cv::dnn::ClassificationModel 类参考

此类表示分类模型的高级 API。 更多...

#include <opencv2/dnn/dnn.hpp>

cv::dnn::ClassificationModel 的协作图

公共成员函数
	ClassificationModel (分类模型) ()
	ClassificationModel (const Net &network)
	从深度学习网络创建模型。
	ClassificationModel (CV_WRAP_FILE_PATH const String &model, CV_WRAP_FILE_PATH const String &config="")
	从以支持的格式之一表示的网络创建分类模型。 model 和 config 参数的顺序无关紧要。
std::pair< int, float >	classify (InputArray frame)
	给定 input 帧，创建输入 blob，运行网络并返回 top-1 预测。
void	classify (InputArray frame, int &classId, float &conf)
bool	getEnableSoftmaxPostProcessing () const
	获取启用/禁用 softmax 后处理选项。
ClassificationModel &	setEnableSoftmaxPostProcessing (bool enable)
	设置启用/禁用 softmax 后处理选项。
从 cv::dnn::Model 继承的公共成员函数
	Model (模型) ()
	Model (const Model &)=default
	Model (const Net &network)
	从深度学习网络创建模型。
	Model (CV_WRAP_FILE_PATH const String &model, CV_WRAP_FILE_PATH const String &config="")
	从以支持的格式之一表示的深度学习网络创建模型。 model 和 config 参数的顺序无关紧要。
	Model (Model &&)=default
Model &	enableWinograd (bool useWinograd)
Impl *	getImpl () const
Impl &	getImplRef () const
Net &	getNetwork_ ()
Net &	getNetwork_ () const
	operator Net & () const
Model &	operator= (const Model &)=default
Model &	operator= (Model &&)=default
void	predict (InputArray frame, OutputArrayOfArrays outs) const
	给定 input 帧，创建输入 blob，运行网络并返回输出 blobs。
Model &	setInputCrop (bool crop)
	设置帧的 crop 标志。
Model &	setInputMean (const Scalar &mean)
	设置帧的均值。
void	setInputParams (double scale=1.0, const Size &size=Size(), const Scalar &mean=Scalar(), bool swapRB=false, bool crop=false)
	设置帧的预处理参数。
Model &	setInputScale (const Scalar &scale)
	设置帧的 scalefactor 值。
Model &	setInputSize (const Size &size)
	设置帧的输入大小。
Model &	setInputSize (int width, int height)
Model &	setInputSwapRB (bool swapRB)
	设置帧的 swapRB 标志。
Model &	setOutputNames (const std::vector< String > &outNames)
	设置帧的输出名称。
Model &	setPreferableBackend (dnn::Backend backendId)
Model &	setPreferableTarget (dnn::Target targetId)

额外继承的成员
从 cv::dnn::Model 继承的保护属性
Ptr< Impl >	impl

详细描述

此类表示分类模型的高级 API。

ClassificationModel 允许为预处理输入图像设置参数。 ClassificationModel 从包含训练权重和配置的文件创建网络，设置预处理输入，运行前向传递并返回 top-1 预测。

构造函数 & 析构函数文档

ClassificationModel() [1/3]

cv::dnn::ClassificationModel::ClassificationModel

(

)

Python
	cv.dnn.ClassificationModel(	model[, config]	) ->	<dnn_ClassificationModel 对象>
	cv.dnn.ClassificationModel(	网络	) ->	<dnn_ClassificationModel 对象>

ClassificationModel() [2/3]

cv::dnn::ClassificationModel::ClassificationModel	(	CV_WRAP_FILE_PATH const String &	model,
		CV_WRAP_FILE_PATH const String &	config = "" )

Python
	cv.dnn.ClassificationModel(	model[, config]	) ->	<dnn_ClassificationModel 对象>
	cv.dnn.ClassificationModel(	网络	) ->	<dnn_ClassificationModel 对象>

从以支持的格式之一表示的网络创建分类模型。 model 和 config 参数的顺序无关紧要。

参数

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

ClassificationModel() [3/3]

cv::dnn::ClassificationModel::ClassificationModel

(

const Net &

网络

)

Python
	cv.dnn.ClassificationModel(	model[, config]	) ->	<dnn_ClassificationModel 对象>
	cv.dnn.ClassificationModel(	网络	) ->	<dnn_ClassificationModel 对象>

从深度学习网络创建模型。

参数

[输入]

网络

Net 对象。

成员函数文档

classify() [1/2]

std::pair< int, float > cv::dnn::ClassificationModel::classify

(

InputArray

frame

)

Python
	cv.dnn.ClassificationModel.classify(	frame	) ->	classId, conf

给定 input 帧，创建输入 blob，运行网络并返回 top-1 预测。

参数

[输入]

frame

输入图像。

classify() [2/2]

void cv::dnn::ClassificationModel::classify	(	InputArray	frame,
		int &	classId,
		float &	conf )

Python
	cv.dnn.ClassificationModel.classify(	frame	) ->	classId, conf

这是一个重载的成员函数，为了方便而提供。 它与上面的函数仅在于它接受的参数。

getEnableSoftmaxPostProcessing()

bool cv::dnn::ClassificationModel::getEnableSoftmaxPostProcessing

(

)

const

Python
	cv.dnn.ClassificationModel.getEnableSoftmaxPostProcessing(		) ->	retval

获取启用/禁用 softmax 后处理选项。

此选项默认为 false，softmax 后处理未在 classify() 函数中应用。

setEnableSoftmaxPostProcessing()

ClassificationModel & cv::dnn::ClassificationModel::setEnableSoftmaxPostProcessing

(

bool

启用

)

Python
	cv.dnn.ClassificationModel.setEnableSoftmaxPostProcessing(	启用	) ->	retval

设置启用/禁用 softmax 后处理选项。

如果此选项为 true，则在 classify() 函数中的前向推理之后应用 softmax，以将置信度范围转换为 [0.0-1.0]。 此函数允许您切换此行为。 如果模型中不包含 softmax 层，请设置为 true。

参数

[输入]

启用

在 classify() 函数中设置启用 softmax 后处理。

---

此类文档由以下文件生成

• opencv2/dnn/dnn.hpp