java.lang.Object
- org.opencv.dnn.Dnn

public class Dnn
extends java.lang.Object

字段摘要

字段
修饰符和类型	字段	描述
`static int`	`DNN_BACKEND_CANN`
`static int`	`DNN_BACKEND_CUDA`
`static int`	`DNN_BACKEND_DEFAULT`
`static int`	`DNN_BACKEND_HALIDE`
`static int`	`DNN_BACKEND_INFERENCE_ENGINE`
`static int`	`DNN_BACKEND_OPENCV`
`static int`	`DNN_BACKEND_TIMVX`
`static int`	`DNN_BACKEND_VKCOM`
`static int`	`DNN_BACKEND_WEBNN`
`static int`	`DNN_LAYOUT_NCDHW`
`static int`	`DNN_LAYOUT_NCHW`
`static int`	`DNN_LAYOUT_ND`
`static int`	`DNN_LAYOUT_NDHWC`
`static int`	`DNN_LAYOUT_NHWC`
`static int`	`DNN_LAYOUT_PLANAR`
`static int`	`DNN_LAYOUT_UNKNOWN`
`static int`	`DNN_PMODE_CROP_CENTER`
`static int`	`DNN_PMODE_LETTERBOX`
`static int`	`DNN_PMODE_NULL`
`static int`	`DNN_TARGET_CPU`
`static int`	`DNN_TARGET_CPU_FP16`
`static int`	`DNN_TARGET_CUDA`
`static int`	`DNN_TARGET_CUDA_FP16`
`static int`	`DNN_TARGET_FPGA`
`static int`	`DNN_TARGET_HDDL`
`static int`	`DNN_TARGET_MYRIAD`
`static int`	`DNN_TARGET_NPU`
`static int`	`DNN_TARGET_OPENCL`
`static int`	`DNN_TARGET_OPENCL_FP16`
`static int`	`DNN_TARGET_VULKAN`
`static int`	`SoftNMSMethod_SOFTNMS_GAUSSIAN`
`static int`	`SoftNMSMethod_SOFTNMS_LINEAR`

构造函数摘要

构造函数
构造函数描述

Dnn()

方法摘要

所有方法静态方法具体方法已弃用方法
修饰符和类型	方法	描述
`static Mat`	`blobFromImage(Mat image)`	从图像创建4维Blob。
`static Mat`	`blobFromImage(Mat image, double scalefactor)`	从图像创建4维Blob。
`static Mat`	`blobFromImage(Mat image, double scalefactor, Size size)`	从图像创建4维Blob。
`static Mat`	`blobFromImage(Mat image, double scalefactor, Size size, Scalar mean)`	从图像创建4维Blob。
`static Mat`	`blobFromImage(Mat image, double scalefactor, Size size, Scalar mean, boolean swapRB)`	从图像创建4维Blob。
`static Mat`	`blobFromImage(Mat image, double scalefactor, Size size, Scalar mean, boolean swapRB, boolean crop)`	从图像创建4维Blob。
`static Mat`	`blobFromImage(Mat image, double scalefactor, Size size, Scalar mean, boolean swapRB, boolean crop, int ddepth)`	从图像创建4维Blob。
`static Mat`	`blobFromImages(java.util.List<Mat> images)`	从系列图像创建4维Blob。
`static Mat`	`blobFromImages(java.util.List<Mat> images, double scalefactor)`	从系列图像创建4维Blob。
`static Mat`	`blobFromImages(java.util.List<Mat> images, double scalefactor, Size size)`	从系列图像创建4维Blob。
`static Mat`	`blobFromImages(java.util.List<Mat> images, double scalefactor, Size size, Scalar mean)`	从系列图像创建4维Blob。
`static Mat`	`blobFromImages(java.util.List<Mat> images, double scalefactor, Size size, Scalar mean, boolean swapRB)`	从系列图像创建4维Blob。
`static Mat`	`blobFromImages(java.util.List<Mat> images, double scalefactor, Size size, Scalar mean, boolean swapRB, boolean crop)`	从系列图像创建4维Blob。
`static Mat`	`blobFromImages(java.util.List<Mat> images, double scalefactor, Size size, Scalar mean, boolean swapRB, boolean crop, int ddepth)`	从系列图像创建4维Blob。
`static Mat`	`blobFromImagesWithParams(java.util.List<Mat> images)`	根据给定参数从一系列图像创建四维 blob。
`static void`	`blobFromImagesWithParams(java.util.List<Mat> images, Mat blob)`
`static void`	`blobFromImagesWithParams(java.util.List<Mat> images, Mat blob, Image2BlobParams param)`
`static Mat`	`blobFromImagesWithParams(java.util.List<Mat> images, Image2BlobParams param)`	根据给定参数从一系列图像创建四维 blob。
`static Mat`	`blobFromImageWithParams(Mat image)`	根据给定参数从图像创建4维Blob。
`static void`	`blobFromImageWithParams(Mat image, Mat blob)`
`static void`	`blobFromImageWithParams(Mat image, Mat blob, Image2BlobParams param)`
`static Mat`	`blobFromImageWithParams(Mat image, Image2BlobParams param)`	根据给定参数从图像创建4维Blob。
`static java.util.List<java.lang.Integer>`	`getAvailableTargets(int be)`
`static java.lang.String`	`getInferenceEngineBackendType()`	已弃用。
`static java.lang.String`	`getInferenceEngineCPUType()`	返回 Inference Engine CPU 类型。
`static java.lang.String`	`getInferenceEngineVPUType()`	返回 Inference Engine VPU 类型。
`static void`	`imagesFromBlob(Mat blob_, java.util.List<Mat> images_)`	解析一个四维 blob，并通过更简单的数据结构（std::vector<cv::Mat>）将其包含的图像作为二维数组输出。
`static void`	`NMSBoxes(MatOfRect2d bboxes, MatOfFloat scores, float score_threshold, float nms_threshold, MatOfInt indices)`	对给定边界框和对应分数执行非极大值抑制。
`static void`	`NMSBoxes(MatOfRect2d bboxes, MatOfFloat scores, float score_threshold, float nms_threshold, MatOfInt indices, float eta)`	对给定边界框和对应分数执行非极大值抑制。
`static void`	`NMSBoxes(MatOfRect2d bboxes, MatOfFloat scores, float score_threshold, float nms_threshold, MatOfInt indices, float eta, int top_k)`	对给定边界框和对应分数执行非极大值抑制。
`static void`	`NMSBoxesBatched(MatOfRect2d bboxes, MatOfFloat scores, MatOfInt class_ids, float score_threshold, float nms_threshold, MatOfInt indices)`	对给定不同类别的边界框和对应分数执行批量非极大值抑制。
`static void`	`NMSBoxesBatched(MatOfRect2d bboxes, MatOfFloat scores, MatOfInt class_ids, float score_threshold, float nms_threshold, MatOfInt indices, float eta)`	对给定不同类别的边界框和对应分数执行批量非极大值抑制。
`static void`	`NMSBoxesBatched(MatOfRect2d bboxes, MatOfFloat scores, MatOfInt class_ids, float score_threshold, float nms_threshold, MatOfInt indices, float eta, int top_k)`	对给定不同类别的边界框和对应分数执行批量非极大值抑制。
`static void`	`NMSBoxesRotated(MatOfRotatedRect bboxes, MatOfFloat scores, float score_threshold, float nms_threshold, MatOfInt indices)`
`static void`	`NMSBoxesRotated(MatOfRotatedRect bboxes, MatOfFloat scores, float score_threshold, float nms_threshold, MatOfInt indices, float eta)`
`static void`	`NMSBoxesRotated(MatOfRotatedRect bboxes, MatOfFloat scores, float score_threshold, float nms_threshold, MatOfInt indices, float eta, int top_k)`
`static Net`	`readNet(java.lang.String model)`	读取以受支持格式之一表示的深度学习网络。
`static Net`	`readNet(java.lang.String model, java.lang.String config)`	读取以受支持格式之一表示的深度学习网络。
`static Net`	`readNet(java.lang.String model, java.lang.String config, java.lang.String framework)`	读取以受支持格式之一表示的深度学习网络。
`static Net`	`readNet(java.lang.String framework, MatOfByte bufferModel)`	读取以受支持格式之一表示的深度学习网络。
`static Net`	`readNet(java.lang.String framework, MatOfByte bufferModel, MatOfByte bufferConfig)`	读取以受支持格式之一表示的深度学习网络。
`static Net`	`readNetFromCaffe(java.lang.String prototxt)`	读取以 Caffe 框架格式存储的网络模型。
`static Net`	`readNetFromCaffe(java.lang.String prototxt, java.lang.String caffeModel)`	读取以 Caffe 框架格式存储的网络模型。
`static Net`	`readNetFromCaffe(MatOfByte bufferProto)`	读取内存中以Caffe模型格式存储的网络模型。
`static Net`	`readNetFromCaffe(MatOfByte bufferProto, MatOfByte bufferModel)`	读取内存中以Caffe模型格式存储的网络模型。
`static Net`	`readNetFromDarknet(java.lang.String cfgFile)`	读取以 Darknet 模型文件格式存储的网络模型。
`static Net`	`readNetFromDarknet(java.lang.String cfgFile, java.lang.String darknetModel)`	读取以 Darknet 模型文件格式存储的网络模型。
`static Net`	`readNetFromDarknet(MatOfByte bufferCfg)`	读取以 Darknet 模型文件格式存储的网络模型。
`static Net`	`readNetFromDarknet(MatOfByte bufferCfg, MatOfByte bufferModel)`	读取以 Darknet 模型文件格式存储的网络模型。
`static Net`	`readNetFromModelOptimizer(java.lang.String xml)`	从英特尔的 Model Optimizer 中间表示加载网络。
`static Net`	`readNetFromModelOptimizer(java.lang.String xml, java.lang.String bin)`	从英特尔的 Model Optimizer 中间表示加载网络。
`static Net`	`readNetFromModelOptimizer(MatOfByte bufferModelConfig, MatOfByte bufferWeights)`	从英特尔的 Model Optimizer 中间表示加载网络。
`static Net`	`readNetFromONNX(java.lang.String onnxFile)`	读取 ONNX 网络模型。
`static Net`	`readNetFromONNX(MatOfByte buffer)`	从 ONNX 内存缓冲区读取网络模型。
`static Net`	`readNetFromTensorflow(java.lang.String model)`	读取以 TensorFlow 框架格式存储的网络模型。
`static Net`	`readNetFromTensorflow(java.lang.String model, java.lang.String config)`	读取以 TensorFlow 框架格式存储的网络模型。
`static Net`	`readNetFromTensorflow(MatOfByte bufferModel)`	读取以 TensorFlow 框架格式存储的网络模型。
`static Net`	`readNetFromTensorflow(MatOfByte bufferModel, MatOfByte bufferConfig)`	读取以 TensorFlow 框架格式存储的网络模型。
`static Net`	`readNetFromTFLite(java.lang.String model)`	读取以 TFLite 框架格式存储的网络模型。
`static Net`	`readNetFromTFLite(MatOfByte bufferModel)`	读取以 TFLite 框架格式存储的网络模型。
`static Net`	`readNetFromTorch(java.lang.String model)`	读取以 Torch7 框架格式存储的网络模型。
`static Net`	`readNetFromTorch(java.lang.String model, boolean isBinary)`	读取以 Torch7 框架格式存储的网络模型。
`static Net`	`readNetFromTorch(java.lang.String model, boolean isBinary, boolean evaluate)`	读取以 Torch7 框架格式存储的网络模型。
`static Mat`	`readTensorFromONNX(java.lang.String path)`	从 .pb 文件创建Blob。
`static Mat`	`readTorchBlob(java.lang.String filename)`	加载作为 Torch7 框架的 torch.Tensor 对象序列化的 blob。
`static Mat`	`readTorchBlob(java.lang.String filename, boolean isBinary)`	加载作为 Torch7 框架的 torch.Tensor 对象序列化的 blob。
`static void`	`releaseHDDLPlugin()`	释放 HDDL 插件。
`static void`	`resetMyriadDevice()`	释放 Myriad 设备（由 OpenCV 绑定）。
`static java.lang.String`	`setInferenceEngineBackendType(java.lang.String newBackendType)`	已弃用。
`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。
`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。
`static void`	`softNMSBoxes(MatOfRect bboxes, MatOfFloat scores, MatOfFloat updated_scores, float score_threshold, float nms_threshold, MatOfInt indices)`	对给定边界框和对应分数执行软非极大值抑制。
`static void`	`softNMSBoxes(MatOfRect bboxes, MatOfFloat scores, MatOfFloat updated_scores, float score_threshold, float nms_threshold, MatOfInt indices, long top_k)`	对给定边界框和对应分数执行软非极大值抑制。
`static void`	`softNMSBoxes(MatOfRect bboxes, MatOfFloat scores, MatOfFloat updated_scores, float score_threshold, float nms_threshold, MatOfInt indices, long top_k, float sigma)`	对给定边界框和对应分数执行软非极大值抑制。
`static void`	`writeTextGraph(java.lang.String model, java.lang.String output)`	为以协议缓冲区格式存储的二进制网络创建文本表示。

从类继承的方法 java.lang.Object
clone, equals, finalize, getClass, hashCode, notify, notifyAll, toString, wait, wait, wait

- 字段详细信息
  - DNN_BACKEND_DEFAULT
```
public static final int DNN_BACKEND_DEFAULT
```
    参见
    
    常量字段值
  - DNN_BACKEND_HALIDE
```
public static final int DNN_BACKEND_HALIDE
```
    参见
    
    常量字段值
  - DNN_BACKEND_INFERENCE_ENGINE
```
public static final int DNN_BACKEND_INFERENCE_ENGINE
```
    参见
    
    常量字段值
  - DNN_BACKEND_OPENCV
```
public static final int DNN_BACKEND_OPENCV
```
    参见
    
    常量字段值
  - DNN_BACKEND_VKCOM
```
public static final int DNN_BACKEND_VKCOM
```
    参见
    
    常量字段值
  - DNN_BACKEND_CUDA
```
public static final int DNN_BACKEND_CUDA
```
    参见
    
    常量字段值
  - DNN_BACKEND_WEBNN
```
public static final int DNN_BACKEND_WEBNN
```
    参见
    
    常量字段值
  - DNN_BACKEND_TIMVX
```
public static final int DNN_BACKEND_TIMVX
```
    参见
    
    常量字段值
  - DNN_BACKEND_CANN
```
public static final int DNN_BACKEND_CANN
```
    参见
    
    常量字段值
  - DNN_LAYOUT_UNKNOWN
```
public static final int DNN_LAYOUT_UNKNOWN
```
    参见
    
    常量字段值
  - DNN_LAYOUT_ND
```
public static final int DNN_LAYOUT_ND
```
    参见
    
    常量字段值
  - DNN_LAYOUT_NCHW
```
public static final int DNN_LAYOUT_NCHW
```
    参见
    
    常量字段值
  - DNN_LAYOUT_NCDHW
```
public static final int DNN_LAYOUT_NCDHW
```
    参见
    
    常量字段值
  - DNN_LAYOUT_NHWC
```
public static final int DNN_LAYOUT_NHWC
```
    参见
    
    常量字段值
  - DNN_LAYOUT_NDHWC
```
public static final int DNN_LAYOUT_NDHWC
```
    参见
    
    常量字段值
  - DNN_LAYOUT_PLANAR
```
public static final int DNN_LAYOUT_PLANAR
```
    参见
    
    常量字段值
  - DNN_PMODE_NULL
```
public static final int DNN_PMODE_NULL
```
    参见
    
    常量字段值
  - DNN_PMODE_CROP_CENTER
```
public static final int DNN_PMODE_CROP_CENTER
```
    参见
    
    常量字段值
  - DNN_PMODE_LETTERBOX
```
public static final int DNN_PMODE_LETTERBOX
```
    参见
    
    常量字段值
  - SoftNMSMethod_SOFTNMS_LINEAR
```
public static final int SoftNMSMethod_SOFTNMS_LINEAR
```
    参见
    
    常量字段值
  - SoftNMSMethod_SOFTNMS_GAUSSIAN
```
public static final int SoftNMSMethod_SOFTNMS_GAUSSIAN
```
    参见
    
    常量字段值
  - DNN_TARGET_CPU
```
public static final int DNN_TARGET_CPU
```
    参见
    
    常量字段值
  - DNN_TARGET_OPENCL
```
public static final int DNN_TARGET_OPENCL
```
    参见
    
    常量字段值
  - DNN_TARGET_OPENCL_FP16
```
public static final int DNN_TARGET_OPENCL_FP16
```
    参见
    
    常量字段值
  - DNN_TARGET_MYRIAD
```
public static final int DNN_TARGET_MYRIAD
```
    参见
    
    常量字段值
  - DNN_TARGET_VULKAN
```
public static final int DNN_TARGET_VULKAN
```
    参见
    
    常量字段值
  - DNN_TARGET_FPGA
```
public static final int DNN_TARGET_FPGA
```
    参见
    
    常量字段值
  - DNN_TARGET_CUDA
```
public static final int DNN_TARGET_CUDA
```
    参见
    
    常量字段值
  - DNN_TARGET_CUDA_FP16
```
public static final int DNN_TARGET_CUDA_FP16
```
    参见
    
    常量字段值
  - DNN_TARGET_HDDL
```
public static final int DNN_TARGET_HDDL
```
    参见
    
    常量字段值
  - DNN_TARGET_NPU
```
public static final int DNN_TARGET_NPU
```
    参见
    
    常量字段值
  - DNN_TARGET_CPU_FP16
```
public static final int DNN_TARGET_CPU_FP16
```
    参见
    
    常量字段值
- 构造函数详细信息
  - Dnn
```
public Dnn()
```
- 方法详细信息
  - 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)
```
    读取以 Darknet 模型文件格式存储的网络模型。
    
    参数
    
    cfgFile - 指向 .cfg 文件的路径，该文件包含网络架构的文本描述。
    
    darknetModel - 指向 .weights 文件的路径，该文件包含已学习的网络。
    
    返回
    
    准备好进行前向传播的网络对象，在失败情况下会抛出异常。
  - readNetFromDarknet
```
public static Net readNetFromDarknet(java.lang.String cfgFile)
```
    读取以 Darknet 模型文件格式存储的网络模型。
    
    参数
    
    cfgFile - 指向 .cfg 文件的路径，该文件包含网络架构的文本描述。
    
    返回
    
    准备好进行前向传播的网络对象，在失败情况下会抛出异常。
  - readNetFromDarknet
```
public static Net readNetFromDarknet(MatOfByte bufferCfg,
                                     MatOfByte bufferModel)
```
    读取以 Darknet 模型文件格式存储的网络模型。
    
    参数
    
    bufferCfg - 一个缓冲区，包含 .cfg 文件的内容，其中包含网络架构的文本描述。
    
    bufferModel - 一个缓冲区，包含 .weights 文件的内容，其中包含已学习的网络。
    
    返回
    
    Net 对象。
  - readNetFromDarknet
```
public static Net readNetFromDarknet(MatOfByte bufferCfg)
```
    读取以 Darknet 模型文件格式存储的网络模型。
    
    参数
    
    bufferCfg - 一个缓冲区，包含 .cfg 文件的内容，其中包含网络架构的文本描述。
    
    返回
    
    Net 对象。
  - readNetFromCaffe
```
public static Net readNetFromCaffe(java.lang.String prototxt,
                                   java.lang.String caffeModel)
```
    读取以 Caffe 框架格式存储的网络模型。
    
    参数
    
    prototxt - 指向 .prototxt 文件的路径，该文件包含网络架构的文本描述。
    
    caffeModel - 指向 .caffemodel 文件的路径，该文件包含已学习的网络。
    
    返回
    
    Net 对象。
  - readNetFromCaffe
```
public static Net readNetFromCaffe(java.lang.String prototxt)
```
    读取以 Caffe 框架格式存储的网络模型。
    
    参数
    
    prototxt - 指向 .prototxt 文件的路径，该文件包含网络架构的文本描述。
    
    返回
    
    Net 对象。
  - readNetFromCaffe
```
public static Net readNetFromCaffe(MatOfByte bufferProto,
                                   MatOfByte bufferModel)
```
    读取内存中以Caffe模型格式存储的网络模型。
    
    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)
```
    读取内存中以Caffe模型格式存储的网络模型。
    
    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)
```
    读取以 TensorFlow 框架格式存储的网络模型。
    
    参数
    
    model - 指向 .pb 文件的路径，该文件包含网络架构的二进制 protobuf 描述
    
    config - 指向 .pbtxt 文件的路径，该文件包含 protobuf 格式的文本图定义。生成的 Net 对象通过文本图使用二进制权重构建，这使其更具灵活性。
    
    返回
    
    Net 对象。
  - readNetFromTensorflow
```
public static Net readNetFromTensorflow(java.lang.String model)
```
    读取以 TensorFlow 框架格式存储的网络模型。
    
    参数
    
    model - 指向 .pb 文件的路径，该文件包含网络架构的二进制 protobuf 描述。生成的 Net 对象通过文本图使用二进制权重构建，这使其更具灵活性。
    
    返回
    
    Net 对象。
  - readNetFromTensorflow
```
public static Net readNetFromTensorflow(MatOfByte bufferModel,
                                        MatOfByte bufferConfig)
```
    读取以 TensorFlow 框架格式存储的网络模型。
    
    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)
```
    读取以 TensorFlow 框架格式存储的网络模型。
    
    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)
```
    读取以 TFLite 框架格式存储的网络模型。
    
    参数
    
    model - 指向 .tflite 文件的路径，该文件包含网络架构的二进制 flatbuffers 描述
    
    返回
    
    Net 对象。
  - readNetFromTFLite
```
public static Net readNetFromTFLite(MatOfByte bufferModel)
```
    读取以 TFLite 框架格式存储的网络模型。
    
    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)
```
    读取以 Torch7 框架格式存储的网络模型。
    
    参数
    
    model - 指向使用 torch.save() 函数从 Torch 导出的文件的路径。
    
    isBinary - 指定网络是以 ASCII 模式还是二进制模式序列化。
    
    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 模式更受青睐，因为二进制模式广泛使用 C 语言的 long 类型，该类型在不同系统上具有不同的位长度。加载文件必须包含序列化的 nn.Module 对象，并导入网络。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（即源自 Torch nn.Module 类的对象实例）：- 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 此外，来自 cunn、cudnn 和 fbcunn 的这些类的一些等效项也可以成功导入。
  - readNetFromTorch
```
public static Net readNetFromTorch(java.lang.String model,
                                   boolean isBinary)
```
    读取以 Torch7 框架格式存储的网络模型。
    
    参数
    
    model - 指向使用 torch.save() 函数从 Torch 导出的文件的路径。
    
    isBinary - 指定网络是以 ASCII 模式还是二进制模式序列化。
    
    返回
    
    Net 对象。注意：Torch 序列化程序的 ASCII 模式更受青睐，因为二进制模式广泛使用 C 语言的 long 类型，该类型在不同系统上具有不同的位长度。加载文件必须包含序列化的 nn.Module 对象，并导入网络。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（即源自 Torch nn.Module 类的对象实例）：- 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 此外，来自 cunn、cudnn 和 fbcunn 的这些类的一些等效项也可以成功导入。
  - readNetFromTorch
```
public static Net readNetFromTorch(java.lang.String model)
```
    读取以 Torch7 框架格式存储的网络模型。
    
    参数
    
    model - 指向使用 torch.save() 函数从 Torch 导出的文件的路径。
    
    返回
    
    Net 对象。注意：Torch 序列化程序的 ASCII 模式更受青睐，因为二进制模式广泛使用 C 语言的 long 类型，该类型在不同系统上具有不同的位长度。加载文件必须包含序列化的 nn.Module 对象，并导入网络。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（即源自 Torch nn.Module 类的对象实例）：- 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 此外，来自 cunn、cudnn 和 fbcunn 的这些类的一些等效项也可以成功导入。
  - readNet
```
public static Net readNet(java.lang.String model,
                          java.lang.String config,
                          java.lang.String framework)
```
    读取以受支持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。不同框架的模型预期文件扩展名如下：* *.caffemodel (Caffe, http://caffe.berkeleyvision.org/) * *.pb (TensorFlow, https://tensorflowcn.cn/) * *.t7 | *.net (Torch, https://torch.pytorch.ac.cn/) * *.weights (Darknet, https://pjreddie.com/darknet/) * *.bin | *.onnx (OpenVINO, https://software.intel.com/openvino-toolkit) * *.onnx (ONNX, https://onnx.com.cn/)
    
    config - 包含网络配置的文本文件。它可能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)
```
    读取以受支持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。不同框架的模型预期文件扩展名如下：* *.caffemodel (Caffe, http://caffe.berkeleyvision.org/) * *.pb (TensorFlow, https://tensorflowcn.cn/) * *.t7 | *.net (Torch, https://torch.pytorch.ac.cn/) * *.weights (Darknet, https://pjreddie.com/darknet/) * *.bin | *.onnx (OpenVINO, https://software.intel.com/openvino-toolkit) * *.onnx (ONNX, https://onnx.com.cn/)
    
    config - 包含网络配置的文本文件。它可能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)
```
    读取以受支持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。不同框架的模型预期文件扩展名如下：* *.caffemodel (Caffe, http://caffe.berkeleyvision.org/) * *.pb (TensorFlow, https://tensorflowcn.cn/) * *.t7 | *.net (Torch, https://torch.pytorch.ac.cn/) * *.weights (Darknet, https://pjreddie.com/darknet/) * *.bin | *.onnx (OpenVINO, https://software.intel.com/openvino-toolkit) * *.onnx (ONNX, https://onnx.com.cn/) 文件的扩展名如下：* *.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)
```
    读取以受支持格式之一表示的深度学习网络。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它接受的参数。
    
    参数
    
    framework - 原始框架的名称。
    
    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)
```
    读取以受支持格式之一表示的深度学习网络。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它接受的参数。
    
    参数
    
    framework - 原始框架的名称。
    
    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)
```
    加载作为 Torch7 框架的 torch.Tensor 对象序列化的 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)
```
    加载作为 Torch7 框架的 torch.Tensor 对象序列化的 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)
```
    从英特尔的 Model Optimizer 中间表示加载网络。
    
    参数
    
    xml - 包含网络拓扑的 XML 配置文件。
    
    bin - 包含训练权重的二进制文件。
    
    返回
    
    Net 对象。从英特尔 Model Optimizer 导入的网络将在英特尔 Inference Engine 后端启动。
  - readNetFromModelOptimizer
```
public static Net readNetFromModelOptimizer(java.lang.String xml)
```
    从英特尔的 Model Optimizer 中间表示加载网络。
    
    参数
    
    xml - 包含网络拓扑的 XML 配置文件。
    
    返回
    
    Net 对象。从英特尔 Model Optimizer 导入的网络将在英特尔 Inference Engine 后端启动。
  - readNetFromModelOptimizer
```
public static Net readNetFromModelOptimizer(MatOfByte bufferModelConfig,
                                            MatOfByte bufferWeights)
```
    从英特尔的 Model Optimizer 中间表示加载网络。
    
    参数
    
    bufferModelConfig - 包含网络拓扑的 XML 配置的缓冲区。
    
    bufferWeights - 包含训练权重二进制数据的缓冲区。
    
    返回
    
    Net 对象。从英特尔 Model Optimizer 导入的网络将在英特尔 Inference Engine 后端启动。
  - readNetFromONNX
```
public static Net readNetFromONNX(java.lang.String onnxFile)
```
    读取 ONNX 网络模型。
    
    参数
    
    onnxFile - 指向 .onnx 文件的路径，该文件包含网络架构的文本描述。
    
    返回
    
    准备好进行前向传播的网络对象，在失败情况下会抛出异常。
  - readNetFromONNX
```
public static Net readNetFromONNX(MatOfByte buffer)
```
    从 ONNX 内存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，在失败情况下会抛出异常。
  - readTensorFromONNX
```
public static Mat readTensorFromONNX(java.lang.String path)
```
    从 .pb 文件创建Blob。
    
    参数
    
    path - 指向包含输入张量的 .pb 文件路径。
    
    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。可选择调整图像大小并从中心裁剪 image，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均值的标量。如果 image 具有 BGR 顺序且 swapRB 为 true，则值应按 (mean-R, mean-G, mean-B) 顺序。
    
    swapRB - 指示是否需要在三通道图像中交换第一个和最后一个通道的标志。
    
    crop - 指示图像在调整大小后是否会被裁剪的标志
    
    ddepth - 输出 blob 的深度。选择 CV_32F 或 CV_8U。如果 crop 为 true，则输入图像会调整大小，使得调整后的一边等于 size 中的对应维度，另一边等于或大于。然后，执行从中心裁剪。如果 crop 为 false，则执行不裁剪且保留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。可选择调整图像大小并从中心裁剪 image，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均值的标量。如果 image 具有 BGR 顺序且 swapRB 为 true，则值应按 (mean-R, mean-G, mean-B) 顺序。
    
    swapRB - 指示是否需要在三通道图像中交换第一个和最后一个通道的标志。
    
    crop - 指示图像在调整大小后是否会被裁剪的标志。如果 crop 为 true，则输入图像会调整大小，使得调整后的一边等于 size 中的对应维度，另一边等于或大于。然后，执行从中心裁剪。如果 crop 为 false，则执行不裁剪且保留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。可选择调整图像大小并从中心裁剪 image，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均值的标量。如果 image 具有 BGR 顺序且 swapRB 为 true，则值应按 (mean-R, mean-G, mean-B) 顺序。
    
    swapRB - 指示是否需要在三通道图像中交换第一个和最后一个通道的标志。如果 crop 为 true，则输入图像会调整大小，使得调整后的一边等于 size 中的对应维度，另一边等于或大于。然后，执行从中心裁剪。如果 crop 为 false，则执行不裁剪且保留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。可选择调整图像大小并从中心裁剪 image，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均值的标量。如果 image 具有 BGR 顺序且 swapRB 为 true，则值应按 (mean-R, mean-G, mean-B) 顺序。在三通道图像中是必要的。如果 crop 为 true，则输入图像会调整大小，使得调整后的一边等于 size 中的对应维度，另一边等于或大于。然后，执行从中心裁剪。如果 crop 为 false，则执行不裁剪且保留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。可选择调整图像大小并从中心裁剪 image，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 顺序且 swapRB 为 true，则值应按 (mean-R, mean-G, mean-B) 顺序。在三通道图像中是必要的。如果 crop 为 true，则输入图像会调整大小，使得调整后的一边等于 size 中的对应维度，另一边等于或大于。然后，执行从中心裁剪。如果 crop 为 false，则执行不裁剪且保留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。可选择调整图像大小并从中心裁剪 image，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 顺序且 swapRB 为 true，则值应按 (mean-R, mean-G, mean-B) 顺序。在三通道图像中是必要的。如果 crop 为 true，则输入图像会调整大小，使得调整后的一边等于 size 中的对应维度，另一边等于或大于。然后，执行从中心裁剪。如果 crop 为 false，则执行不裁剪且保留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。可选择调整图像大小并从中心裁剪 image，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 顺序且 swapRB 为 true，则值应按 (mean-R, mean-G, mean-B) 顺序。在三通道图像中是必要的。如果 crop 为 true，则输入图像会调整大小，使得调整后的一边等于 size 中的对应维度，另一边等于或大于。然后，执行从中心裁剪。如果 crop 为 false，则执行不裁剪且保留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。可选择调整 images 大小并从中心裁剪，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（所有图像都具有 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均值的标量。如果 image 具有 BGR 顺序且 swapRB 为 true，则值应按 (mean-R, mean-G, mean-B) 顺序。
    
    scalefactor - images 值的乘数。
    
    swapRB - 指示是否需要在三通道图像中交换第一个和最后一个通道的标志。
    
    crop - 指示图像在调整大小后是否会被裁剪的标志
    
    ddepth - 输出 blob 的深度。选择 CV_32F 或 CV_8U。如果 crop 为 true，则输入图像会调整大小，使得调整后的一边等于 size 中的对应维度，另一边等于或大于。然后，执行从中心裁剪。如果 crop 为 false，则执行不裁剪且保留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。可选择调整 images 大小并从中心裁剪，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（所有图像都具有 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均值的标量。如果 image 具有 BGR 顺序且 swapRB 为 true，则值应按 (mean-R, mean-G, mean-B) 顺序。
    
    scalefactor - images 值的乘数。
    
    swapRB - 指示是否需要在三通道图像中交换第一个和最后一个通道的标志。
    
    crop - 指示图像在调整大小后是否会被裁剪的标志。如果 crop 为 true，则输入图像会调整大小，使得调整后的一边等于 size 中的对应维度，另一边等于或大于。然后，执行从中心裁剪。如果 crop 为 false，则执行不裁剪且保留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。可选择调整 images 大小并从中心裁剪，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（所有图像都具有 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均值的标量。如果 image 具有 BGR 顺序且 swapRB 为 true，则值应按 (mean-R, mean-G, mean-B) 顺序。
    
    scalefactor - images 值的乘数。
    
    swapRB - 指示是否需要在三通道图像中交换第一个和最后一个通道的标志。如果 crop 为 true，则输入图像会调整大小，使得调整后的一边等于 size 中的对应维度，另一边等于或大于。然后，执行从中心裁剪。如果 crop 为 false，则执行不裁剪且保留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。可选择调整 images 大小并从中心裁剪，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（所有图像都具有 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均值的标量。如果 image 具有 BGR 顺序且 swapRB 为 true，则值应按 (mean-R, mean-G, mean-B) 顺序。
    
    scalefactor - images 值的乘数。在三通道图像中是必要的。如果 crop 为 true，则输入图像会调整大小，使得调整后的一边等于 size 中的对应维度，另一边等于或大于。然后，执行从中心裁剪。如果 crop 为 false，则执行不裁剪且保留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。可选择调整 images 大小并从中心裁剪，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（所有图像都具有 1、3 或 4 个通道）。
    
    size - 输出图像的空间大小。如果 image 具有 BGR 顺序且 swapRB 为 true，则值应按 (mean-R, mean-G, mean-B) 顺序。
    
    scalefactor - images 值的乘数。在三通道图像中是必要的。如果 crop 为 true，则输入图像会调整大小，使得调整后的一边等于 size 中的对应维度，另一边等于或大于。然后，执行从中心裁剪。如果 crop 为 false，则执行不裁剪且保留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。可选择调整 images 大小并从中心裁剪，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（所有图像都具有 1、3 或 4 个通道）。如果 image 具有 BGR 顺序且 swapRB 为 true，则值应按 (mean-R, mean-G, mean-B) 顺序。
    
    scalefactor - images 值的乘数。在三通道图像中是必要的。如果 crop 为 true，则输入图像会调整大小，使得调整后的一边等于 size 中的对应维度，另一边等于或大于。然后，执行从中心裁剪。如果 crop 为 false，则执行不裁剪且保留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。可选择调整 images 大小并从中心裁剪，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（所有图像都具有 1、3 或 4 个通道）。如果 image 具有 BGR 顺序且 swapRB 为 true，则值应按 (mean-R, mean-G, mean-B) 顺序。在三通道图像中是必要的。如果 crop 为 true，则输入图像会调整大小，使得调整后的一边等于 size 中的对应维度，另一边等于或大于。然后，执行从中心裁剪。如果 crop 为 false，则执行不裁剪且保留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。
  - blobFromImageWithParams
```
public static Mat blobFromImageWithParams(Mat image,
                                          Image2BlobParams param)
```
    根据给定参数从图像创建四维 blob。此函数是 REF: blobFromImage 的扩展，以满足更多的图像预处理需求。给定输入图像和预处理参数，函数将输出 blob。
    
    参数
    
    image - 输入图像（所有图像都具有 1、3 或 4 个通道）。
    
    param - Image2BlobParams 结构体，包含图像处理为 blob 所需的所有参数。
    
    返回
    
    四维 Mat。
  - blobFromImageWithParams
```
public static Mat blobFromImageWithParams(Mat image)
```
    根据给定参数从图像创建四维 blob。此函数是 REF: blobFromImage 的扩展，以满足更多的图像预处理需求。给定输入图像和预处理参数，函数将输出 blob。
    
    参数
    
    image - 输入图像（所有图像都具有 1、3 或 4 个通道）。
    
    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)
```
    根据给定参数从一系列图像创建四维 blob。此函数是 REF: blobFromImages 的扩展，以满足更多的图像预处理需求。给定输入图像和预处理参数，函数将输出 blob。
    
    参数
    
    images - 输入图像（所有图像都具有 1、3 或 4 个通道）。
    
    param - Image2BlobParams 结构体，包含图像处理为 blob 所需的所有参数。
    
    返回
    
    四维 Mat。
  - blobFromImagesWithParams
```
public static Mat blobFromImagesWithParams(java.util.List<Mat> images)
```
    根据给定参数从一系列图像创建四维 blob。此函数是 REF: blobFromImages 的扩展，以满足更多的图像预处理需求。给定输入图像和预处理参数，函数将输出 blob。
    
    参数
    
    images - 输入图像（所有图像都具有 1、3 或 4 个通道）。
    
    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_)
```
    解析一个四维 blob，并通过更简单的数据结构（std::vector<cv::Mat>）将其包含的图像作为二维数组输出。
    
    参数
    
    blob_ - 四维数组（图像、通道、高度、宽度），以浮点精度（CV_32F）表示，您希望从中提取图像。
    
    images_ - 包含从 blob 中提取的图像的二维 Mat 数组，以浮点精度（CV_32F）表示。它们既未归一化也未添加均值。返回的图像数量等于 blob 的第一个维度（批大小）。每个图像的通道数等于 blob 的第二个维度（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 - 指向 Caffe 框架原始模型的路径，该模型包含单精度浮点权重（通常具有 .caffemodel 扩展名）。
    
    dst - 指向带有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，仅转换卷积层和全连接层的权重。注意：缩减后的模型没有原始 float32 权重，因此无法再在原始 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 - 指向 Caffe 框架原始模型的路径，该模型包含单精度浮点权重（通常具有 .caffemodel 扩展名）。
    
    dst - 指向带有更新权重的目标模型的路径。默认情况下，仅转换卷积层和全连接层的权重。注意：缩减后的模型没有原始 float32 权重，因此无法再在原始 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，生成模型可以在那里使用。
  - writeTextGraph
```
public static void writeTextGraph(java.lang.String model,
                                  java.lang.String output)
```
    为以协议缓冲区格式存储的二进制网络创建文本表示。
    
    参数
    
    model - 指向二进制网络的路径。
    
    output - 要创建的输出文本文件的路径。注意：为减小输出文件大小，不包含训练权重。
  - NMSBoxes
```
public static void NMSBoxes(MatOfRect2d bboxes,
                            MatOfFloat scores,
                            float score_threshold,
                            float nms_threshold,
                            MatOfInt indices,
                            float eta,
                            int top_k)
```
    对给定边界框和对应分数执行非极大值抑制。
    
    参数
    
    bboxes - 要应用 NMS 的边界框集合。
    
    scores - 对应的置信度集合。
    
    score_threshold - 用于按分数过滤边界框的阈值。
    
    nms_threshold - 非极大值抑制中使用的阈值。
    
    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 >0，最多保留 top_k 个选定索引。
  - NMSBoxes
```
public static void NMSBoxes(MatOfRect2d bboxes,
                            MatOfFloat scores,
                            float score_threshold,
                            float nms_threshold,
                            MatOfInt indices,
                            float eta)
```
    对给定边界框和对应分数执行非极大值抑制。
    
    参数
    
    bboxes - 要应用 NMS 的边界框集合。
    
    scores - 对应的置信度集合。
    
    score_threshold - 用于按分数过滤边界框的阈值。
    
    nms_threshold - 非极大值抑制中使用的阈值。
    
    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)
```
    对给定边界框和对应分数执行非极大值抑制。
    
    参数
    
    bboxes - 要应用 NMS 的边界框集合。
    
    scores - 对应的置信度集合。
    
    score_threshold - 用于按分数过滤边界框的阈值。
    
    nms_threshold - 非极大值抑制中使用的阈值。
    
    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)
```
  - NMSBoxesRotated
```
public static void NMSBoxesRotated(MatOfRotatedRect bboxes,
                                   MatOfFloat scores,
                                   float score_threshold,
                                   float nms_threshold,
                                   MatOfInt indices)
```
  - 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)
```
    对给定不同类别的边界框和对应分数执行批量非极大值抑制。
    
    参数
    
    bboxes - 要应用 NMS 的边界框集合。
    
    scores - 对应的置信度集合。
    
    class_ids - 对应的类别 ID 集合。ID 是整数，通常从 0 开始。
    
    score_threshold - 用于按分数过滤边界框的阈值。
    
    nms_threshold - 非极大值抑制中使用的阈值。
    
    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 >0，最多保留 top_k 个选定索引。
  - NMSBoxesBatched
```
public static void NMSBoxesBatched(MatOfRect2d bboxes,
                                   MatOfFloat scores,
                                   MatOfInt class_ids,
                                   float score_threshold,
                                   float nms_threshold,
                                   MatOfInt indices,
                                   float eta)
```
    对给定不同类别的边界框和对应分数执行批量非极大值抑制。
    
    参数
    
    bboxes - 要应用 NMS 的边界框集合。
    
    scores - 对应的置信度集合。
    
    class_ids - 对应的类别 ID 集合。ID 是整数，通常从 0 开始。
    
    score_threshold - 用于按分数过滤边界框的阈值。
    
    nms_threshold - 非极大值抑制中使用的阈值。
    
    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)
```
    对给定不同类别的边界框和对应分数执行批量非极大值抑制。
    
    参数
    
    bboxes - 要应用 NMS 的边界框集合。
    
    scores - 对应的置信度集合。
    
    class_ids - 对应的类别 ID 集合。ID 是整数，通常从 0 开始。
    
    score_threshold - 用于按分数过滤边界框的阈值。
    
    nms_threshold - 非极大值抑制中使用的阈值。
    
    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)
```
    对给定边界框和对应分数执行软非极大值抑制。参考：https://arxiv.org/abs/1704.04503
    
    参数
    
    bboxes - 要应用软 NMS 的边界框集合。
    
    scores - 对应的置信度集合。
    
    updated_scores - 对应的更新置信度集合。
    
    score_threshold - 用于按分数过滤边界框的阈值。
    
    nms_threshold - 非极大值抑制中使用的阈值。
    
    indices - NMS 后保留的边界框索引。
    
    top_k - 最多保留 top_k 个选定索引。
    
    sigma - 高斯加权参数。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)
```
    对给定边界框和对应分数执行软非极大值抑制。参考：https://arxiv.org/abs/1704.04503
    
    参数
    
    bboxes - 要应用软 NMS 的边界框集合。
    
    scores - 对应的置信度集合。
    
    updated_scores - 对应的更新置信度集合。
    
    score_threshold - 用于按分数过滤边界框的阈值。
    
    nms_threshold - 非极大值抑制中使用的阈值。
    
    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)
```
    对给定边界框和对应分数执行软非极大值抑制。参考：https://arxiv.org/abs/1704.04503
    
    参数
    
    bboxes - 要应用软 NMS 的边界框集合。
    
    scores - 对应的置信度集合。
    
    updated_scores - 对应的更新置信度集合。
    
    score_threshold - 用于按分数过滤边界框的阈值。
    
    nms_threshold - 非极大值抑制中使用的阈值。
    
    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。请参阅 CV_DNN_BACKEND_INFERENCE_ENGINE_* 宏的值。自 4.6.0 版本起，OPENCV_DNN_BACKEND_INFERENCE_ENGINE_TYPE 运行时参数（环境变量）将被忽略。
    
    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。请参阅 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 设备不能在多个使用 Inference Engine Myriad 插件的进程之间共享。
  - getInferenceEngineVPUType
```
public static java.lang.String getInferenceEngineVPUType()
```
    返回 Inference Engine VPU 类型。请参阅 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。

类 Dnn

字段摘要

构造函数摘要

方法摘要

从类继承的方法 java.lang.Object

字段详细信息

DNN_BACKEND_DEFAULT

DNN_BACKEND_HALIDE

DNN_BACKEND_INFERENCE_ENGINE

DNN_BACKEND_OPENCV

DNN_BACKEND_VKCOM

DNN_BACKEND_CUDA

DNN_BACKEND_WEBNN

DNN_BACKEND_TIMVX

DNN_BACKEND_CANN

DNN_LAYOUT_UNKNOWN

DNN_LAYOUT_ND

DNN_LAYOUT_NCHW

DNN_LAYOUT_NCDHW

DNN_LAYOUT_NHWC

DNN_LAYOUT_NDHWC

DNN_LAYOUT_PLANAR

DNN_PMODE_NULL

DNN_PMODE_CROP_CENTER

DNN_PMODE_LETTERBOX

SoftNMSMethod_SOFTNMS_LINEAR

SoftNMSMethod_SOFTNMS_GAUSSIAN

DNN_TARGET_CPU

DNN_TARGET_OPENCL

DNN_TARGET_OPENCL_FP16

DNN_TARGET_MYRIAD

DNN_TARGET_VULKAN

DNN_TARGET_FPGA

DNN_TARGET_CUDA

DNN_TARGET_CUDA_FP16

DNN_TARGET_HDDL

DNN_TARGET_NPU

DNN_TARGET_CPU_FP16

构造函数详细信息

Dnn

方法详细信息

getAvailableTargets

readNetFromDarknet

readNetFromDarknet

readNetFromDarknet

readNetFromDarknet

readNetFromCaffe

readNetFromCaffe

readNetFromCaffe

readNetFromCaffe

readNetFromTensorflow

readNetFromTensorflow

readNetFromTensorflow

readNetFromTensorflow

readNetFromTFLite

readNetFromTFLite

readNetFromTorch

readNetFromTorch

readNetFromTorch

readNet

readNet

readNet

readNet

readNet

readTorchBlob

readTorchBlob

readNetFromModelOptimizer

readNetFromModelOptimizer

readNetFromModelOptimizer

readNetFromONNX

readNetFromONNX

readTensorFromONNX

blobFromImage

blobFromImage

blobFromImage

blobFromImage

blobFromImage

blobFromImage

blobFromImage

blobFromImages