cv::dnn::Model 类参考

此类为神经网络提供高级API。更多...

#include <opencv2/dnn/dnn.hpp>

cv::dnn::Model 的协作图

公共成员函数
	Model (模型) ()
	Model (const Model &)=默认
	Model (const Net &网络)
	从深度学习网络创建模型。
	Model (CV_WRAP_FILE_PATH const String &模型, CV_WRAP_FILE_PATH const String &配置="")
	从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 &&)=默认
Model &	enableWinograd (bool 使用Winograd)
Impl *	getImpl () const
Impl &	getImplRef () const
Net &	getNetwork_ ()
Net &	getNetwork_ () const
	operator Net & () const
Model &	operator= (const Model &)=默认
Model &	operator= (Model &&)=默认
void	predict (InputArray 帧, OutputArrayOfArrays 输出) const
	给定输入帧，创建输入blob，运行网络并返回输出blobs。
Model &	setInputCrop (bool 裁剪)
	设置帧的 crop 标志。
Model &	setInputMean (const Scalar &均值)
	设置帧的均值。
void	setInputParams (double 缩放=1.0, const Size &尺寸=Size(), const Scalar &均值=Scalar(), bool 交换RB=false, bool 裁剪=false)
	设置帧的预处理参数。
Model &	setInputScale (const Scalar &缩放)
	设置帧的 scalefactor 值。
Model &	setInputSize (const Size &尺寸)
	设置帧的输入大小。
Model &	setInputSize (int 宽度, int 高度)
Model &	setInputSwapRB (bool 交换RB)
	设置帧的 swapRB 标志。
Model &	setOutputNames (const std::vector< String > &输出名称)
	设置帧的输出名称。
Model &	setPreferableBackend (dnn::Backend 后端ID)
Model &	setPreferableTarget (dnn::Target 目标ID)

保护属性
Ptr< Impl >	impl

详细描述

此类是神经网络的高级 API。

Model 允许设置预处理输入图像的参数。Model 从包含训练权重和配置的文件创建网络，设置预处理输入并运行前向传播。

构造函数 & 析构函数文档

Model() [1/5]

cv::dnn::Model::Model

(

)

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

Model() [2/5]

cv::dnn::Model::Model ( const Model & )

default

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

Model() [3/5]

cv::dnn::Model::Model ( Model (模型) && )

default

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

Model() [4/5]

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

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

从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。

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。

Model() [5/5]

cv::dnn::Model::Model

(

const Net &

网络

)

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

enableWinograd()

Model & cv::dnn::Model::enableWinograd

(

bool

useWinograd（使用Winograd算法）

)

Python
	cv.dnn.Model.enableWinograd(	useWinograd（使用Winograd算法）	) ->	retval

另请参见

Net::enableWinograd

getImpl()

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

inline

getImplRef()

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

inline

getNetwork_() [1/2]

Net & cv::dnn::Model::getNetwork_ ( )

inline

此函数的调用图如下

getNetwork_() [2/2]

Net & cv::dnn::Model::getNetwork_

(

)

const

operator Net &()

cv::dnn::Model::operator Net & ( ) const

inline

operator=() [1/2]

Model & cv::dnn::Model::operator= ( const Model & )

default

operator=() [2/2]

Model & cv::dnn::Model::operator= ( Model (模型) && )

default

predict()

void cv::dnn::Model::predict	(	InputArray	frame,
		OutputArrayOfArrays	outs ) const

Python
	cv.dnn.Model.predict(	帧[, 输出]	) ->	outs

给定输入帧，创建输入blob，运行网络并返回输出blobs。

参数

[输入]	frame	输入图像。
[输出]	outs	已分配的输出blob，将存储计算结果。

setInputCrop()

Model & cv::dnn::Model::setInputCrop

(

bool

crop

)

Python
	cv.dnn.Model.setInputCrop(	crop	) ->	retval

设置帧的 crop 标志。

参数

[输入]

crop

指示图像在调整大小后是否裁剪的标志。

setInputMean()

Model & cv::dnn::Model::setInputMean

(

const Scalar &

mean

)

Python
	cv.dnn.Model.setInputMean(	mean	) ->	retval

设置帧的均值。

参数

[输入]

mean

从通道中减去的均值标量值。

setInputParams()

void cv::dnn::Model::setInputParams	(	double	scale = 1.0,
		const Size &	size = Size(),
		const Scalar &	mean = Scalar(),
		bool	swapRB = false,
		bool	crop = false )

Python
	cv.dnn.Model.setInputParams(	[, 缩放[, 尺寸[, 均值[, 交换RB[, 裁剪]]]]]	) ->	无

设置帧的预处理参数。

参数

[输入]	size	新的输入尺寸。
[输入]	mean	从通道中减去的均值标量值。
[输入]	scale	帧值的乘数。
[输入]	swapRB	指示交换第一个和最后一个通道的标志。
[输入]	crop	指示图像在调整大小后是否裁剪的标志。blob(n, c, y, x) = 缩放 * resize( 帧(y, x, c) ) - 均值(c) )

setInputScale()

Model & cv::dnn::Model::setInputScale

(

const Scalar &

scale

)

Python
	cv.dnn.Model.setInputScale(	scale	) ->	retval

设置帧的 scalefactor 值。

参数

[输入]

scale

帧值的乘数。

setInputSize() [1/2]

Model & cv::dnn::Model::setInputSize

(

const Size &

size

)

Python
	cv.dnn.Model.setInputSize(	size	) ->	retval
	cv.dnn.Model.setInputSize(	width, height	) ->	retval

设置帧的输入大小。

参数

[输入]

size

新的输入尺寸。

注意

如果新blob的形状小于0，则帧尺寸不变。

setInputSize() [2/2]

Model & cv::dnn::Model::setInputSize ( int width, int height )

inline

Python
	cv.dnn.Model.setInputSize(	size	) ->	retval
	cv.dnn.Model.setInputSize(	width, height	) ->	retval

这是一个重载成员函数，为方便起见而提供。它与上述函数的区别仅在于接受的参数。

参数

[输入]	width	新的输入宽度。
[输入]	height	新的输入高度。

此函数的调用图如下

setInputSwapRB()

Model & cv::dnn::Model::setInputSwapRB

(

bool

swapRB

)

Python
	cv.dnn.Model.setInputSwapRB(	swapRB	) ->	retval

设置帧的 swapRB 标志。

参数

[输入]

swapRB

指示交换第一个和最后一个通道的标志。

setOutputNames()

Model & cv::dnn::Model::setOutputNames

(

const std::vector< String > &

outNames

)

Python
	cv.dnn.Model.setOutputNames(	outNames	) ->	retval

设置帧的输出名称。

参数

[输入]

outNames

输出层的名称。

setPreferableBackend()

Model & cv::dnn::Model::setPreferableBackend

(

dnn::Backend

backendId

)

Python
	cv.dnn.Model.setPreferableBackend(	backendId	) ->	retval

另请参见

Net::setPreferableBackend

setPreferableTarget()

Model & cv::dnn::Model::setPreferableTarget

(

dnn::Target

targetId

)

Python
	cv.dnn.Model.setPreferableTarget(	targetId	) ->	retval

另请参见

Net::setPreferableTarget

成员数据文档

impl

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

保护

---

此类的文档生成自以下文件

• opencv2/dnn/dnn.hpp