此类允许创建和操作综合人工神经网络。更多...

#include <opencv2/dnn/dnn.hpp>

cv::dnn::Net 的协作图

公共类型
typedef DictValue	LayerId
	字符串和整数的容器。

公共成员函数
	Net ()
	默认构造函数。

	~Net ()
	析构函数仅在网络不再有引用时才释放网络。

int	addLayer (const String &name, const String &type, const int &dtype, LayerParams &params)
	向网络添加新层。

int	addLayer (const String &name, const String &type, LayerParams &params)

int	addLayerToPrev (const String &name, const String &type, const int &dtype, LayerParams &params)
	添加新层，并将其第一个输入连接到先前添加的层的第一个输出。

int	addLayerToPrev (const String &name, const String &type, LayerParams &params)

void	connect (int outLayerId, int outNum, int inpLayerId, int inpNum)
	将第一个层的 #`outNum` 输出连接到第二个层的 #`inNum` 输入。

void	connect (String outPin, String inpPin)
	将第一个层的输出连接到第二个层的输入。

String	dump ()
	将网络转储为字符串。

void	dumpToFile (CV_WRAP_FILE_PATH const String &path)
	将网络结构、超参数、后端、目标和融合转储到 dot 文件。

void	dumpToPbtxt (CV_WRAP_FILE_PATH const String &path)
	将网络结构、超参数、后端、目标和融合转储到 pbtxt 文件。

bool	empty () const

void	enableFusion (bool fusion)
	启用或禁用网络中的层融合。

void	enableWinograd (bool useWinograd)
	启用或禁用 Winograd 计算分支。Winograd 计算分支可以在损失少量精度的情况下，将 3x3 卷积的速度提高 3 倍。

Mat	forward (const String &outputName=String())
	运行前向传播以计算名为 `outputName` 的层的输出。

void	forward (CV_ND OutputArrayOfArrays outputBlobs, const std::vector< String > &outBlobNames)
	运行前向传播以计算 `outBlobNames` 中列出的层的输出。

void	forward (CV_ND OutputArrayOfArrays outputBlobs, const String &outputName=String())
	运行前向传播以计算名为 `outputName` 的层的输出。

void	forward (std::vector< std::vector< Mat > > &outputBlobs, const std::vector< String > &outBlobNames)
	运行前向传播以计算 `outBlobNames` 中列出的层的输出。

AsyncArray	forwardAsync (const String &outputName=String())
	运行前向传播以计算名为 `outputName` 的层的输出。

int64	getFLOPS (const int layerId, const MatShape &netInputShape) const

int64	getFLOPS (const int layerId, const std::vector< MatShape > &netInputShapes) const

int64	getFLOPS (const MatShape &netInputShape) const

int64	getFLOPS (const std::vector< MatShape > &netInputShapes) const
	计算加载模型的总 FLOPs，给定指定的输入形状。

Impl *	getImpl () const

Impl &	getImplRef () const

void	getInputDetails (std::vector< float > &scales, std::vector< int > &zeropoints) const
	返回量化 Net 的输入比例和零点。

Ptr< Layer >	getLayer (const LayerId &layerId) const

Ptr< Layer >	getLayer (const String &layerName) const

Ptr< Layer >	getLayer (int layerId) const
	返回网络使用的具有指定 ID 或名称的层的指针。

int	getLayerId (const String &layer) const
	将层的字符串名称转换为整数标识符。

std::vector< Ptr< Layer > >	getLayerInputs (int layerId) const
	返回特定层的输入层的指针。

std::vector< String >	getLayerNames () const

int	getLayersCount (const String &layerType) const
	返回指定类型的层数。

void	getLayerShapes (const MatShape &netInputShape, const int layerId, std::vector< MatShape > &inLayerShapes, std::vector< MatShape > &outLayerShapes) const
	返回加载模型中指定 ID 层的输入和输出形状；无需预先推断。

void	getLayerShapes (const std::vector< MatShape > &netInputShapes, const int layerId, std::vector< MatShape > &inLayerShapes, std::vector< MatShape > &outLayerShapes) const

void	getLayersShapes (const MatShape &netInputShape, std::vector< int > &layersIds, std::vector< std::vector< MatShape > > &inLayersShapes, std::vector< std::vector< MatShape > > &outLayersShapes) const

void	getLayersShapes (const std::vector< MatShape > &netInputShapes, std::vector< int > &layersIds, std::vector< std::vector< MatShape > > &inLayersShapes, std::vector< std::vector< MatShape > > &outLayersShapes) const
	返回加载模型中所有层的输入和输出形状；无需预先推断。

void	getLayerTypes (std::vector< String > &layersTypes) const
	返回模型中使用的层的类型列表。

void	getMemoryConsumption (const int layerId, const MatShape &netInputShape, size_t &weights, size_t &blobs) const

void	getMemoryConsumption (const int layerId, const std::vector< MatShape > &netInputShapes, size_t &weights, size_t &blobs) const

void	getMemoryConsumption (const MatShape &netInputShape, size_t &weights, size_t &blobs) const

void	getMemoryConsumption (const MatShape &netInputShape, std::vector< int > &layerIds, std::vector< size_t > &weights, std::vector< size_t > &blobs) const

void	getMemoryConsumption (const std::vector< MatShape > &netInputShapes, size_t &weights, size_t &blobs) const
	计算存储模型所有权重和中间 blob 所需的字节数。

void	getMemoryConsumption (const std::vector< MatShape > &netInputShapes, std::vector< int > &layerIds, std::vector< size_t > &weights, std::vector< size_t > &blobs) const
	计算存储每个层的所有权重和中间 blob 所需的字节数。

void	getOutputDetails (std::vector< float > &scales, std::vector< int > &zeropoints) const
	返回量化 Net 的输出比例和零点。

Mat	getParam (const String &layerName, int numParam=0) const

Mat	getParam (int layer, int numParam=0) const
	返回层的参数 blob。

int64	getPerfProfile (std::vector< double > &timings)
	返回推理的总时间和层的计时（以时钟周期计）。

std::vector< int >	getUnconnectedOutLayers () const
	返回具有未连接输出的层的索引。

std::vector< String >	getUnconnectedOutLayersNames () const
	返回具有未连接输出的层的名称。

Net	quantize (InputArrayOfArrays calibData, int inputsDtype, int outputsDtype, bool perChannel=true)
	从浮点 Net 返回量化 Net。

int	registerOutput (const std::string &outputName, int layerId, int outputPort)
	注册带有名称的网络输出。

void	setHalideScheduler (const String &scheduler)
	编译 Halide 层。

void	setInput (CV_ND InputArray blob, const String &name="", double scalefactor=1.0, const Scalar &mean=Scalar())
	设置网络的新输入值。

void	setInputShape (const String &inputName, const MatShape &shape)
	指定网络输入的形状。

void	setInputsNames (const std::vector< String > &inputBlobNames)
	设置网络输入伪层的输出名称。

void	setParam (const String &layerName, int numParam, CV_ND const Mat &blob)

void	setParam (int layer, int numParam, CV_ND const Mat &blob)
	设置层学习参数的新值。

void	setPreferableBackend (int backendId)
	要求网络在支持的情况下使用特定的计算后端。

void	setPreferableTarget (int targetId)
	要求网络在特定目标设备上进行计算。

静态公共成员函数
static Net	readFromModelOptimizer (const std::vector< uchar > &bufferModelConfig, const std::vector< uchar > &bufferWeights)
	从 Intel 的 Model Optimizer 内存中的中间表示 (IR) 缓冲区创建网络。

static Net	readFromModelOptimizer (const uchar bufferModelConfigPtr, size_t bufferModelConfigSize, const uchar bufferWeightsPtr, size_t bufferWeightsSize)
	从 Intel 的 Model Optimizer 内存中的中间表示 (IR) 缓冲区创建网络。

static Net	readFromModelOptimizer (CV_WRAP_FILE_PATH const String &xml, CV_WRAP_FILE_PATH const String &bin)
	从 Intel 的 Model Optimizer 中间表示 (IR) 创建网络。

保护属性
Ptr< Impl >	impl

友元
class	accessor::DnnNetAccessor

详细描述

此类允许创建和操作综合人工神经网络。

神经网络表示为有向无环图 (DAG)，其中顶点是 Layer 实例，边指定层输入和输出之间的关系。

每个网络层在其网络内都有唯一的整数 ID 和唯一的字符串名称。LayerId 可以存储层名称或层 ID。

此类别支持其实例的引用计数，即副本指向同一实例。

示例: samples/dnn/colorization.cpp 和 samples/dnn/openpose.cpp。

成员 Typedef 文档

◆ LayerId

DictValue cv::dnn::Net::LayerId

字符串和整数的容器。

已弃用: 使用结果为 int 的 getLayerId()。

构造函数 & 析构函数文档

◆ Net()

cv::dnn::Net::Net ( )

Python
	cv.dnn.Net(		) ->	<dnn_Net 对象>

默认构造函数。

◆ ~Net()

cv::dnn::Net::~Net ( )

析构函数仅在网络不再有引用时才释放网络。

成员函数文档

◆ addLayer() [1/2]

int cv::dnn::Net::addLayer	(	const String &	name,
		const String &	type,
		const int &	dtype,
		LayerParams &	params )

Python
	cv.dnn.Net.addLayer(	name, type, dtype, params	) ->	retval

向网络添加新层。

参数

name	添加层的唯一名称。
type	添加层的类型名称（类型必须在 LayerRegister 中注册）。
dtype	输出 blob 的数据类型。
params	用于初始化创建层的参数。

返回: 创建层的唯一标识符，如果发生故障则为 -1。

◆ addLayer() [2/2]

int cv::dnn::Net::addLayer	(	const String &	name,
		const String &	type,
		LayerParams &	params )

Python
	cv.dnn.Net.addLayer(	name, type, dtype, params	) ->	retval

◆ addLayerToPrev() [1/2]

int cv::dnn::Net::addLayerToPrev	(	const String &	name,
		const String &	type,
		const int &	dtype,
		LayerParams &	params )

Python
	cv.dnn.Net.addLayerToPrev(	name, type, dtype, params	) ->	retval

添加新层，并将其第一个输入连接到先前添加的层的第一个输出。

另请参见: addLayer()

◆ addLayerToPrev() [2/2]

int cv::dnn::Net::addLayerToPrev	(	const String &	name,
		const String &	type,
		LayerParams &	params )

Python
	cv.dnn.Net.addLayerToPrev(	name, type, dtype, params	) ->	retval

这是一个重载成员函数，为了方便而提供。它与上述函数的区别仅在于它接受的参数。

◆ connect() [1/2]

void cv::dnn::Net::connect	(	int	outLayerId,
		int	outNum,
		int	inpLayerId,
		int	inpNum )

Python
	cv.dnn.Net.connect(	outPin, inpPin	) ->	无

将第一个层的 #outNum 输出连接到第二个层的 #inNum 输入。

参数

outLayerId	第一个层的标识符
outNum	第一个层的输出编号
inpLayerId	第二个层的标识符
inpNum	第二个层的输入编号

◆ connect() [2/2]

void cv::dnn::Net::connect	(	String	outPin,
		String	inpPin )

Python
	cv.dnn.Net.connect(	outPin, inpPin	) ->	无

将第一个层的输出连接到第二个层的输入。

参数

outPin	第一个层输出的描述符。
inpPin	第二个层输入的描述符。

描述符具有以下模板 <layer_name>[.input_number]

模板的第一部分 layer_name 是添加层的字符串名称。如果此部分为空，则将使用网络输入伪层；
模板的第二个可选部分 input_number 是层输入的编号或标签。如果此部分省略，则将使用第一个层输入。

另请参见
setNetInputs(), Layer::inputNameToIndex(), Layer::outputNameToIndex()

◆ dump()

String cv::dnn::Net::dump ( )

Python
	cv.dnn.Net.dump(		) ->	retval

将网络转储为字符串。

返回: 包含结构、超参数、后端、目标和融合的字符串。在 setInput() 之后调用此方法。要查看正确的后端、目标和融合，请在 forward() 之后运行。

◆ dumpToFile()

void cv::dnn::Net::dumpToFile ( CV_WRAP_FILE_PATH const String & 路径 )

Python
	cv.dnn.Net.dumpToFile(	路径	) ->	无

将网络结构、超参数、后端、目标和融合转储到 dot 文件。

参数

路径	输出文件路径，扩展名为 .dot

另请参见: dump()

◆ dumpToPbtxt()

void cv::dnn::Net::dumpToPbtxt ( CV_WRAP_FILE_PATH const String & 路径 )

Python
	cv.dnn.Net.dumpToPbtxt(	路径	) ->	无

将网络结构、超参数、后端、目标和融合转储到 pbtxt 文件。

参数

路径	输出文件路径，扩展名为 .pbtxt

使用 Netron (https://netron.app) 打开目标文件以可视化模型。在 setInput() 之后调用此方法。要查看正确的后端、目标和融合，请在 forward() 之后运行。

◆ empty()

bool cv::dnn::Net::empty ( ) const

Python
	cv.dnn.Net.empty(		) ->	retval

如果网络中没有层，则返回 true。

◆ enableFusion()

void cv::dnn::Net::enableFusion ( bool fusion )

Python
	cv.dnn.Net.enableFusion(	fusion	) ->	无

启用或禁用网络中的层融合。

参数

fusion true 启用融合，false 禁用。融合默认启用。

◆ enableWinograd()

void cv::dnn::Net::enableWinograd ( bool useWinograd（使用Winograd算法） )

Python
	cv.dnn.Net.enableWinograd(	useWinograd（使用Winograd算法）	) ->	无

启用或禁用 Winograd 计算分支。Winograd 计算分支可以在损失少量精度的情况下，将 3x3 卷积的速度提高 3 倍。

参数

useWinograd（使用Winograd算法） true 启用 Winograd 计算分支。默认值为 true。

◆ forward() [1/4]

Mat cv::dnn::Net::forward ( const String & outputName = String() )


cv.dnn.Net.forward(	[, outputName]	) ->	retval
cv.dnn.Net.forward(	[, outputBlobs[, outputName]]	) ->	outputBlobs
cv.dnn.Net.forward(	outBlobNames[, outputBlobs]	) ->	outputBlobs
cv.dnn.Net.forwardAndRetrieve(	outBlobNames	) ->	outputBlobs

运行前向传播以计算名为 outputName 的层的输出。

参数

outputName 需要获取其输出的层的名称

返回: 指定层的第一个输出的 blob。

默认情况下，对整个网络执行前向传播。

示例: samples/dnn/colorization.cpp 和 samples/dnn/openpose.cpp。

◆ forward() [2/4]

void cv::dnn::Net::forward	(	CV_ND OutputArrayOfArrays	outputBlobs,
		const std::vector< String > &	outBlobNames )


cv.dnn.Net.forward(	[, outputName]	) ->	retval
cv.dnn.Net.forward(	[, outputBlobs[, outputName]]	) ->	outputBlobs
cv.dnn.Net.forward(	outBlobNames[, outputBlobs]	) ->	outputBlobs
cv.dnn.Net.forwardAndRetrieve(	outBlobNames	) ->	outputBlobs

运行前向传播以计算 outBlobNames 中列出的层的输出。

参数

outputBlobs	包含指定层第一个输出的 blob。
outBlobNames	需要获取其输出的层的名称。

◆ forward() [3/4]

void cv::dnn::Net::forward	(	CV_ND OutputArrayOfArrays	outputBlobs,
		const String &	outputName = String() )


cv.dnn.Net.forward(	[, outputName]	) ->	retval
cv.dnn.Net.forward(	[, outputBlobs[, outputName]]	) ->	outputBlobs
cv.dnn.Net.forward(	outBlobNames[, outputBlobs]	) ->	outputBlobs
cv.dnn.Net.forwardAndRetrieve(	outBlobNames	) ->	outputBlobs

运行前向传播以计算名为 outputName 的层的输出。

参数

outputBlobs	包含指定层的全部输出 blob。
outputName	需要获取其输出的层的名称

如果 outputName 为空，则对整个网络执行前向传播。

◆ forward() [4/4]

void cv::dnn::Net::forward	(	std::vector< std::vector< Mat > > &	outputBlobs,
		const std::vector< String > &	outBlobNames )


cv.dnn.Net.forward(	[, outputName]	) ->	retval
cv.dnn.Net.forward(	[, outputBlobs[, outputName]]	) ->	outputBlobs
cv.dnn.Net.forward(	outBlobNames[, outputBlobs]	) ->	outputBlobs
cv.dnn.Net.forwardAndRetrieve(	outBlobNames	) ->	outputBlobs

运行前向传播以计算 outBlobNames 中列出的层的输出。

参数

outputBlobs	包含 `outBlobNames` 中指定的每个层的所有输出 blob。
outBlobNames	需要获取其输出的层的名称。

◆ forwardAsync()

AsyncArray cv::dnn::Net::forwardAsync ( const String & outputName = String() )

Python
	cv.dnn.Net.forwardAsync(	[, outputName]	) ->	retval

运行前向传播以计算名为 outputName 的层的输出。

参数

outputName 需要获取其输出的层的名称

默认情况下，对整个网络执行前向传播。

这是 forward(const String&) 的异步版本。需要 dnn::DNN_BACKEND_INFERENCE_ENGINE 后端。

◆ getFLOPS() [1/4]

int64 cv::dnn::Net::getFLOPS	(	const int	layerId,
		const MatShape &	netInputShape ) const


cv.dnn.Net.getFLOPS(	netInputShapes	) ->	retval
cv.dnn.Net.getFLOPS(	netInputShape	) ->	retval
cv.dnn.Net.getFLOPS(	layerId, netInputShapes	) ->	retval
cv.dnn.Net.getFLOPS(	layerId, netInputShape	) ->	retval

这是一个重载成员函数，为了方便而提供。它与上述函数的区别仅在于它接受的参数。

◆ getFLOPS() [2/4]

int64 cv::dnn::Net::getFLOPS	(	const int	layerId,
		const std::vector< MatShape > &	netInputShapes ) const


cv.dnn.Net.getFLOPS(	netInputShapes	) ->	retval
cv.dnn.Net.getFLOPS(	netInputShape	) ->	retval
cv.dnn.Net.getFLOPS(	layerId, netInputShapes	) ->	retval
cv.dnn.Net.getFLOPS(	layerId, netInputShape	) ->	retval

这是一个重载成员函数，为了方便而提供。它与上述函数的区别仅在于它接受的参数。

◆ getFLOPS() [3/4]

int64 cv::dnn::Net::getFLOPS ( const MatShape & netInputShape ) const


cv.dnn.Net.getFLOPS(	netInputShapes	) ->	retval
cv.dnn.Net.getFLOPS(	netInputShape	) ->	retval
cv.dnn.Net.getFLOPS(	layerId, netInputShapes	) ->	retval
cv.dnn.Net.getFLOPS(	layerId, netInputShape	) ->	retval

这是一个重载成员函数，为了方便而提供。它与上述函数的区别仅在于它接受的参数。

◆ getFLOPS() [4/4]

int64 cv::dnn::Net::getFLOPS ( const std::vector< MatShape > & netInputShapes ) const


cv.dnn.Net.getFLOPS(	netInputShapes	) ->	retval
cv.dnn.Net.getFLOPS(	netInputShape	) ->	retval
cv.dnn.Net.getFLOPS(	layerId, netInputShapes	) ->	retval
cv.dnn.Net.getFLOPS(	layerId, netInputShape	) ->	retval

计算加载模型的总 FLOPs，给定指定的输入形状。

参数

netInputShapes 所有网络输入的形状向量。

返回: 计算出的 FLOPs。

◆ getImpl()

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

inline

◆ getImplRef()

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

inline

◆ getInputDetails()

void cv::dnn::Net::getInputDetails	(	std::vector< float > &	scales,
		std::vector< int > &	zeropoints ) const

Python
	cv.dnn.Net.getInputDetails(		) ->	scales, zeropoints

返回量化 Net 的输入比例和零点。

参数

scales	返回输入比例的输出参数。
zeropoints	返回输入零点的输出参数。

◆ getLayer() [1/3]

Ptr< Layer > cv::dnn::Net::getLayer ( const LayerId & layerId ) const

Python
	cv.dnn.Net.getLayer(	layerId	) ->	retval
	cv.dnn.Net.getLayer(	layerName	) ->	retval

这是一个重载成员函数，为了方便而提供。它与上述函数的区别仅在于它接受的参数。

已弃用: 待移除

◆ getLayer() [2/3]

Ptr< Layer > cv::dnn::Net::getLayer ( const String & layerName ) const

inline

Python
	cv.dnn.Net.getLayer(	layerId	) ->	retval
	cv.dnn.Net.getLayer(	layerName	) ->	retval

这是一个重载成员函数，为了方便而提供。它与上述函数的区别仅在于它接受的参数。

已弃用: 使用 int getLayerId(const String &layer)

此函数的调用图如下

◆ getLayer() [3/3]

Ptr< Layer > cv::dnn::Net::getLayer ( int layerId ) const

Python
	cv.dnn.Net.getLayer(	layerId	) ->	retval
	cv.dnn.Net.getLayer(	layerName	) ->	retval

返回网络使用的具有指定 ID 或名称的层的指针。

示例: samples/dnn/colorization.cpp.

◆ getLayerId()

int cv::dnn::Net::getLayerId ( const String & layer ) const

Python
	cv.dnn.Net.getLayerId(	layer	) ->	retval

将层的字符串名称转换为整数标识符。

返回: 层的 ID，如果未找到层则为 -1。

◆ getLayerInputs()

std::vector< Ptr< Layer > > cv::dnn::Net::getLayerInputs ( int layerId ) const

返回特定层的输入层的指针。

◆ getLayerNames()

std::vector< String > cv::dnn::Net::getLayerNames ( ) const

Python
	cv.dnn.Net.getLayerNames(		) ->	retval

◆ getLayersCount()

int cv::dnn::Net::getLayersCount ( const String & layerType ) const

Python
	cv.dnn.Net.getLayersCount(	layerType	) ->	retval

返回指定类型的层数。

参数

layerType 类型。

返回: 层数

◆ getLayerShapes() [1/2]

void cv::dnn::Net::getLayerShapes	(	const MatShape &	netInputShape,
		const int	layerId,
		std::vector< MatShape > &	inLayerShapes,
		std::vector< MatShape > &	outLayerShapes ) const

返回加载模型中指定 ID 层的输入和输出形状；无需预先推断。

参数

netInputShape	网络输入层中的形状输入 blob。
layerId	层的 ID。
inLayerShapes	输入层形状的输出参数；顺序与 layersIds 中的顺序相同
outLayerShapes	输出层形状的输出参数；顺序与 layersIds 中的顺序相同

◆ getLayerShapes() [2/2]

void cv::dnn::Net::getLayerShapes	(	const std::vector< MatShape > &	netInputShapes,
		const int	layerId,
		std::vector< MatShape > &	inLayerShapes,
		std::vector< MatShape > &	outLayerShapes ) const

这是一个重载成员函数，为了方便而提供。它与上述函数的区别仅在于它接受的参数。

◆ getLayersShapes() [1/2]

void cv::dnn::Net::getLayersShapes	(	const MatShape &	netInputShape,
		std::vector< int > &	layersIds,
		std::vector< std::vector< MatShape > > &	inLayersShapes,
		std::vector< std::vector< MatShape > > &	outLayersShapes ) const

Python
	cv.dnn.Net.getLayersShapes(	netInputShapes	) ->	layersIds, inLayersShapes, outLayersShapes
	cv.dnn.Net.getLayersShapes(	netInputShape	) ->	layersIds, inLayersShapes, outLayersShapes

这是一个重载成员函数，为了方便而提供。它与上述函数的区别仅在于它接受的参数。

◆ getLayersShapes() [2/2]

void cv::dnn::Net::getLayersShapes	(	const std::vector< MatShape > &	netInputShapes,
		std::vector< int > &	layersIds,
		std::vector< std::vector< MatShape > > &	inLayersShapes,
		std::vector< std::vector< MatShape > > &	outLayersShapes ) const

Python
	cv.dnn.Net.getLayersShapes(	netInputShapes	) ->	layersIds, inLayersShapes, outLayersShapes
	cv.dnn.Net.getLayersShapes(	netInputShape	) ->	layersIds, inLayersShapes, outLayersShapes

返回加载模型中所有层的输入和输出形状；无需预先推断。

参数

netInputShapes	网络输入层中所有输入 blob 的形状。
layersIds	层 ID 的输出参数。
inLayersShapes	输入层形状的输出参数；顺序与 layersIds 中的顺序相同
outLayersShapes	输出层形状的输出参数；顺序与 layersIds 中的顺序相同

◆ getLayerTypes()

void cv::dnn::Net::getLayerTypes ( std::vector< String > & layersTypes ) const

Python
	cv.dnn.Net.getLayerTypes(		) ->	layersTypes

返回模型中使用的层的类型列表。

参数

layersTypes 返回类型的输出参数。

◆ getMemoryConsumption() [1/6]

void cv::dnn::Net::getMemoryConsumption	(	const int	layerId,
		const MatShape &	netInputShape,
		size_t &	weights,
		size_t &	blobs ) const


cv.dnn.Net.getMemoryConsumption(	netInputShape	) ->	weights, blobs
cv.dnn.Net.getMemoryConsumption(	layerId, netInputShapes	) ->	weights, blobs
cv.dnn.Net.getMemoryConsumption(	layerId, netInputShape	) ->	weights, blobs

这是一个重载成员函数，为了方便而提供。它与上述函数的区别仅在于它接受的参数。

◆ getMemoryConsumption() [2/6]

void cv::dnn::Net::getMemoryConsumption	(	const int	layerId,
		const std::vector< MatShape > &	netInputShapes,
		size_t &	weights,
		size_t &	blobs ) const


cv.dnn.Net.getMemoryConsumption(	netInputShape	) ->	weights, blobs
cv.dnn.Net.getMemoryConsumption(	layerId, netInputShapes	) ->	weights, blobs
cv.dnn.Net.getMemoryConsumption(	layerId, netInputShape	) ->	weights, blobs

这是一个重载成员函数，为了方便而提供。它与上述函数的区别仅在于它接受的参数。

◆ getMemoryConsumption() [3/6]

void cv::dnn::Net::getMemoryConsumption	(	const MatShape &	netInputShape,
		size_t &	weights,
		size_t &	blobs ) const


cv.dnn.Net.getMemoryConsumption(	netInputShape	) ->	weights, blobs
cv.dnn.Net.getMemoryConsumption(	layerId, netInputShapes	) ->	weights, blobs
cv.dnn.Net.getMemoryConsumption(	layerId, netInputShape	) ->	weights, blobs

这是一个重载成员函数，为了方便而提供。它与上述函数的区别仅在于它接受的参数。

◆ getMemoryConsumption() [4/6]

void cv::dnn::Net::getMemoryConsumption	(	const MatShape &	netInputShape,
		std::vector< int > &	layerIds,
		std::vector< size_t > &	weights,
		std::vector< size_t > &	blobs ) const


cv.dnn.Net.getMemoryConsumption(	netInputShape	) ->	weights, blobs
cv.dnn.Net.getMemoryConsumption(	layerId, netInputShapes	) ->	weights, blobs
cv.dnn.Net.getMemoryConsumption(	layerId, netInputShape	) ->	weights, blobs

这是一个重载成员函数，为了方便而提供。它与上述函数的区别仅在于它接受的参数。

◆ getMemoryConsumption() [5/6]

void cv::dnn::Net::getMemoryConsumption	(	const std::vector< MatShape > &	netInputShapes,
		size_t &	weights,
		size_t &	blobs ) const


cv.dnn.Net.getMemoryConsumption(	netInputShape	) ->	weights, blobs
cv.dnn.Net.getMemoryConsumption(	layerId, netInputShapes	) ->	weights, blobs
cv.dnn.Net.getMemoryConsumption(	layerId, netInputShape	) ->	weights, blobs

计算存储模型所有权重和中间 blob 所需的字节数。

参数

netInputShapes	所有网络输入的形状向量。
weights	存储结果权重字节的输出参数。
blobs	存储结果中间 blob 字节的输出参数。

◆ getMemoryConsumption() [6/6]

void cv::dnn::Net::getMemoryConsumption	(	const std::vector< MatShape > &	netInputShapes,
		std::vector< int > &	layerIds,
		std::vector< size_t > &	weights,
		std::vector< size_t > &	blobs ) const


cv.dnn.Net.getMemoryConsumption(	netInputShape	) ->	weights, blobs
cv.dnn.Net.getMemoryConsumption(	layerId, netInputShapes	) ->	weights, blobs
cv.dnn.Net.getMemoryConsumption(	layerId, netInputShape	) ->	weights, blobs

计算存储每个层的所有权重和中间 blob 所需的字节数。

参数

netInputShapes	所有网络输入的形状向量。
layerIds	用于保存层 ID 的输出向量。
weights	存储结果权重字节的输出参数。
blobs	存储结果中间 blob 字节的输出参数。

◆ getOutputDetails()

void cv::dnn::Net::getOutputDetails	(	std::vector< float > &	scales,
		std::vector< int > &	zeropoints ) const

Python
	cv.dnn.Net.getOutputDetails(		) ->	scales, zeropoints

返回量化 Net 的输出比例和零点。

参数

scales	返回输出比例的输出参数。
zeropoints	返回输出零点的输出参数。

◆ getParam() [1/2]

Mat cv::dnn::Net::getParam	(	const String &	layerName,
		int	numParam = 0 ) const

inline

Python
	cv.dnn.Net.getParam(	layer[, numParam]	) ->	retval
	cv.dnn.Net.getParam(	layerName[, numParam]	) ->	retval

此函数的调用图如下

◆ getParam() [2/2]

Mat cv::dnn::Net::getParam	(	int	layer,
		int	numParam = 0 ) const

Python
	cv.dnn.Net.getParam(	layer[, numParam]	) ->	retval
	cv.dnn.Net.getParam(	layerName[, numParam]	) ->	retval

返回层的参数 blob。

参数

layer	层的名称或 ID。
numParam	层参数在 Layer::blobs 数组中的索引。

另请参见: Layer::blobs

◆ getPerfProfile()

int64 cv::dnn::Net::getPerfProfile ( std::vector< double > & timings )

Python
	cv.dnn.Net.getPerfProfile(		) ->	retval, timings

返回推理的总时间和层的计时（以时钟周期计）。

返回向量中的索引对应于层 ID。某些层可能与其他层融合，在这种情况下，跳过的层将返回零时钟周期。仅由 DNN_BACKEND_OPENCV 在 DNN_TARGET_CPU 上支持。

参数

[输出] timings 所有层的时钟周期计时向量。

返回: 模型推理的总时钟周期。

◆ getUnconnectedOutLayers()

std::vector< int > cv::dnn::Net::getUnconnectedOutLayers ( ) const

Python
	cv.dnn.Net.getUnconnectedOutLayers(		) ->	retval

返回具有未连接输出的层的索引。

FIXIT: 将 API 重构为 registerOutput() 方法，弃用此调用

◆ getUnconnectedOutLayersNames()

std::vector< String > cv::dnn::Net::getUnconnectedOutLayersNames ( ) const

Python
	cv.dnn.Net.getUnconnectedOutLayersNames(		) ->	retval

返回具有未连接输出的层的名称。

FIXIT: 将 API 重构为 registerOutput() 方法，弃用此调用

◆ quantize()

Net cv::dnn::Net::quantize	(	InputArrayOfArrays	calibData,
		int	inputsDtype,
		int	outputsDtype,
		bool	perChannel = true )

Python
	cv.dnn.Net.quantize(	calibData, inputsDtype, outputsDtype[, perChannel]	) ->	retval

从浮点 Net 返回量化 Net。

参数

calibData	用于计算量化参数的校准数据。
inputsDtype	量化网络输入的數據類型。可以是 CV_32F 或 CV_8S。
outputsDtype	量化网络输出的數據類型。可以是 CV_32F 或 CV_8S。
perChannel	量化 Net 的量化粒度。默认值为 true，表示以逐通道（channel-wise）方式量化模型。设置为 false 则以逐张量（tensor-wise）方式量化模型。

◆ readFromModelOptimizer() [1/3]

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

static


cv.dnn.Net.readFromModelOptimizer(	xml, bin	) ->	retval
cv.dnn.Net.readFromModelOptimizer(	bufferModelConfig, bufferWeights	) ->	retval
cv.dnn.Net_readFromModelOptimizer(	xml, bin	) ->	retval
cv.dnn.Net_readFromModelOptimizer(	bufferModelConfig, bufferWeights	) ->	retval

从 Intel 的 Model Optimizer 内存中的中间表示 (IR) 缓冲区创建网络。

参数

[输入]	bufferModelConfig	包含模型配置的缓冲区。
[输入]	bufferWeights	包含模型训练权重的缓冲区。

返回: Net 对象。

◆ readFromModelOptimizer() [2/3]

static Net cv::dnn::Net::readFromModelOptimizer	(	const uchar *	bufferModelConfigPtr,
		size_t	bufferModelConfigSize,
		const uchar *	bufferWeightsPtr,
		size_t	bufferWeightsSize )

static


cv.dnn.Net.readFromModelOptimizer(	xml, bin	) ->	retval
cv.dnn.Net.readFromModelOptimizer(	bufferModelConfig, bufferWeights	) ->	retval
cv.dnn.Net_readFromModelOptimizer(	xml, bin	) ->	retval
cv.dnn.Net_readFromModelOptimizer(	bufferModelConfig, bufferWeights	) ->	retval

从 Intel 的 Model Optimizer 内存中的中间表示 (IR) 缓冲区创建网络。

参数

[输入]	bufferModelConfigPtr	模型配置的缓冲区指针。
[输入]	bufferModelConfigSize	模型配置的缓冲区大小。
[输入]	bufferWeightsPtr	模型训练权重的缓冲区指针。
[输入]	bufferWeightsSize	模型训练权重的缓冲区大小。

返回: Net 对象。

◆ readFromModelOptimizer() [3/3]

static Net cv::dnn::Net::readFromModelOptimizer	(	CV_WRAP_FILE_PATH const String &	xml,
		CV_WRAP_FILE_PATH const String &	bin )

static


cv.dnn.Net.readFromModelOptimizer(	xml, bin	) ->	retval
cv.dnn.Net.readFromModelOptimizer(	bufferModelConfig, bufferWeights	) ->	retval
cv.dnn.Net_readFromModelOptimizer(	xml, bin	) ->	retval
cv.dnn.Net_readFromModelOptimizer(	bufferModelConfig, bufferWeights	) ->	retval

从 Intel 的 Model Optimizer 中间表示 (IR) 创建网络。

参数

[输入]	xml	XML configuration file with network's topology.
[输入]	bin	包含训练权重的二进制文件。从 Intel 的 Model Optimizer 导入的网络将在 Intel 的 Inference Engine 后端启动。

◆ registerOutput()

int cv::dnn::Net::registerOutput	(	const std::string &	outputName,
		int	layerId,
		int	outputPort )

Python
	cv.dnn.Net.registerOutput(	outputName, layerId, outputPort	) ->	retval

注册带有名称的网络输出。

函数可能会创建额外的“Identity”层。

参数

outputName	输出的标识符
layerId	第二个层的标识符
outputPort	第二个层的输入编号

返回: 绑定层的索引（与 layerId 相同或新创建的）

◆ setHalideScheduler()

void cv::dnn::Net::setHalideScheduler ( const String & scheduler )

Python
	cv.dnn.Net.setHalideScheduler(	scheduler	) ->	无

编译 Halide 层。

参数

[输入] scheduler 包含调度指令的 YAML 文件路径。

另请参见: setPreferableBackend

调度支持 Halide 后端的层。然后针对特定目标编译它们。对于调度文件中未表示的层或完全没有使用手动调度的层，将应用自动调度。

◆ setInput()

void cv::dnn::Net::setInput	(	CV_ND InputArray	blob,
		const String &	name = "",
		double	scalefactor = 1.0,
		const Scalar &	mean = Scalar() )

Python
	cv.dnn.Net.setInput(	blob[, name[, scalefactor[, mean]]]	) ->	无

设置网络的新输入值。

参数

blob	一个新的 blob。应该具有 CV_32F 或 CV_8U 深度。
name	输入层的名称。
scalefactor	可选的归一化比例因子。
mean	可选的均值减去值。

另请参见: connect(String, String) 以了解描述符的 format。

如果指定了比例因子或均值，则最终输入 blob 的计算方式如下：

\[input(n,c,h,w) = scalefactor \times (blob(n,c,h,w) - mean_c)\]

示例: samples/dnn/colorization.cpp 和 samples/dnn/openpose.cpp。

◆ setInputShape()

void cv::dnn::Net::setInputShape	(	const String &	inputName,
		const MatShape &	shape )

Python
	cv.dnn.Net.setInputShape(	inputName, shape	) ->	无

指定网络输入的形状。

◆ setInputsNames()

void cv::dnn::Net::setInputsNames ( const std::vector< String > & inputBlobNames )

Python
	cv.dnn.Net.setInputsNames(	inputBlobNames	) ->	无

设置网络输入伪层的输出名称。

每个网络总是有一个特殊的自身网络输入伪层，其 ID 为 0。该层仅存储用户 blob 并且不进行任何计算。事实上，该层提供了将用户数据传入网络的唯一方式。与任何其他层一样，该层可以标记其输出，此函数提供了一种简单的方法来完成此操作。

◆ setParam() [1/2]

void cv::dnn::Net::setParam	(	const String &	layerName,
		int	numParam,
		CV_ND const Mat &	blob )

inline

Python
	cv.dnn.Net.setParam(	layer, numParam, blob	) ->	无
	cv.dnn.Net.setParam(	layerName, numParam, blob	) ->	无

此函数的调用图如下

◆ setParam() [2/2]

void cv::dnn::Net::setParam	(	int	layer,
		int	numParam,
		CV_ND const Mat &	blob )

Python
	cv.dnn.Net.setParam(	layer, numParam, blob	) ->	无
	cv.dnn.Net.setParam(	layerName, numParam, blob	) ->	无

设置层学习参数的新值。

参数

layer	层的名称或 ID。
numParam	层参数在 Layer::blobs 数组中的索引。
blob	新值。

另请参见: Layer::blobs

注意: 如果新 blob 的形状与先前的形状不同，则后续前向传播可能会失败。

◆ setPreferableBackend()

void cv::dnn::Net::setPreferableBackend ( int backendId )

Python
	cv.dnn.Net.setPreferableBackend(	backendId	) ->	无

要求网络在支持的情况下使用特定的计算后端。

参数

[输入] backendId 后端标识符。

另请参见: Backend

◆ setPreferableTarget()

void cv::dnn::Net::setPreferableTarget ( int targetId )

Python
	cv.dnn.Net.setPreferableTarget(	targetId	) ->	无

要求网络在特定目标设备上进行计算。

参数

[输入] targetId 目标标识符。

另请参见: Target

支持的后端/目标组合列表

	DNN_BACKEND_OPENCV	DNN_BACKEND_INFERENCE_ENGINE	DNN_BACKEND_HALIDE	DNN_BACKEND_CUDA
DNN_TARGET_CPU	+	+	+
DNN_TARGET_OPENCL	+	+	+
DNN_TARGET_OPENCL_FP16	+	+
DNN_TARGET_MYRIAD		+
DNN_TARGET_FPGA		+
DNN_TARGET_CUDA				+
DNN_TARGET_CUDA_FP16				+
DNN_TARGET_HDDL		+

示例: samples/dnn/colorization.cpp.

友元和相关符号文档

◆ accessor::DnnNetAccessor

friend class accessor::DnnNetAccessor

friend

成员数据文档

◆ impl

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

保护

此类的文档是从以下文件生成的

opencv2/dnn/dnn.hpp

公共类型

公共成员函数

静态公共成员函数

保护属性

友元

详细描述

成员 Typedef 文档

◆ LayerId

构造函数 & 析构函数文档

◆ Net()

◆ ~Net()

成员函数文档

◆ addLayer() [1/2]

◆ addLayer() [2/2]

◆ addLayerToPrev() [1/2]

◆ addLayerToPrev() [2/2]

◆ connect() [1/2]

◆ connect() [2/2]

◆ dump()

◆ dumpToFile()

◆ dumpToPbtxt()

◆ empty()

◆ enableFusion()

◆ enableWinograd()

◆ forward() [1/4]

◆ forward() [2/4]

◆ forward() [3/4]

◆ forward() [4/4]

◆ forwardAsync()

◆ getFLOPS() [1/4]

◆ getFLOPS() [2/4]

◆ getFLOPS() [3/4]

◆ getFLOPS() [4/4]

◆ getImpl()

◆ getImplRef()

◆ getInputDetails()

◆ getLayer() [1/3]

◆ getLayer() [2/3]

◆ getLayer() [3/3]

◆ getLayerId()

◆ getLayerInputs()

◆ getLayerNames()

◆ getLayersCount()

◆ getLayerShapes() [1/2]

◆ getLayerShapes() [2/2]

◆ getLayersShapes() [1/2]

◆ getLayersShapes() [2/2]

◆ getLayerTypes()

◆ getMemoryConsumption() [1/6]

◆ getMemoryConsumption() [2/6]

◆ getMemoryConsumption() [3/6]

◆ getMemoryConsumption() [4/6]

◆ getMemoryConsumption() [5/6]

◆ getMemoryConsumption() [6/6]

◆ getOutputDetails()

◆ getParam() [1/2]

◆ getParam() [2/2]

◆ getPerfProfile()

◆ getUnconnectedOutLayers()

◆ getUnconnectedOutLayersNames()

◆ quantize()

◆ readFromModelOptimizer() [1/3]

◆ readFromModelOptimizer() [2/3]

◆ readFromModelOptimizer() [3/3]

◆ registerOutput()

◆ setHalideScheduler()

◆ setInput()

◆ setInputShape()

◆ setInputsNames()

◆ setParam() [1/2]

◆ setParam() [2/2]

◆ setPreferableBackend()

◆ setPreferableTarget()

友元和相关符号文档

◆ accessor::DnnNetAccessor

成员数据文档

◆ impl