlow框架格式中的网络模型。

Net	cv::dnn::readNetFromTFLite (const char *bufferModel, size_t lenModel)
	读取存储在TFLite框架格式中的网络模型。

Net	cv::dnn::readNetFromTFLite (const std::vector< uchar > &bufferModel)
	读取存储在TFLite框架格式中的网络模型。

Net	cv::dnn::readNetFromTFLite (CV_WRAP_FILE_PATH const String &model)
	读取存储在TFLite框架格式中的网络模型。

Net	cv::dnn::readNetFromTorch (CV_WRAP_FILE_PATH const String &model, bool isBinary=true, bool evaluate=true)
	读取存储在Torch7框架格式中的网络模型。

Mat	cv::dnn::readTensorFromONNX (CV_WRAP_FILE_PATH const String &path)
	从.pb文件创建blob。

Mat	cv::dnn::readTorchBlob (const String &filename, bool isBinary=true)
	加载作为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< String > &layersTypes=std::vector< String >())
	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< 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)
	给定边界框和相应的得分执行软非最大抑制。参考文献：https://arxiv.org/abs/1704.04503。

void	cv::dnn::writeTextGraph (CV_WRAP_FILE_PATH const String &model, CV_WRAP_FILE_PATH const String &output)
	为存储在协议缓冲区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<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>

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
DNN_BACKEND_DEFAULT Python: cv.dnn.DNN_BACKEND_DEFAULT	DNN_BACKEND_DEFAULT 等于 OPENCV_DNN_BACKEND_DEFAULT，可以使用 CMake 或配置参数定义。
DNN_BACKEND_HALIDE Python: cv.dnn.DNN_BACKEND_HALIDE
DNN_BACKEND_INFERENCE_ENGINE Python: cv.dnn.DNN_BACKEND_INFERENCE_ENGINE	Intel OpenVINO 计算后端注意使用 OpenVINO 构建 OpenCV 的教程：OpenCV 与 OpenVINO 的使用
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

枚举 cv::dnn::DataLayout

#include <opencv2/dnn/dnn.hpp>

模型推理的数据布局枚举。

另请参阅: Image2BlobParams

枚举器
DNN_LAYOUT_UNKNOWN Python: cv.dnn.DNN_LAYOUT_UNKNOWN
DNN_LAYOUT_ND Python: cv.dnn.DNN_LAYOUT_ND	OpenCV 用于二维数据的布局。
DNN_LAYOUT_NCHW Python: cv.dnn.DNN_LAYOUT_NCHW	OpenCV 用于四维数据的布局。
DNN_LAYOUT_NCDHW Python: cv.dnn.DNN_LAYOUT_NCDHW	OpenCV 用于五维数据的布局。
DNN_LAYOUT_NHWC Python: cv.dnn.DNN_LAYOUT_NHWC	类似 TensorFlow 的四维数据布局。
DNN_LAYOUT_NDHWC Python: cv.dnn.DNN_LAYOUT_NDHWC	类似 TensorFlow 的五维数据布局。
DNN_LAYOUT_PLANAR Python: cv.dnn.DNN_LAYOUT_PLANAR	类似 TensorFlow 的数据布局，仅应在 tf 或 tflite 模型解析中使用。

◆ ImagePaddingMode

枚举 cv::dnn::ImagePaddingMode

#include <opencv2/dnn/dnn.hpp>

图像处理模式枚举。为了方便 dnn 模型的专业预处理要求。例如，Yolo 系列模型中经常使用的 `letter box`。

另请参阅: Image2BlobParams

枚举器
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

枚举类 cv::dnn::SoftNMSMethod

强

#include <opencv2/dnn/dnn.hpp>

Soft NMS 方法的枚举。

另请参阅: softNMSBoxes

枚举器
SOFTNMS_LINEAR
SOFTNMS_GAUSSIAN

◆ Target

枚举 cv::dnn::Target

#include <opencv2/dnn/dnn.hpp>

计算的目标设备枚举。

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	使用推理引擎的异构插件的具有 CPU 回退功能的 FPGA 设备。
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]]]]]]	) ->	返回值

#include <opencv2/dnn/dnn.hpp>

从图像创建四维Blob。可以选择从中心调整大小和裁剪image，减去mean值，按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	`images` 值的乘数。
size	输出图像的空间大小
mean	包含从通道中减去的平均值的标量。如果 `image` 具有 BGR 顺序且 `swapRB` 为真，则值应为 (mean-R, mean-G, mean-B) 顺序。
swapRB	指示是否需要交换 3 通道图像中第一个和最后一个通道的标志。
crop	指示图像在调整大小后是否会被裁剪的标志
ddepth	输出 blob 的深度。选择 CV_32F 或 CV_8U。

如果crop为真，则调整输入图像大小，使其在一侧调整大小后等于size中的对应维度，另一侧等于或大于对应维度。然后，执行中心裁剪。如果crop为假，则执行直接调整大小，不进行裁剪并保持纵横比。

返回值: 具有 NCHW 维度顺序的四维Mat。

注意: scalefactor和mean的顺序和用法为：(输入 - 均值) * 比例因子。

◆ 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]]]]]]	) ->	返回值

#include <opencv2/dnn/dnn.hpp>

从图像创建四维Blob。

这是一个重载的成员函数，为了方便提供。它与上面的函数的区别仅在于它接受的参数。

◆ 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]]]]]]	) ->	返回值

#include <opencv2/dnn/dnn.hpp>

从一系列图像创建四维Blob。可以选择从中心调整大小和裁剪images，减去mean值，按scalefactor缩放值，交换蓝色和红色通道。

参数

images	输入图像（均为 1、3 或 4 通道）。
size	输出图像的空间大小
mean	包含从通道中减去的平均值的标量。如果 `image` 具有 BGR 顺序且 `swapRB` 为真，则值应为 (mean-R, mean-G, mean-B) 顺序。
scalefactor	`images` 值的乘数。
swapRB	指示是否需要交换 3 通道图像中第一个和最后一个通道的标志。
crop	指示图像在调整大小后是否会被裁剪的标志
ddepth	输出 blob 的深度。选择 CV_32F 或 CV_8U。

如果crop为真，则调整输入图像大小，使其在一侧调整大小后等于size中的对应维度，另一侧等于或大于对应维度。然后，执行中心裁剪。如果crop为假，则执行直接调整大小，不进行裁剪并保持纵横比。

返回值: 具有 NCHW 维度顺序的四维Mat。

注意: scalefactor和mean的顺序和用法为：(输入 - 均值) * 比例因子。

◆ 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]]]]]]	) ->	返回值

#include <opencv2/dnn/dnn.hpp>

从一系列图像创建四维 blob。

这是一个重载的成员函数，为了方便提供。它与上面的函数的区别仅在于它接受的参数。

◆ blobFromImagesWithParams() [1/2]

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

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

#include <opencv2/dnn/dnn.hpp>

使用给定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（均为 1、3 或 4 通道）。
param	Image2BlobParams 结构体，包含图像到 blob 处理所需的所有参数。

返回值: 四维Mat。

◆ blobFromImagesWithParams() [2/2]

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

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

#include <opencv2/dnn/dnn.hpp>

这是一个重载的成员函数，为了方便提供。它与上面的函数的区别仅在于它接受的参数。

◆ blobFromImageWithParams() [1/2]

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

Python
	cv.dnn.blobFromImageWithParams(	image[, param]	) ->	返回值
	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（均为 1、3 或 4 通道）。
param	Image2BlobParams 结构体，包含图像到 blob 处理所需的所有参数。

返回值: 四维Mat。

◆ blobFromImageWithParams() [2/2]

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

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

#include <opencv2/dnn/dnn.hpp>

这是一个重载的成员函数，为了方便提供。它与上面的函数的区别仅在于它接受的参数。

◆ enableModelDiagnostics()

void cv::dnn::enableModelDiagnostics ( bool isDiagnosticsMode )

#include <opencv2/dnn/dnn.hpp>

启用使用 CV DNN API 加载 DNN 模型的详细日志记录。

参数

[in] isDiagnosticsMode 指示是否应设置诊断模式。

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，这可能导致应用程序意外崩溃。

◆ 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	) ->	返回值

#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，请参见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，参见 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>

解析一个 4D blob 并将其包含的图像作为 2D 数组通过更简单的数据结构 (std::vector<cv::Mat>) 输出。

参数

[in]	blob_	四维数组（图像、通道、高度、宽度），以浮点精度 (CV_32F) 表示，从中您想要提取图像。
[out]	images_	包含从 blob 中提取的图像的二维 Mat 数组，以浮点精度 (CV_32F) 表示。它们既未归一化也未添加均值。返回图像的数量等于 blob 的第一维（批大小）。每个图像的通道数等于 blob 的第二维（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>

给定边界框和对应的分数执行非最大抑制。

参数

bboxes	一组用于应用 NMS 的边界框。
scores	一组对应的置信度。
score_threshold	用于根据分数过滤框的阈值。
nms_threshold	在非最大抑制中使用的阈值。
indices	NMS 后保留的 bboxes 索引。
eta	自适应阈值公式中的系数： $n m s_t h r e s h o l d_{i + 1} = e t a \cdot n m s_t h r e s h o l d_{i}$ 。
top_k	如果`>0`，最多保留`top_k`个选定索引。

◆ 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>

对给定的边界框和不同类别对应的分数执行批量非最大抑制。

参数

bboxes	一组用于应用 NMS 的边界框。
scores	一组对应的置信度。
class_ids	一组对应的类别 ID。ID 为整数，通常从 0 开始。
score_threshold	用于根据分数过滤框的阈值。
nms_threshold	在非最大抑制中使用的阈值。
indices	NMS 后保留的 bboxes 索引。
eta	自适应阈值公式中的系数： $n m s_t h r e s h o l d_{i + 1} = e t a \cdot n m s_t h r e s h o l d_{i}$ 。
top_k	如果`>0`，最多保留`top_k`个选定索引。

◆ 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]]	) ->	返回值
	cv.dnn.readNet(	framework, bufferModel[, bufferConfig]	) ->	返回值

#include <opencv2/dnn/dnn.hpp>

读取以支持的格式之一表示的深度学习网络。

这是一个重载的成员函数，为了方便提供。它与上面的函数的区别仅在于它接受的参数。

参数

[in]	framework	原始框架的名称。
[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。

返回值: 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]]	) ->	返回值
	cv.dnn.readNet(	framework, bufferModel[, bufferConfig]	) ->	返回值

#include <opencv2/dnn/dnn.hpp>

读取以支持的格式之一表示的深度学习网络。

参数

[in]	model	二进制文件包含训练好的权重。不同框架的模型预期具有以下文件扩展名： `.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.org.cn/)
[in]	config	文本文件包含网络配置。它可能是具有以下扩展名的文件： `.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。

返回值: Net 对象。

此函数自动检测训练模型的原始框架并调用相应的函数，例如 readNetFromCaffe、readNetFromTensorflow、readNetFromTorch 或 readNetFromDarknet。model 和 config 参数的顺序无关紧要。

◆ 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]	) ->	返回值
	cv.dnn.readNetFromCaffe(	bufferProto[, bufferModel]	) ->	返回值

#include <opencv2/dnn/dnn.hpp>

读取存储在内存中 Caffe 模型中的网络模型。

这是一个重载的成员函数，为了方便提供。它与上面的函数的区别仅在于它接受的参数。

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

返回值: 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]	) ->	返回值
	cv.dnn.readNetFromCaffe(	bufferProto[, bufferModel]	) ->	返回值

#include <opencv2/dnn/dnn.hpp>

读取存储在内存中 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

返回值: 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]	) ->	返回值
	cv.dnn.readNetFromCaffe(	bufferProto[, bufferModel]	) ->	返回值

#include <opencv2/dnn/dnn.hpp>

读取存储在 Caffe 框架格式中的网络模型。

参数

prototxt	包含网络架构文本描述的 .prototxt 文件路径。
caffeModel	包含已学习网络的 .caffemodel 文件路径。

返回值: 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]	) ->	返回值
	cv.dnn.readNetFromDarknet(	bufferCfg[, bufferModel]	) ->	返回值

#include <opencv2/dnn/dnn.hpp>

读取存储在 Darknet 模型文件中的网络模型。

参数

bufferCfg	缓冲区包含 .cfg 文件的内容，其中包含网络架构的文本描述。
lenCfg	从 bufferCfg 读取的字节数
bufferModel	缓冲区包含 .weights 文件的内容，其中包含已学习的网络。
lenModel	从 bufferModel 读取的字节数

返回值: 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]	) ->	返回值
	cv.dnn.readNetFromDarknet(	bufferCfg[, bufferModel]	) ->	返回值

#include <opencv2/dnn/dnn.hpp>

读取存储在 Darknet 模型文件中的网络模型。

参数

bufferCfg	缓冲区包含 .cfg 文件的内容，其中包含网络架构的文本描述。
bufferModel	缓冲区包含 .weights 文件的内容，其中包含已学习的网络。

返回值: 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]	) ->	返回值
	cv.dnn.readNetFromDarknet(	bufferCfg[, bufferModel]	) ->	返回值

#include <opencv2/dnn/dnn.hpp>

读取存储在 Darknet 模型文件中的网络模型。

参数

cfgFile	包含网络架构文本描述的 .cfg 文件路径。
darknetModel	包含已学习网络的 .weights 文件路径。

返回值: 准备进行前向传播的网络对象，在失败的情况下抛出异常。

◆ readNetFromModelOptimizer() [1/3]

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

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

#include <opencv2/dnn/dnn.hpp>

从英特尔的模型优化器中间表示加载网络。

参数

[in]	bufferModelConfig	缓冲区包含包含网络拓扑的 XML 配置。
[in]	bufferWeights	缓冲区包含训练好的权重的二进制数据。

返回值: Net 对象。从英特尔的 Model Optimizer 导入的网络在英特尔的推理引擎后端启动。

◆ 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]	) ->	返回值
	cv.dnn.readNetFromModelOptimizer(	bufferModelConfig, bufferWeights	) ->	返回值

#include <opencv2/dnn/dnn.hpp>

从英特尔的模型优化器中间表示加载网络。

参数

[in]	bufferModelConfigPtr	指向包含网络拓扑的 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	指向包含训练好的权重的二进制数据的缓冲区的指针。
[in]	bufferWeightsSize	训练好的权重数据的二进制大小。

返回值: Net 对象。从英特尔的 Model Optimizer 导入的网络在英特尔的推理引擎后端启动。

◆ 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]	) ->	返回值
	cv.dnn.readNetFromModelOptimizer(	bufferModelConfig, bufferWeights	) ->	返回值

#include <opencv2/dnn/dnn.hpp>

从英特尔的模型优化器中间表示加载网络。

参数

[in]	xml	包含网络拓扑的 XML 配置文件。
[in]	bin	包含训练好的权重的二进制文件。

返回值: Net 对象。从英特尔的 Model Optimizer 导入的网络在英特尔的推理引擎后端启动。

◆ readNetFromONNX() [1/3]

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

Python
	cv.dnn.readNetFromONNX(	onnxFile	) ->	返回值
	cv.dnn.readNetFromONNX(	buffer	) ->	返回值

#include <opencv2/dnn/dnn.hpp>

从ONNX内存缓冲区读取网络模型。

参数

buffer	缓冲区第一个字节的内存地址。
sizeBuffer	缓冲区的大小。

返回值: 准备进行前向传播的网络对象，在失败的情况下抛出异常。

◆ readNetFromONNX() [2/3]

Net cv::dnn::readNetFromONNX ( const std::vector< uchar > & buffer )

Python
	cv.dnn.readNetFromONNX(	onnxFile	) ->	返回值
	cv.dnn.readNetFromONNX(	buffer	) ->	返回值

#include <opencv2/dnn/dnn.hpp>

从ONNX内存缓冲区读取网络模型。

参数

buffer 存储 ONNX 模型字节的内存缓冲区。

返回值: 准备进行前向传播的网络对象，在失败的情况下抛出异常。

◆ readNetFromONNX() [3/3]

Net cv::dnn::readNetFromONNX ( CV_WRAP_FILE_PATH const String & onnxFile )

Python
	cv.dnn.readNetFromONNX(	onnxFile	) ->	返回值
	cv.dnn.readNetFromONNX(	buffer	) ->	返回值

#include <opencv2/dnn/dnn.hpp>

读取网络模型ONNX。

参数

onnxFile 包含网络架构文本描述的 .onnx 文件路径。

返回值: 准备进行前向传播的网络对象，在失败的情况下抛出异常。

◆ 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]	) ->	返回值
	cv.dnn.readNetFromTensorflow(	bufferModel[, bufferConfig]	) ->	返回值

#include <opencv2/dnn/dnn.hpp>

读取存储在TensorFlow框架格式中的网络模型。

这是一个重载的成员函数，为了方便提供。它与上面的函数的区别仅在于它接受的参数。

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]	) ->	返回值
	cv.dnn.readNetFromTensorflow(	bufferModel[, bufferConfig]	) ->	返回值

#include <opencv2/dnn/dnn.hpp>

读取存储在TensorFlow框架格式中的网络模型。

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

返回值: 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]	) ->	返回值
	cv.dnn.readNetFromTensorflow(	bufferModel[, bufferConfig]	) ->	返回值

#include <opencv2/dnn/dnn.hpp>

读取存储在TensorFlow框架格式中的网络模型。

参数

model	网络架构的二进制protobuf描述文件的路径（.pb文件）
config	包含protobuf格式文本图定义的.pbtxt文件的路径。生成的Net对象是使用来自二进制图的权重通过文本图构建的，这使它更灵活。

返回值: Net 对象。

◆ readNetFromTFLite() [1/3]

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

Python
	cv.dnn.readNetFromTFLite(	model	) ->	返回值
	cv.dnn.readNetFromTFLite(	bufferModel	) ->	返回值

#include <opencv2/dnn/dnn.hpp>

读取存储在TFLite框架格式中的网络模型。

这是一个重载的成员函数，为了方便提供。它与上面的函数的区别仅在于它接受的参数。

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	) ->	返回值
	cv.dnn.readNetFromTFLite(	bufferModel	) ->	返回值

#include <opencv2/dnn/dnn.hpp>

读取存储在TFLite框架格式中的网络模型。

参数

bufferModel 包含tflite文件内容的缓冲区

返回值: Net 对象。

◆ readNetFromTFLite() [3/3]

Net cv::dnn::readNetFromTFLite ( CV_WRAP_FILE_PATH const String & model )

Python
	cv.dnn.readNetFromTFLite(	model	) ->	返回值
	cv.dnn.readNetFromTFLite(	bufferModel	) ->	返回值

#include <opencv2/dnn/dnn.hpp>

读取存储在TFLite框架格式中的网络模型。

参数

model 包含网络架构二进制flatbuffers描述的.tflite文件的路径

返回值: 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]]	) ->	返回值

#include <opencv2/dnn/dnn.hpp>

读取存储在Torch7框架格式中的网络模型。

参数

model	使用torch.save()函数从Torch导出的文件的路径。
isBinary	指定网络是使用ASCII模式还是二进制模式序列化的。
evaluate	指定网络的测试阶段。如果为true，则类似于Torch中的evaluate()方法。

返回值: Net 对象。

注意: Torch序列化程序的ASCII模式更可取，因为二进制模式广泛使用C语言的long类型，该类型在不同系统上的位长度不同。

加载的文件必须包含序列化后的nn.Module对象，并导入网络。尝试从序列化数据中消除自定义对象，以避免导入错误。

支持的层列表（即，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

cunn、cudnn和fbcunn中这些类的某些等效项也可能成功导入。

◆ readTensorFromONNX()

Mat cv::dnn::readTensorFromONNX ( CV_WRAP_FILE_PATH const String & path )

Python
	cv.dnn.readTensorFromONNX(	path	) ->	返回值

#include <opencv2/dnn/dnn.hpp>

从.pb文件创建blob。

参数

path	包含输入张量的.pb文件的路径。

返回值: Mat.

◆ readTorchBlob()

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

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

#include <opencv2/dnn/dnn.hpp>

加载作为Torch7框架的torch.Tensor对象序列化的blob。

警告: 此函数与readNetFromTorch()具有相同的限制。

◆ 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]	) ->	无

#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	来自Caffe框架的原始模型路径，包含单精度浮点权重（通常具有`.caffemodel`扩展名）。
dst	具有更新权重的目标模型路径。
layersTypes	将转换其参数的层类型集合。默认情况下，只转换卷积层和全连接层的权重。

注意: 缩小后的模型没有原始的float32权重，因此不能再在原始Caffe框架中使用。但是，数据结构取自NVIDIA的Caffe分支：https://github.com/NVIDIA/caffe。因此，生成的模型可以在那里使用。

◆ 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>

给定边界框和相应的得分执行软非最大抑制。参考文献：https://arxiv.org/abs/1704.04503。

参数

bboxes	一组应用Soft NMS的边界框。
scores	一组对应的置信度。
updated_scores	一组对应的更新置信度。
score_threshold	用于根据分数过滤框的阈值。
nms_threshold	在非最大抑制中使用的阈值。
indices	NMS 后保留的 bboxes 索引。
top_k	最多保留`top_k`个选定的索引。
sigma	高斯加权的参数。
method	高斯或线性。

另请参阅: 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	) ->	无

#include <opencv2/dnn/dnn.hpp>

为存储在协议缓冲区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，未包含训练权重。

主题

详细描述

类

类型定义

枚举

函数

类型定义文档

◆ LayerFactory_Impl

◆ MatShape

枚举类型文档

◆ Backend

◆ DataLayout

◆ ImagePaddingMode

◆ SoftNMSMethod

◆ Target

函数文档

◆ blobFromImage() [1/2]

◆ blobFromImage() [2/2]

◆ blobFromImages() [1/2]

◆ blobFromImages() [2/2]

◆ blobFromImagesWithParams() [1/2]

◆ blobFromImagesWithParams() [2/2]

◆ blobFromImageWithParams() [1/2]

◆ blobFromImageWithParams() [2/2]

◆ enableModelDiagnostics()

◆ getAvailableBackends()

◆ getAvailableTargets()

◆ getLayerFactoryImpl()

◆ getLayerFactoryMutex()

◆ imagesFromBlob()

◆ NMSBoxes() [1/3]

◆ NMSBoxes() [2/3]

◆ NMSBoxes() [3/3]

◆ NMSBoxesBatched() [1/2]

◆ NMSBoxesBatched() [2/2]

◆ readNet() [1/2]

◆ readNet() [2/2]

◆ readNetFromCaffe() [1/3]

◆ readNetFromCaffe() [2/3]

◆ readNetFromCaffe() [3/3]

◆ readNetFromDarknet() [1/3]

◆ readNetFromDarknet() [2/3]

◆ readNetFromDarknet() [3/3]

◆ readNetFromModelOptimizer() [1/3]

◆ readNetFromModelOptimizer() [2/3]

◆ readNetFromModelOptimizer() [3/3]

◆ readNetFromONNX() [1/3]

◆ readNetFromONNX() [2/3]

◆ readNetFromONNX() [3/3]

◆ readNetFromTensorflow() [1/3]

◆ readNetFromTensorflow() [2/3]

◆ readNetFromTensorflow() [3/3]

◆ readNetFromTFLite() [1/3]

◆ readNetFromTFLite() [2/3]

◆ readNetFromTFLite() [3/3]

◆ readNetFromTorch()

◆ readTensorFromONNX()

◆ readTorchBlob()

◆ shrinkCaffeModel()

◆ softNMSBoxes()

◆ writeTextGraph()