包 org.opencv.dnn

类 Dnn

  • public class Dnn
extends java.lang.Object

    • 字段详情

      • DNN_BACKEND_DEFAULT

        public static final int DNN_BACKEND_DEFAULT
        另请参见
        常量字段值

      • DNN_BACKEND_HALIDE

        public static final int DNN_BACKEND_HALIDE
        另请参见
        常量字段值

      • DNN_BACKEND_INFERENCE_ENGINE

        public static final int DNN_BACKEND_INFERENCE_ENGINE
        另请参见
        常量字段值

      • DNN_BACKEND_OPENCV

        public static final int DNN_BACKEND_OPENCV
        另请参见
        常量字段值

      • DNN_BACKEND_VKCOM

        public static final int DNN_BACKEND_VKCOM
        另请参见
        常量字段值

      • DNN_BACKEND_CUDA

        public static final int DNN_BACKEND_CUDA
        另请参见
        常量字段值

      • DNN_BACKEND_WEBNN

        public static final int DNN_BACKEND_WEBNN
        另请参见
        常量字段值

      • DNN_BACKEND_TIMVX

        public static final int DNN_BACKEND_TIMVX
        另请参见
        常量字段值

      • DNN_BACKEND_CANN

        public static final int DNN_BACKEND_CANN
        另请参见
        常量字段值

      • DNN_LAYOUT_UNKNOWN

        public static final int DNN_LAYOUT_UNKNOWN
        另请参见
        常量字段值

      • DNN_LAYOUT_ND

        public static final int DNN_LAYOUT_ND
        另请参见
        常量字段值

      • DNN_LAYOUT_NCHW

        public static final int DNN_LAYOUT_NCHW
        另请参见
        常量字段值

      • DNN_LAYOUT_NCDHW

        public static final int DNN_LAYOUT_NCDHW
        另请参见
        常量字段值

      • DNN_LAYOUT_NHWC

        public static final int DNN_LAYOUT_NHWC
        另请参见
        常量字段值

      • DNN_LAYOUT_NDHWC

        public static final int DNN_LAYOUT_NDHWC
        另请参见
        常量字段值

      • DNN_LAYOUT_PLANAR

        public static final int DNN_LAYOUT_PLANAR
        另请参见
        常量字段值

      • DNN_PMODE_NULL

        public static final int DNN_PMODE_NULL
        另请参见
        常量字段值

      • DNN_PMODE_CROP_CENTER

        public static final int DNN_PMODE_CROP_CENTER
        另请参见
        常量字段值

      • DNN_PMODE_LETTERBOX

        public static final int DNN_PMODE_LETTERBOX
        另请参见
        常量字段值

      • SoftNMSMethod_SOFTNMS_LINEAR

        public static final int SoftNMSMethod_SOFTNMS_LINEAR
        另请参见
        常量字段值

      • SoftNMSMethod_SOFTNMS_GAUSSIAN

        public static final int SoftNMSMethod_SOFTNMS_GAUSSIAN
        另请参见
        常量字段值

      • DNN_TARGET_CPU

        public static final int DNN_TARGET_CPU
        另请参见
        常量字段值

      • DNN_TARGET_OPENCL

        public static final int DNN_TARGET_OPENCL
        另请参见
        常量字段值

      • DNN_TARGET_OPENCL_FP16

        public static final int DNN_TARGET_OPENCL_FP16
        另请参见
        常量字段值

      • DNN_TARGET_MYRIAD

        public static final int DNN_TARGET_MYRIAD
        另请参见
        常量字段值

      • DNN_TARGET_VULKAN

        public static final int DNN_TARGET_VULKAN
        另请参见
        常量字段值

      • DNN_TARGET_FPGA

        public static final int DNN_TARGET_FPGA
        另请参见
        常量字段值

      • DNN_TARGET_CUDA

        public static final int DNN_TARGET_CUDA
        另请参见
        常量字段值

      • DNN_TARGET_CUDA_FP16

        public static final int DNN_TARGET_CUDA_FP16
        另请参见
        常量字段值

      • DNN_TARGET_HDDL

        public static final int DNN_TARGET_HDDL
        另请参见
        常量字段值

      • DNN_TARGET_NPU

        public static final int DNN_TARGET_NPU
        另请参见
        常量字段值

      • DNN_TARGET_CPU_FP16

        public static final int DNN_TARGET_CPU_FP16
        另请参见
        常量字段值

    • 构造函数详情

      • Dnn

        public Dnn()

    • 方法详情

      • getAvailableTargets

        public static java.util.List<java.lang.Integer> getAvailableTargets​(int be)

      • readNetFromDarknet

        public static Net readNetFromDarknet​(java.lang.String cfgFile,
                                     java.lang.String darknetModel)
        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
        准备好进行前向传播的网络对象，在失败的情况下抛出异常。

      • readNetFromDarknet

        public static Net readNetFromDarknet​(java.lang.String cfgFile)
        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。
        返回
        准备好进行前向传播的网络对象，在失败的情况下抛出异常。

      • readNetFromDarknet

        public static Net readNetFromDarknet​(MatOfByte bufferCfg,
                                     MatOfByte bufferModel)
        读取存储在Darknet模型文件中的网络模型。
        参数
        bufferCfg - 包含网络架构文本描述的 .cfg 文件内容的缓冲区。
        bufferModel - 包含已学习网络的 .weights 文件内容的缓冲区。
        返回
        Net 对象。

      • readNetFromDarknet

        public static Net readNetFromDarknet​(MatOfByte bufferCfg)
        读取存储在Darknet模型文件中的网络模型。
        参数
        bufferCfg - 包含网络架构文本描述的 .cfg 文件内容的缓冲区。
        返回
        Net 对象。

      • readNetFromCaffe

        public static Net readNetFromCaffe​(java.lang.String prototxt,
                                   java.lang.String caffeModel)
        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
        Net 对象。

      • readNetFromCaffe

        public static Net readNetFromCaffe​(java.lang.String prototxt)
        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。
        返回
        Net 对象。

      • readNetFromCaffe

        public static Net readNetFromCaffe​(MatOfByte bufferProto,
                                   MatOfByte bufferModel)
        读取内存中存储的Caffe模型网络模型。
        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

        public static Net readNetFromCaffe​(MatOfByte bufferProto)
        读取内存中存储的Caffe模型网络模型。
        参数
        bufferProto - 包含 .prototxt 文件内容的缓冲区
        返回
        Net 对象。

      • readNetFromTensorflow

        public static Net readNetFromTensorflow​(java.lang.String model,
                                        java.lang.String config)
        读取存储在TensorFlow框架格式中的网络模型。
        参数
        model - 包含网络架构二进制 protobuf 描述的 .pb 文件路径
        config - 包含 protobuf 格式文本图形定义的 .pbtxt 文件路径。生成的 Net 对象由使用二进制权重的文本图形构建，这使我们能够使其更灵活。
        返回
        Net 对象。

      • readNetFromTensorflow

        public static Net readNetFromTensorflow​(java.lang.String model)
        读取存储在TensorFlow框架格式中的网络模型。
        参数
        model - 包含网络架构二进制 protobuf 描述的 .pb 文件路径。生成的 Net 对象由使用二进制权重的文本图形构建，这使我们能够使其更灵活。
        返回
        Net 对象。

      • readNetFromTensorflow

        public static Net readNetFromTensorflow​(MatOfByte bufferModel,
                                        MatOfByte bufferConfig)
        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
        Net 对象。

      • readNetFromTensorflow

        public static Net readNetFromTensorflow​(MatOfByte bufferModel)
        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
        返回
        Net 对象。

      • readNetFromTFLite

        public static Net readNetFromTFLite​(java.lang.String model)
        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 文件路径
        返回
        Net 对象。

      • readNetFromTFLite

        public static Net readNetFromTFLite​(MatOfByte bufferModel)
        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
        Net 对象。

      • readNetFromTorch

        public static Net readNetFromTorch​(java.lang.String model,
                                   boolean isBinary,
                                   boolean evaluate)
        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
        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，该类型在不同的系统上具有不同的位长度。加载的文件必须包含序列化的 nn.Module 对象以及导入的网络。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 一些来自 cunn、cudnn 和 fbcunn 的这些类的等效项也可能成功导入。

      • readNetFromTorch

        public static Net readNetFromTorch​(java.lang.String model,
                                   boolean isBinary)
        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 导出的文件路径。
        isBinary - 指定网络是使用 ascii 模式还是二进制模式序列化的。
        返回
        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，该类型在不同的系统上具有不同的位长度。加载的文件必须包含序列化的 nn.Module 对象以及导入的网络。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 一些来自 cunn、cudnn 和 fbcunn 的这些类的等效项也可能成功导入。

      • readNetFromTorch

        public static Net readNetFromTorch​(java.lang.String model)
        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 导出的文件路径。
        返回
        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，该类型在不同的系统上具有不同的位长度。加载的文件必须包含序列化的 nn.Module 对象以及导入的网络。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 一些来自 cunn、cudnn 和 fbcunn 的这些类的等效项也可能成功导入。

      • readNet

        public static Net readNet​(java.lang.String model,
                          java.lang.String config,
                          java.lang.String framework)
        读取以支持的格式之一表示的深度学习网络。
        参数
        model - 包含训练权重的二进制文件。以下是来自不同框架的模型的预期文件扩展名：* *.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/)
        config - 包含网络配置的文本文件。它可以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)
        framework - 用于确定格式的显式框架名称标签。
        返回
        Net 对象。此函数会自动检测训练模型的原始框架并调用相应的函数，例如 REF: readNetFromCaffe、REF: readNetFromTensorflow、REF: readNetFromTorch 或 REF: readNetFromDarknet。model 和 config 参数的顺序无关紧要。

      • readNet

        public static Net readNet​(java.lang.String model,
                          java.lang.String config)
        读取以支持的格式之一表示的深度学习网络。
        参数
        model - 包含训练权重的二进制文件。以下是来自不同框架的模型的预期文件扩展名：* *.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/)
        config - 包含网络配置的文本文件。它可以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)
        返回
        Net 对象。此函数会自动检测训练模型的原始框架并调用相应的函数，例如 REF: readNetFromCaffe、REF: readNetFromTensorflow、REF: readNetFromTorch 或 REF: readNetFromDarknet。model 和 config 参数的顺序无关紧要。

      • readNet

        public static Net readNet​(java.lang.String model)
        读取以支持的格式之一表示的深度学习网络。
        参数
        model - 包含已训练权重的二进制文件。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/) 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)
        返回
        Net 对象。此函数会自动检测训练模型的原始框架并调用相应的函数，例如 REF: readNetFromCaffe、REF: readNetFromTensorflow、REF: readNetFromTorch 或 REF: readNetFromDarknet。model 和 config 参数的顺序无关紧要。

      • readNet

        public static Net readNet​(java.lang.String framework,
                          MatOfByte bufferModel,
                          MatOfByte bufferConfig)
        读取以一种受支持的格式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。它与上述函数的区别仅在于它接受的参数。
        参数
        framework - 原框架名称。
        bufferModel - 包含权重二进制文件内容的缓冲区。
        bufferConfig - 包含网络配置文本文件内容的缓冲区。
        返回
        Net 对象。

      • readNet

        public static Net readNet​(java.lang.String framework,
                          MatOfByte bufferModel)
        读取以一种受支持的格式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。它与上述函数的区别仅在于它接受的参数。
        参数
        framework - 原框架名称。
        bufferModel - 包含权重二进制文件内容的缓冲区。
        返回
        Net 对象。

      • readTorchBlob

        public static Mat readTorchBlob​(java.lang.String filename,
                                boolean isBinary)
        加载序列化为Torch7框架的torch.Tensor对象的blob。警告：此函数与readNetFromTorch()具有相同的限制。
        参数
        filename - 自动生成
        isBinary - 自动生成
        返回
        自动生成

      • readTorchBlob

        public static Mat readTorchBlob​(java.lang.String filename)
        加载序列化为Torch7框架的torch.Tensor对象的blob。警告：此函数与readNetFromTorch()具有相同的限制。
        参数
        filename - 自动生成
        返回
        自动生成

      • readNetFromModelOptimizer

        public static Net readNetFromModelOptimizer​(java.lang.String xml,
                                            java.lang.String bin)
        从Intel的模型优化器中间表示中加载网络。
        参数
        xml - 包含网络拓扑结构的XML配置文件。
        bin - 包含已训练权重的二进制文件。
        返回
        Net 对象。从英特尔的模型优化器导入的网络在英特尔的推理引擎后端启动。

      • readNetFromModelOptimizer

        public static Net readNetFromModelOptimizer​(java.lang.String xml)
        从Intel的模型优化器中间表示中加载网络。
        参数
        xml - 包含网络拓扑结构的XML配置文件。
        返回
        Net 对象。从英特尔的模型优化器导入的网络在英特尔的推理引擎后端启动。

      • readNetFromModelOptimizer

        public static Net readNetFromModelOptimizer​(MatOfByte bufferModelConfig,
                                            MatOfByte bufferWeights)
        从Intel的模型优化器中间表示中加载网络。
        参数
        bufferModelConfig - 包含网络拓扑结构的XML配置的缓冲区。
        bufferWeights - 包含已训练权重的二进制数据的缓冲区。
        返回
        Net 对象。从英特尔的模型优化器导入的网络在英特尔的推理引擎后端启动。

      • readNetFromONNX

        public static Net readNetFromONNX​(java.lang.String onnxFile)
        读取ONNX网络模型。
        参数
        onnxFile - 包含网络架构文本描述的.onnx文件的路径。
        返回
        准备好进行前向传播的网络对象，在失败的情况下抛出异常。

      • readNetFromONNX

        public static Net readNetFromONNX​(MatOfByte buffer)
        从内存中的ONNX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
        准备好进行前向传播的网络对象，在失败的情况下抛出异常。

      • readTensorFromONNX

        public static Mat readTensorFromONNX​(java.lang.String path)
        从 .pb 文件创建 Blob。
        参数
        path - 到包含输入张量的.pb文件的路径。
        返回
        Mat。

      • blobFromImage

        public static Mat blobFromImage​(Mat image,
                                double scalefactor,
                                Size size,
                                Scalar mean,
                                boolean swapRB,
                                boolean crop,
                                int ddepth)
        从图像创建四维blob。可以选择从中心调整和裁剪image大小，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排序并且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 - 指示图像是否会在调整大小后被裁剪的标志。如果crop为真，则调整输入图像的大小，以便调整大小后的一侧等于size中的相应维度，而另一侧等于或大于相应维度。然后，执行从中心的裁剪。如果crop为假，则执行不裁剪并保持纵横比的直接调整大小。
        ddepth - 输出blob的深度。选择CV_32F或CV_8U。如果crop为真，则调整输入图像的大小，以便调整大小后的一侧等于size中的相应维度，而另一侧等于或大于相应维度。然后，执行从中心的裁剪。如果crop为假，则执行不裁剪并保持纵横比的直接调整大小。
        返回
        具有NCHW维度顺序的四维Mat。注意：scalefactor和mean的顺序和用法是(input - mean) * scalefactor。

      • blobFromImage

        public static Mat blobFromImage​(Mat image,
                                double scalefactor,
                                Size size,
                                Scalar mean,
                                boolean swapRB,
                                boolean crop)
        从图像创建四维blob。可以选择从中心调整和裁剪image大小，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排序并且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 - 指示图像是否会在调整大小后被裁剪的标志。如果crop为真，则调整输入图像的大小，以便调整大小后的一侧等于size中的相应维度，而另一侧等于或大于相应维度。然后，执行从中心的裁剪。如果crop为假，则执行不裁剪并保持纵横比的直接调整大小。
        返回
        具有NCHW维度顺序的四维Mat。注意：scalefactor和mean的顺序和用法是(input - mean) * scalefactor。

      • blobFromImage

        public static Mat blobFromImage​(Mat image,
                                double scalefactor,
                                Size size,
                                Scalar mean,
                                boolean swapRB)
        从图像创建四维blob。可以选择从中心调整和裁剪image大小，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排序并且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。如果crop为真，则调整输入图像的大小，以便调整大小后的一侧等于size中的相应维度，而另一侧等于或大于相应维度。然后，执行从中心的裁剪。如果crop为假，则执行不裁剪并保持纵横比的直接调整大小。
        返回
        具有NCHW维度顺序的四维Mat。注意：scalefactor和mean的顺序和用法是(input - mean) * scalefactor。

      • blobFromImage

        public static Mat blobFromImage​(Mat image,
                                double scalefactor,
                                Size size,
                                Scalar mean)
        从图像创建四维blob。可以选择从中心调整和裁剪image大小，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排序并且swapRB为真，则值应为(mean-R, mean-G, mean-B)顺序。如果crop为真，则调整输入图像的大小，以便调整大小后的一侧等于size中的相应维度，而另一侧等于或大于相应维度。然后，执行从中心的裁剪。如果crop为假，则执行不裁剪并保持纵横比的直接调整大小。
        返回
        具有NCHW维度顺序的四维Mat。注意：scalefactor和mean的顺序和用法是(input - mean) * scalefactor。

      • blobFromImage

        public static Mat blobFromImage​(Mat image,
                                double scalefactor,
                                Size size)
        从图像创建四维blob。可以选择从中心调整和裁剪image大小，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。如果image具有BGR排序并且swapRB为真，则值应为(mean-R, mean-G, mean-B)顺序。如果crop为真，则调整输入图像的大小，以便调整大小后的一侧等于size中的相应维度，而另一侧等于或大于相应维度。然后，执行从中心的裁剪。如果crop为假，则执行不裁剪并保持纵横比的直接调整大小。
        返回
        具有NCHW维度顺序的四维Mat。注意：scalefactor和mean的顺序和用法是(input - mean) * scalefactor。

      • blobFromImage

        public static Mat blobFromImage​(Mat image,
                                double scalefactor)
        从图像创建四维blob。可以选择从中心调整和裁剪image大小，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。如果image具有BGR排序并且swapRB为真，则值应为(mean-R, mean-G, mean-B)顺序。如果crop为真，则调整输入图像的大小，以便调整大小后的一侧等于size中的相应维度，而另一侧等于或大于相应维度。然后，执行从中心的裁剪。如果crop为假，则执行不裁剪并保持纵横比的直接调整大小。
        返回
        具有NCHW维度顺序的四维Mat。注意：scalefactor和mean的顺序和用法是(input - mean) * scalefactor。

      • blobFromImage

        public static Mat blobFromImage​(Mat image)
        从图像创建四维blob。可以选择从中心调整和裁剪image大小，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）。如果image具有BGR排序并且swapRB为真，则值应为(mean-R, mean-G, mean-B)顺序。如果crop为真，则调整输入图像的大小，以便调整大小后的一侧等于size中的相应维度，而另一侧等于或大于相应维度。然后，执行从中心的裁剪。如果crop为假，则执行不裁剪并保持纵横比的直接调整大小。
        返回
        具有NCHW维度顺序的四维Mat。注意：scalefactor和mean的顺序和用法是(input - mean) * scalefactor。

      • blobFromImages

        public static Mat blobFromImages​(java.util.List<Mat> images,
                                 double scalefactor,
                                 Size size,
                                 Scalar mean,
                                 boolean swapRB,
                                 boolean crop,
                                 int ddepth)
        从一系列图像创建四维blob。可以选择从中心调整和裁剪images大小，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（全部具有1、3或4个通道）。
        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排序并且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 - 指示图像是否会在调整大小后被裁剪的标志。如果crop为真，则调整输入图像的大小，以便调整大小后的一侧等于size中的相应维度，而另一侧等于或大于相应维度。然后，执行从中心的裁剪。如果crop为假，则执行不裁剪并保持纵横比的直接调整大小。
        ddepth - 输出blob的深度。选择CV_32F或CV_8U。如果crop为真，则调整输入图像的大小，以便调整大小后的一侧等于size中的相应维度，而另一侧等于或大于相应维度。然后，执行从中心的裁剪。如果crop为假，则执行不裁剪并保持纵横比的直接调整大小。
        返回
        具有NCHW维度顺序的四维Mat。注意：scalefactor和mean的顺序和用法是(input - mean) * scalefactor。

      • blobFromImages

        public static Mat blobFromImages​(java.util.List<Mat> images,
                                 double scalefactor,
                                 Size size,
                                 Scalar mean,
                                 boolean swapRB,
                                 boolean crop)
        从一系列图像创建四维blob。可以选择从中心调整和裁剪images大小，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（全部具有1、3或4个通道）。
        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排序并且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 - 指示图像是否会在调整大小后被裁剪的标志。如果crop为真，则调整输入图像的大小，以便调整大小后的一侧等于size中的相应维度，而另一侧等于或大于相应维度。然后，执行从中心的裁剪。如果crop为假，则执行不裁剪并保持纵横比的直接调整大小。
        返回
        具有NCHW维度顺序的四维Mat。注意：scalefactor和mean的顺序和用法是(input - mean) * scalefactor。

      • blobFromImages

        public static Mat blobFromImages​(java.util.List<Mat> images,
                                 double scalefactor,
                                 Size size,
                                 Scalar mean,
                                 boolean swapRB)
        从一系列图像创建四维blob。可以选择从中心调整和裁剪images大小，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（全部具有1、3或4个通道）。
        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排序并且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。如果crop为真，则调整输入图像的大小，以便调整大小后的一侧等于size中的相应维度，而另一侧等于或大于相应维度。然后，执行从中心的裁剪。如果crop为假，则执行不裁剪并保持纵横比的直接调整大小。
        返回
        具有NCHW维度顺序的四维Mat。注意：scalefactor和mean的顺序和用法是(input - mean) * scalefactor。

      • blobFromImages

        public static Mat blobFromImages​(java.util.List<Mat> images,
                                 double scalefactor,
                                 Size size,
                                 Scalar mean)
        从一系列图像创建四维blob。可以选择从中心调整和裁剪images大小，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（全部具有1、3或4个通道）。
        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排序并且swapRB为真，则值应为(mean-R, mean-G, mean-B)顺序。
        scalefactor - images值的乘数。如果crop为真，则调整输入图像的大小，以便调整大小后的一侧等于size中的相应维度，而另一侧等于或大于相应维度。然后，执行从中心的裁剪。如果crop为假，则执行不裁剪并保持纵横比的直接调整大小。
        返回
        具有NCHW维度顺序的四维Mat。注意：scalefactor和mean的顺序和用法是(input - mean) * scalefactor。

      • blobFromImages

        public static Mat blobFromImages​(java.util.List<Mat> images,
                                 double scalefactor,
                                 Size size)
        从一系列图像创建四维blob。可以选择从中心调整和裁剪images大小，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（全部具有1、3或4个通道）。
        size - 输出图像的空间大小。如果image具有BGR排序并且swapRB为真，则值应为(mean-R, mean-G, mean-B)顺序。
        scalefactor - images值的乘数。如果crop为真，则调整输入图像的大小，以便调整大小后的一侧等于size中的相应维度，而另一侧等于或大于相应维度。然后，执行从中心的裁剪。如果crop为假，则执行不裁剪并保持纵横比的直接调整大小。
        返回
        具有NCHW维度顺序的四维Mat。注意：scalefactor和mean的顺序和用法是(input - mean) * scalefactor。

      • blobFromImages

        public static Mat blobFromImages​(java.util.List<Mat> images,
                                 double scalefactor)
        从一系列图像创建四维blob。可以选择从中心调整和裁剪images大小，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（全部具有1、3或4个通道）。如果image具有BGR排序并且swapRB为真，则值应为(mean-R, mean-G, mean-B)顺序。
        scalefactor - images值的乘数。如果crop为真，则调整输入图像的大小，以便调整大小后的一侧等于size中的相应维度，而另一侧等于或大于相应维度。然后，执行从中心的裁剪。如果crop为假，则执行不裁剪并保持纵横比的直接调整大小。
        返回
        具有NCHW维度顺序的四维Mat。注意：scalefactor和mean的顺序和用法是(input - mean) * scalefactor。

      • blobFromImages

        public static Mat blobFromImages​(java.util.List<Mat> images)
        从一系列图像创建四维blob。可以选择从中心调整和裁剪images大小，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）。如果image的顺序为BGR且swapRB为真，则应为 (mean-R, mean-G, mean-B) 顺序。对于3通道图像，此顺序是必要的。如果crop为真，则调整输入图像大小，使其resize后的一边等于size中对应的维度，另一边等于或大于该维度。然后，进行中心裁剪。如果crop为假，则直接resize，不裁剪，并保持纵横比。
        返回
        具有NCHW维度顺序的四维Mat。注意：scalefactor和mean的顺序和用法是(input - mean) * scalefactor。

      • blobFromImageWithParams

        public static Mat blobFromImageWithParams​(Mat image,
                                          Image2BlobParams param)
        根据给定的参数创建来自图像的四维 blob。此函数是 REF: 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
        四维 Mat。

      • blobFromImageWithParams

        public static Mat blobFromImageWithParams​(Mat image)
        根据给定的参数创建来自图像的四维 blob。此函数是 REF: 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）。
        返回
        四维 Mat。

      • blobFromImageWithParams

        public static void blobFromImageWithParams​(Mat image,
                                           Mat blob,
                                           Image2BlobParams param)

      • blobFromImageWithParams

        public static void blobFromImageWithParams​(Mat image,
                                           Mat blob)

      • blobFromImagesWithParams

        public static Mat blobFromImagesWithParams​(java.util.List<Mat> images,
                                           Image2BlobParams param)
        根据给定的参数创建来自一系列图像的四维 blob。此函数是 REF: 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
        四维 Mat。

      • blobFromImagesWithParams

        public static Mat blobFromImagesWithParams​(java.util.List<Mat> images)
        根据给定的参数创建来自一系列图像的四维 blob。此函数是 REF: 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）。
        返回
        四维 Mat。

      • blobFromImagesWithParams

        public static void blobFromImagesWithParams​(java.util.List<Mat> images,
                                            Mat blob,
                                            Image2BlobParams param)

      • blobFromImagesWithParams

        public static void blobFromImagesWithParams​(java.util.List<Mat> images,
                                            Mat blob)

      • imagesFromBlob

        public static void imagesFromBlob​(Mat blob_,
                                  java.util.List<Mat> images_)
        解析一个 4D blob 并通过更简单的的数据结构 (std::vector<cv::Mat>) 输出它包含的图像作为二维数组。
        参数
        blob_ - 四维数组 (图像、通道、高度、宽度)，数据类型为单精度浮点数 (CV_32F)，从中提取图像。
        images_ - 包含从 blob 中提取的图像的二维 Mat 数组，数据类型为单精度浮点数 (CV_32F)。它们既未归一化，也未添加均值。返回的图像数量等于 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）。

      • shrinkCaffeModel

        public static void shrinkCaffeModel​(java.lang.String src,
                                    java.lang.String dst,
                                    java.util.List<java.lang.String> layersTypes)
        将 Caffe 网络的所有权重转换为半精度浮点数。
        参数
        src - Caffe 框架中原始模型的路径，包含单精度浮点数权重（通常具有.caffemodel扩展名）。
        dst - 包含更新权重的目标模型的路径。
        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：缩减后的模型不再包含原始的 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。

      • shrinkCaffeModel

        public static void shrinkCaffeModel​(java.lang.String src,
                                    java.lang.String dst)
        将 Caffe 网络的所有权重转换为半精度浮点数。
        参数
        src - Caffe 框架中原始模型的路径，包含单精度浮点数权重（通常具有.caffemodel扩展名）。
        dst - 包含更新权重的目标模型的路径。默认情况下，只转换卷积层和全连接层的权重。注意：缩减后的模型不再包含原始的 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。

      • writeTextGraph

        public static void writeTextGraph​(java.lang.String model,
                                  java.lang.String output)
        为以 Protocol Buffer 格式存储的二进制网络创建文本表示。
        参数
        model - 二进制网络的路径。
        output - 要创建的目标文本文件的路径。注意：为了减小输出文件大小，未包含训练权重。

      • NMSBoxes

        public static void NMSBoxes​(MatOfRect2d bboxes,
                            MatOfFloat scores,
                            float score_threshold,
                            float nms_threshold,
                            MatOfInt indices,
                            float eta,
                            int top_k)
        根据边界框和对应的得分执行非极大值抑制。
        参数
        bboxes - 应用 NMS 的一组边界框。
        scores - 一组对应的置信度。
        score_threshold - 用于根据得分过滤框的阈值。
        nms_threshold - 非最大抑制中使用的阈值。
        indices - NMS 后保留的边界框索引。
        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&gt;0，则最多保留top_k个选定的索引。

      • NMSBoxes

        public static void NMSBoxes​(MatOfRect2d bboxes,
                            MatOfFloat scores,
                            float score_threshold,
                            float nms_threshold,
                            MatOfInt indices,
                            float eta)
        根据边界框和对应的得分执行非极大值抑制。
        参数
        bboxes - 应用 NMS 的一组边界框。
        scores - 一组对应的置信度。
        score_threshold - 用于根据得分过滤框的阈值。
        nms_threshold - 非最大抑制中使用的阈值。
        indices - NMS 后保留的边界框索引。
        eta - 自适应阈值公式中的系数：\(nms\_threshold_{i+1}=eta\cdot nms\_threshold_i\)。

      • NMSBoxes

        public static void NMSBoxes​(MatOfRect2d bboxes,
                            MatOfFloat scores,
                            float score_threshold,
                            float nms_threshold,
                            MatOfInt indices)
        根据边界框和对应的得分执行非极大值抑制。
        参数
        bboxes - 应用 NMS 的一组边界框。
        scores - 一组对应的置信度。
        score_threshold - 用于根据得分过滤框的阈值。
        nms_threshold - 非最大抑制中使用的阈值。
        indices - NMS 后保留的边界框索引。

      • NMSBoxesRotated

        public static void NMSBoxesRotated​(MatOfRotatedRect bboxes,
                                   MatOfFloat scores,
                                   float score_threshold,
                                   float nms_threshold,
                                   MatOfInt indices,
                                   float eta,
                                   int top_k)

      • NMSBoxesRotated

        public static void NMSBoxesRotated​(MatOfRotatedRect bboxes,
                                   MatOfFloat scores,
                                   float score_threshold,
                                   float nms_threshold,
                                   MatOfInt indices,
                                   float eta)

      • NMSBoxesBatched

        public static void NMSBoxesBatched​(MatOfRect2d bboxes,
                                   MatOfFloat scores,
                                   MatOfInt class_ids,
                                   float score_threshold,
                                   float nms_threshold,
                                   MatOfInt indices,
                                   float eta,
                                   int top_k)
        对给定的边界框和不同类别对应的得分执行批处理非极大值抑制。
        参数
        bboxes - 应用 NMS 的一组边界框。
        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 - 用于根据得分过滤框的阈值。
        nms_threshold - 非最大抑制中使用的阈值。
        indices - NMS 后保留的边界框索引。
        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&gt;0，则最多保留top_k个选定的索引。

      • NMSBoxesBatched

        public static void NMSBoxesBatched​(MatOfRect2d bboxes,
                                   MatOfFloat scores,
                                   MatOfInt class_ids,
                                   float score_threshold,
                                   float nms_threshold,
                                   MatOfInt indices,
                                   float eta)
        对给定的边界框和不同类别对应的得分执行批处理非极大值抑制。
        参数
        bboxes - 应用 NMS 的一组边界框。
        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 - 用于根据得分过滤框的阈值。
        nms_threshold - 非最大抑制中使用的阈值。
        indices - NMS 后保留的边界框索引。
        eta - 自适应阈值公式中的系数：\(nms\_threshold_{i+1}=eta\cdot nms\_threshold_i\)。

      • NMSBoxesBatched

        public static void NMSBoxesBatched​(MatOfRect2d bboxes,
                                   MatOfFloat scores,
                                   MatOfInt class_ids,
                                   float score_threshold,
                                   float nms_threshold,
                                   MatOfInt indices)
        对给定的边界框和不同类别对应的得分执行批处理非极大值抑制。
        参数
        bboxes - 应用 NMS 的一组边界框。
        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 - 用于根据得分过滤框的阈值。
        nms_threshold - 非最大抑制中使用的阈值。
        indices - NMS 后保留的边界框索引。

      • softNMSBoxes

        public static void softNMSBoxes​(MatOfRect bboxes,
                                MatOfFloat scores,
                                MatOfFloat updated_scores,
                                float score_threshold,
                                float nms_threshold,
                                MatOfInt indices,
                                long top_k,
                                float sigma)
        给定边界框和对应的分数，执行软非最大抑制。参考：https://arxiv.org/abs/1704.04503
        参数
        bboxes - 应用 Soft NMS 的一组边界框。
        scores - 一组对应的置信度。
        updated_scores - 一组对应的更新后的置信度。
        score_threshold - 用于根据得分过滤框的阈值。
        nms_threshold - 非最大抑制中使用的阈值。
        indices - NMS 后保留的边界框索引。
        top_k - 最多保留top_k个选定的索引。
        sigma - 高斯加权的参数。参见：SoftNMSMethod

      • softNMSBoxes

        public static void softNMSBoxes​(MatOfRect bboxes,
                                MatOfFloat scores,
                                MatOfFloat updated_scores,
                                float score_threshold,
                                float nms_threshold,
                                MatOfInt indices,
                                long top_k)
        给定边界框和对应的分数，执行软非最大抑制。参考：https://arxiv.org/abs/1704.04503
        参数
        bboxes - 应用 Soft NMS 的一组边界框。
        scores - 一组对应的置信度。
        updated_scores - 一组对应的更新后的置信度。
        score_threshold - 用于根据得分过滤框的阈值。
        nms_threshold - 非最大抑制中使用的阈值。
        indices - NMS 后保留的边界框索引。
        top_k - 最多保留top_k个选定的索引。参见：SoftNMSMethod

      • softNMSBoxes

        public static void softNMSBoxes​(MatOfRect bboxes,
                                MatOfFloat scores,
                                MatOfFloat updated_scores,
                                float score_threshold,
                                float nms_threshold,
                                MatOfInt indices)
        给定边界框和对应的分数，执行软非最大抑制。参考：https://arxiv.org/abs/1704.04503
        参数
        bboxes - 应用 Soft NMS 的一组边界框。
        scores - 一组对应的置信度。
        updated_scores - 一组对应的更新后的置信度。
        score_threshold - 用于根据得分过滤框的阈值。
        nms_threshold - 非最大抑制中使用的阈值。
        indices - NMS 后保留的边界框索引。参见：SoftNMSMethod

      • getInferenceEngineBackendType

        @Deprecated
public static java.lang.String getInferenceEngineBackendType()
        已弃用。
        返回 Inference Engine 内部后端 API。参见CV_DNN_BACKEND_INFERENCE_ENGINE_*宏的值。自 4.6.0 版本起，忽略OPENCV_DNN_BACKEND_INFERENCE_ENGINE_TYPE运行时参数（环境变量）。
        返回
        自动生成

      • setInferenceEngineBackendType

        @Deprecated
public static java.lang.String setInferenceEngineBackendType​(java.lang.String newBackendType)
        已弃用。
        指定 Inference Engine 内部后端 API。参见CV_DNN_BACKEND_INFERENCE_ENGINE_*宏的值。
        参数
        newBackendType - 自动生成
        返回
        内部后端 API 的先前值

      • resetMyriadDevice

        public static void resetMyriadDevice()
        释放 Myriad 设备（由 OpenCV 绑定）。单个 Myriad 设备不能在使用 Inference Engine 的 Myriad 插件的多个进程之间共享。

      • getInferenceEngineVPUType

        public static java.lang.String getInferenceEngineVPUType()
        返回 Inference Engine VPU 类型。参见CV_DNN_INFERENCE_ENGINE_VPU_TYPE_*宏的值。
        返回
        自动生成

      • getInferenceEngineCPUType

        public static java.lang.String getInferenceEngineCPUType()
        返回 Inference Engine CPU 类型。指定 OpenVINO 插件：CPU 或 ARM。
        返回
        自动生成

      • releaseHDDLPlugin

        public static void releaseHDDLPlugin()
        释放 HDDL 插件。