cv::dnn::DetectionModel 类参考

此类代表用于目标检测网络的高级 API。 更多...

#include <opencv2/dnn/dnn.hpp>

cv::dnn::DetectionModel 的协作图

公共成员函数
	DetectionModel ()
	DetectionModel (const Net &network)
	从深度学习网络创建模型。
	DetectionModel (CV_WRAP_FILE_PATH const String &model, CV_WRAP_FILE_PATH const String &config="")
	从支持的格式之一表示的网络创建检测模型。 model 和 config 参数的顺序无关紧要。
void	detect (InputArray frame, std::vector< int > &classIds, std::vector< float > &confidences, std::vector< Rect > &boxes, float confThreshold=0.5f, float nmsThreshold=0.0f)
	给定 input 帧，创建输入 blob，运行网络并返回结果检测。
bool	getNmsAcrossClasses ()
	nmsAcrossClasses 的 Getter。此变量默认为 false，这样在 detect() 函数期间使用非最大值抑制时，它将仅按类执行。
DetectionModel &	setNmsAcrossClasses (bool value)
	nmsAcrossClasses 默认为 false，这样在 detect() 函数期间使用非最大值抑制时，它将按类执行。此函数允许您切换此行为。
从 cv::dnn::Model 继承的公共成员函数
	Model ()
	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)
	设置帧的平均值。
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)
	设置帧的缩放因子值。
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)

其他继承的成员
从 cv::dnn::Model 继承的受保护属性
Ptr< Impl >	impl

详细描述

此类代表用于目标检测网络的高级 API。

DetectionModel 允许设置预处理输入图像的参数。 DetectionModel 从带有训练权重的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结果检测。 对于 DetectionModel，支持 SSD、Faster R-CNN、YOLO 拓扑。

构造函数 & 析构函数文档

DetectionModel() [1/3]

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

Python
	cv.dnn.DetectionModel(	model[, config]	) ->	<dnn_DetectionModel 对象>
	cv.dnn.DetectionModel(	network	) ->	<dnn_DetectionModel 对象>

从支持的格式之一表示的网络创建检测模型。 model 和 config 参数的顺序无关紧要。

参数

[输入]	model	包含训练权重的二进制文件。
[输入]	config	包含网络配置的文本文件。

DetectionModel() [2/3]

cv::dnn::DetectionModel::DetectionModel

(

const Net &

network

)

Python
	cv.dnn.DetectionModel(	model[, config]	) ->	<dnn_DetectionModel 对象>
	cv.dnn.DetectionModel(	network	) ->	<dnn_DetectionModel 对象>

从深度学习网络创建模型。

参数

[输入]

network

Net 对象。

DetectionModel() [3/3]

cv::dnn::DetectionModel::DetectionModel

(

)

Python
	cv.dnn.DetectionModel(	model[, config]	) ->	<dnn_DetectionModel 对象>
	cv.dnn.DetectionModel(	network	) ->	<dnn_DetectionModel 对象>

成员函数文档

detect()

void cv::dnn::DetectionModel::detect	(	InputArray	frame,
		std::vector< int > &	classIds,
		std::vector< float > &	confidences,
		std::vector< Rect > &	boxes,
		float	confThreshold = 0.5f,
		float	nmsThreshold = 0.0f )

Python
	cv.dnn.DetectionModel.detect(	frame[, confThreshold[, nmsThreshold]]	) ->	classIds, confidences, boxes

给定 input 帧，创建输入 blob，运行网络并返回结果检测。

参数

[输入]	frame	输入图像。
[输出]	classIds	结果检测中的类索引。
[输出]	confidences	一组相应的置信度。
[输出]	boxes	一组边界框。
[输入]	confThreshold	用于按置信度过滤框的阈值。
[输入]	nmsThreshold	非最大值抑制中使用的阈值。

getNmsAcrossClasses()

bool cv::dnn::DetectionModel::getNmsAcrossClasses

(

)

Python
	cv.dnn.DetectionModel.getNmsAcrossClasses(		) ->	retval

nmsAcrossClasses 的 Getter。此变量默认为 false，这样在 detect() 函数期间使用非最大值抑制时，它将仅按类执行。

setNmsAcrossClasses()

DetectionModel & cv::dnn::DetectionModel::setNmsAcrossClasses

(

bool

值

)

Python
	cv.dnn.DetectionModel.setNmsAcrossClasses(	值	) ->	retval

nmsAcrossClasses 默认为 false，这样在 detect() 函数期间使用非最大值抑制时，它将按类执行。此函数允许您切换此行为。

参数

[输入]

值

nmsAcrossClasses 的新值

---

此类文档由以下文件生成

• opencv2/dnn/dnn.hpp