深度神经网络模块

主题
	已实现层级的部分列表
	新层级注册实用程序

详细说明

此模块包含

• 用于创建新层级的 API，层级是神经网络的构建基块；
• 一组内置的最常用层级；
• 用于从层级构建和修改综合神经网络的 API；
• 从不同框架加载序列化网络模型的功能。

此模块的功能仅设计用于前向传播计算（即网络推理）。原则上不支持网络训练。

类
类	cv::dnn::BackendNode
	该类的派生类封装了特定后端的函数。更多...
类	cv::dnn::BackendWrapper
	该类的派生类为不同的后端和目标封装了 cv::Mat。更多...
类	cv::dnn::ClassificationModel
	此类代表分类模型的高级 API。更多...
类	cv::dnn::DetectionModel
	此类代表对象检测网络的高级 API。更多...
类	cv::dnn::Dict
	此类实现名称-值字典，值为 DictValue 的实例。更多...
结构体	cv::dnn::DictValue
	此结构体存储以下类型之一的标量值（或数组）：double、cv::String 或 int64。更多...
结构体	cv::dnn::Image2BlobParams
	图像转 Blob 的处理参数。更多...
类	cv::dnn::KeypointsModel
	此类代表关键点模型的高级 API。更多...
类	cv::dnn::Layer
	此接口类允许构建新的层级——即网络的构建模块。更多...
类	cv::dnn::LayerParams
	此类提供初始化层级所需的所有数据。更多...
类	cv::dnn::Model
	此类为神经网络提供高级 API。更多...
类	cv::dnn::Net
	此类允许创建和操作综合人工神经网络。更多...
类	cv::dnn::SegmentationModel
	此类代表分割模型的高级 API。更多...
类	cv::dnn::TextDetectionModel
	文本检测网络的基类。更多...
类	cv::dnn::TextDetectionModel_DB
	此类代表与 DB 模型兼容的文本检测深度学习网络的高级 API。更多...
类	cv::dnn::TextDetectionModel_EAST
	此类代表与 EAST 模型兼容的文本检测深度学习网络的高级 API。更多...
类	cv::dnn::TextRecognitionModel
	此类代表文本识别网络的高级 API。更多...

类型定义 (Typedefs)
typedef std::map< std::string, std::vector< LayerFactory::Constructor > >	cv::dnn::LayerFactory_Impl
typedef std::vector< int >	cv::dnn::MatShape

枚举
enum	cv::dnn::Backend {   cv::dnn::DNN_BACKEND_DEFAULT = 0 ,   cv::dnn::DNN_BACKEND_HALIDE ,   cv::dnn::DNN_BACKEND_INFERENCE_ENGINE ,   cv::dnn::DNN_BACKEND_OPENCV ,   cv::dnn::DNN_BACKEND_VKCOM ,   cv::dnn::DNN_BACKEND_CUDA ,   cv::dnn::DNN_BACKEND_WEBNN ,   cv::dnn::DNN_BACKEND_TIMVX ,   cv::dnn::DNN_BACKEND_CANN }
	层级支持的计算后端枚举。更多...
enum	cv::dnn::DataLayout {   cv::dnn::DNN_LAYOUT_UNKNOWN = 0 ,   cv::dnn::DNN_LAYOUT_ND = 1 ,   cv::dnn::DNN_LAYOUT_NCHW = 2 ,   cv::dnn::DNN_LAYOUT_NCDHW = 3 ,   cv::dnn::DNN_LAYOUT_NHWC = 4 ,   cv::dnn::DNN_LAYOUT_NDHWC = 5 ,   cv::dnn::DNN_LAYOUT_PLANAR = 6 }
	模型推理的数据布局枚举。更多...
enum	cv::dnn::ImagePaddingMode {   cv::dnn::DNN_PMODE_NULL = 0 ,   cv::dnn::DNN_PMODE_CROP_CENTER = 1 ,   cv::dnn::DNN_PMODE_LETTERBOX = 2 }
	图像处理模式枚举。用于满足 DNN 模型的特殊预处理要求。例如，Yolo 系列模型中常用的 letter box。更多...
enum class	cv::dnn::SoftNMSMethod {   cv::dnn::SoftNMSMethod::SOFTNMS_LINEAR = 1 ,   cv::dnn::SoftNMSMethod::SOFTNMS_GAUSSIAN = 2 }
	Soft NMS 方法枚举。更多...
enum	cv::dnn::Target {   cv::dnn::DNN_TARGET_CPU = 0 ,   cv::dnn::DNN_TARGET_OPENCL ,   cv::dnn::DNN_TARGET_OPENCL_FP16 ,   cv::dnn::DNN_TARGET_MYRIAD ,   cv::dnn::DNN_TARGET_VULKAN ,   cv::dnn::DNN_TARGET_FPGA ,   cv::dnn::DNN_TARGET_CUDA ,   cv::dnn::DNN_TARGET_CUDA_FP16 ,   cv::dnn::DNN_TARGET_HDDL ,   cv::dnn::DNN_TARGET_NPU ,   cv::dnn::DNN_TARGET_CPU_FP16 }
	计算目标设备的枚举。更多...

函数
Mat	cv::dnn::blobFromImage (InputArray image, double scalefactor=1.0, const Size &size=Size(), const Scalar &mean=Scalar(), bool swapRB=false, bool crop=false, int ddepth=CV_32F)
	从图像创建 4 维 Blob。可选择性地调整大小并从中心裁剪 image，减去 mean 平均值，按 scalefactor 缩放值，以及交换蓝色和红色通道。
void	cv::dnn::blobFromImage (InputArray image, OutputArray blob, double scalefactor=1.0, const Size &size=Size(), const Scalar &mean=Scalar(), bool swapRB=false, bool crop=false, int ddepth=CV_32F)
	从图像创建 4 维 Blob。
Mat	cv::dnn::blobFromImages (InputArrayOfArrays images, double scalefactor=1.0, Size size=Size(), const Scalar &mean=Scalar(), bool swapRB=false, bool crop=false, int ddepth=CV_32F)
	从一系列图像创建 4 维 Blob。可选择性地从中心调整大小并裁剪 images，减去 mean 值，按 scalefactor 缩放值，交换蓝红通道。
void	cv::dnn::blobFromImages (InputArrayOfArrays images, OutputArray blob, double scalefactor=1.0, Size size=Size(), const Scalar &mean=Scalar(), bool swapRB=false, bool crop=false, int ddepth=CV_32F)
	从一系列图像创建 4 维 Blob。
Mat	cv::dnn::blobFromImagesWithParams (InputArrayOfArrays images, const Image2BlobParams &param=Image2BlobParams())
	使用给定参数从一系列图像创建 4 维 Blob。
void	cv::dnn::blobFromImagesWithParams (InputArrayOfArrays images, OutputArray blob, const Image2BlobParams &param=Image2BlobParams())
Mat	cv::dnn::blobFromImageWithParams (InputArray image, const Image2BlobParams &param=Image2BlobParams())
	使用给定参数从图像创建 4 维 Blob。
void	cv::dnn::blobFromImageWithParams (InputArray image, OutputArray blob, const Image2BlobParams &param=Image2BlobParams())
void	cv::dnn::enableModelDiagnostics (bool isDiagnosticsMode)
	启用使用 CV DNN API 加载 DNN 模型时的详细日志记录。
std::vector< std::pair< Backend, Target > >	cv::dnn::getAvailableBackends ()
std::vector< Target >	cv::dnn::getAvailableTargets (dnn::Backend be)
LayerFactory_Impl &	cv::dnn::getLayerFactoryImpl ()
Mutex &	cv::dnn::getLayerFactoryMutex ()
	获取保护 LayerFactory_Impl 的互斥锁，请参阅 getLayerFactoryImpl() 函数。
void	cv::dnn::imagesFromBlob (const cv::Mat &blob_, OutputArrayOfArrays images_)
	解析 4D Blob，并通过更简单的数据结构 (std::vector<cv::Mat>) 以 2D 数组形式输出其包含的图像。
void	cv::dnn::NMSBoxes (const std::vector< Rect > &bboxes, const std::vector< float > &scores, const float score_threshold, const float nms_threshold, std::vector< int > &indices, const float eta=1.f, const int top_k=0)
	在给定边界框和相应得分的情况下执行非极大值抑制 (NMS)。
void	cv::dnn::NMSBoxes (const std::vector< Rect2d > &bboxes, const std::vector< float > &scores, const float score_threshold, const float nms_threshold, std::vector< int > &indices, const float eta=1.f, const int top_k=0)
void	cv::dnn::NMSBoxes (const std::vector< RotatedRect > &bboxes, const std::vector< float > &scores, const float score_threshold, const float nms_threshold, std::vector< int > &indices, const float eta=1.f, const int top_k=0)
void	cv::dnn::NMSBoxesBatched (const std::vector< Rect > &bboxes, const std::vector< float > &scores, const std::vector< int > &class_ids, const float score_threshold, const float nms_threshold, std::vector< int > &indices, const float eta=1.f, const int top_k=0)
	跨不同类别对给定边界框和相应得分执行批量非极大值抑制。
void	cv::dnn::NMSBoxesBatched (const std::vector< Rect2d > &bboxes, const std::vector< float > &scores, const std::vector< int > &class_ids, const float score_threshold, const float nms_threshold, std::vector< int > &indices, const float eta=1.f, const int top_k=0)
Net	cv::dnn::readNet (const String &framework, const std::vector< uchar > &bufferModel, const std::vector< uchar > &bufferConfig=std::vector< uchar >())
	读取以受支持格式之一表示的深度学习网络。
Net	cv::dnn::readNet (CV_WRAP_FILE_PATH const String &model, CV_WRAP_FILE_PATH const String &config="", const String &framework="")
	读取以受支持格式之一表示的深度学习网络。
Net	cv::dnn::readNetFromCaffe (const char *bufferProto, size_t lenProto, const char *bufferModel=NULL, size_t lenModel=0)
	读取存储在内存中的 Caffe 网络模型。
Net	cv::dnn::readNetFromCaffe (const std::vector< uchar > &bufferProto, const std::vector< uchar > &bufferModel=std::vector< uchar >())
	读取存储在内存中的 Caffe 网络模型。
Net	cv::dnn::readNetFromCaffe (CV_WRAP_FILE_PATH const String &prototxt, CV_WRAP_FILE_PATH const String &caffeModel=String())
	读取以 Caffe 框架格式存储的网络模型。
Net	cv::dnn::readNetFromDarknet (const char *bufferCfg, size_t lenCfg, const char *bufferModel=NULL, size_t lenModel=0)
	读取存储在 Darknet 模型文件中的网络模型。
Net	cv::dnn::readNetFromDarknet (const std::vector< uchar > &bufferCfg, const std::vector< uchar > &bufferModel=std::vector< uchar >())
	读取存储在 Darknet 模型文件中的网络模型。
Net	cv::dnn::readNetFromDarknet (CV_WRAP_FILE_PATH const String &cfgFile, CV_WRAP_FILE_PATH const String &darknetModel=String())
	读取存储在 Darknet 模型文件中的网络模型。
Net	cv::dnn::readNetFromModelOptimizer (const std::vector< uchar > &bufferModelConfig, const std::vector< uchar > &bufferWeights)
	从 Intel 的 Model Optimizer 中间表示加载网络。
Net	cv::dnn::readNetFromModelOptimizer (const uchar *bufferModelConfigPtr, size_t bufferModelConfigSize, const uchar *bufferWeightsPtr, size_t bufferWeightsSize)
	从 Intel 的 Model Optimizer 中间表示加载网络。
Net	cv::dnn::readNetFromModelOptimizer (CV_WRAP_FILE_PATH const String &xml, CV_WRAP_FILE_PATH const String &bin="")
	从 Intel 的 Model Optimizer 中间表示加载网络。
Net	cv::dnn::readNetFromONNX (const char *buffer, size_t sizeBuffer)
	从 ONNX 内存缓冲区读取网络模型。
Net	cv::dnn::readNetFromONNX (const std::vector< uchar > &buffer)
	从 ONNX 内存缓冲区读取网络模型。
Net	cv::dnn::readNetFromONNX (CV_WRAP_FILE_PATH const String &onnxFile)
	读取 ONNX 网络模型。
Net	cv::dnn::readNetFromTensorflow (const char *bufferModel, size_t lenModel, const char *bufferConfig=NULL, size_t lenConfig=0)
	读取以 TensorFlow 框架格式存储的网络模型。
Net	cv::dnn::readNetFromTensorflow (const std::vector< uchar > &bufferModel, const std::vector< uchar > &bufferConfig=std::vector< uchar >())
	读取以 TensorFlow 框架格式存储的网络模型。
Net	cv::dnn::readNetFromTensorflow (CV_WRAP_FILE_PATH const String &model, CV_WRAP_FILE_PATH const String &config=String())
	读取以 TensorFlow 框架格式存储的网络模型。
Net	cv::dnn::readNetFromTFLite (const char *bufferModel, size_t lenModel)
	读取以 TFLite 框架格式存储的网络模型。
Net	cv::dnn::readNetFromTFLite (const std::vector< uchar > &bufferModel)
	读取以 TFLite 框架格式存储的网络模型。
Net	cv::dnn::readNetFromTFLite (CV_WRAP_FILE_PATH const String &model)
	读取以 TFLite 框架格式存储的网络模型。
Net	cv::dnn::readNetFromTorch (CV_WRAP_FILE_PATH const String &model, bool isBinary=true, bool evaluate=true)
	读取以 Torch7 框架格式存储的网络模型。
Mat	cv::dnn::readTensorFromONNX (CV_WRAP_FILE_PATH const String &path)
	从 .pb 文件创建 Blob。
Mat	cv::dnn::readTorchBlob (const String &filename, bool isBinary=true)
	加载序列化为 Torch7 框架 torch.Tensor 对象的 Blob。
void	cv::dnn::shrinkCaffeModel (CV_WRAP_FILE_PATH const String &src, CV_WRAP_FILE_PATH const String &dst, const std::vector< String > &layersTypes=std::vector< String >())
	将 Caffe 网络的所有权重转换为半精度浮点数。
void	cv::dnn::softNMSBoxes (const std::vector< Rect > &bboxes, const std::vector< float > &scores, std::vector< float > &updated_scores, const float score_threshold, const float nms_threshold, std::vector< int > &indices, size_t top_k=0, const float sigma=0.5, SoftNMSMethod method=SoftNMSMethod::SOFTNMS_GAUSSIAN)
	在给定边界框和相应得分的情况下执行 Soft NMS。参考文献：https://arxiv.org/abs/1704.04503。
void	cv::dnn::writeTextGraph (CV_WRAP_FILE_PATH const String &model, CV_WRAP_FILE_PATH const String &output)
	为以 Protocol Buffer 格式存储的二进制网络创建文本表示。

类型定义文档 (Typedef Documentation)

LayerFactory_Impl

typedef std::map<std::string, std::vector<LayerFactory::Constructor> > cv::dnn::LayerFactory_Impl

#include <opencv2/dnn/layer_reg.private.hpp>

MatShape

typedef std::vector<int> cv::dnn::MatShape

#include <opencv2/dnn/dnn.hpp>

枚举类型文档 (Enumeration Type Documentation)

Backend

enum cv::dnn::Backend

#include <opencv2/dnn/dnn.hpp>

层级支持的计算后端枚举。

另请参阅

Net::setPreferableBackend

枚举值 (Enumerator)
DNN_BACKEND_DEFAULT  Python: cv.dnn.DNN_BACKEND_DEFAULT	DNN_BACKEND_DEFAULT 等于 OPENCV_DNN_BACKEND_DEFAULT，可以使用 CMake 或配置参数进行定义。
DNN_BACKEND_HALIDE  Python: cv.dnn.DNN_BACKEND_HALIDE
DNN_BACKEND_INFERENCE_ENGINE  Python: cv.dnn.DNN_BACKEND_INFERENCE_ENGINE	Intel OpenVINO 计算后端，支持的目标有：CPU, OPENCL, OPENCL_FP16, MYRIAD, HDDL, NPU 注意 如何使用 OpenVINO 构建 OpenCV 的教程：在 OpenVINO 中使用 OpenCV
DNN_BACKEND_OPENCV  Python: cv.dnn.DNN_BACKEND_OPENCV
DNN_BACKEND_VKCOM  Python: cv.dnn.DNN_BACKEND_VKCOM
DNN_BACKEND_CUDA  Python: cv.dnn.DNN_BACKEND_CUDA
DNN_BACKEND_WEBNN  Python: cv.dnn.DNN_BACKEND_WEBNN
DNN_BACKEND_TIMVX  Python: cv.dnn.DNN_BACKEND_TIMVX
DNN_BACKEND_CANN  Python: cv.dnn.DNN_BACKEND_CANN

DataLayout

enum cv::dnn::DataLayout

#include <opencv2/dnn/dnn.hpp>

模型推理的数据布局枚举。

另请参阅

Image2BlobParams

枚举值 (Enumerator)
DNN_LAYOUT_UNKNOWN  Python: cv.dnn.DNN_LAYOUT_UNKNOWN
DNN_LAYOUT_ND  Python: cv.dnn.DNN_LAYOUT_ND	2D 数据的 OpenCV 数据布局。
DNN_LAYOUT_NCHW  Python: cv.dnn.DNN_LAYOUT_NCHW	4D 数据的 OpenCV 数据布局。
DNN_LAYOUT_NCDHW  Python: cv.dnn.DNN_LAYOUT_NCDHW	5D 数据的 OpenCV 数据布局。
DNN_LAYOUT_NHWC  Python: cv.dnn.DNN_LAYOUT_NHWC	4D 数据的类 Tensorflow 数据布局。
DNN_LAYOUT_NDHWC  Python: cv.dnn.DNN_LAYOUT_NDHWC	5D 数据的类 Tensorflow 数据布局。
DNN_LAYOUT_PLANAR  Python: cv.dnn.DNN_LAYOUT_PLANAR	类 Tensorflow 数据布局，仅应在解析 tf 或 tflite 模型时使用。

ImagePaddingMode

enum cv::dnn::ImagePaddingMode

#include <opencv2/dnn/dnn.hpp>

图像处理模式枚举。用于满足 dnn 模型的特殊预处理要求。例如，Yolo 系列模型中常用的 letter box。

另请参阅

Image2BlobParams

枚举值 (Enumerator)
DNN_PMODE_NULL  Python: cv.dnn.DNN_PMODE_NULL
DNN_PMODE_CROP_CENTER  Python: cv.dnn.DNN_PMODE_CROP_CENTER
DNN_PMODE_LETTERBOX  Python: cv.dnn.DNN_PMODE_LETTERBOX

SoftNMSMethod

enum class cv::dnn::SoftNMSMethod

strong

#include <opencv2/dnn/dnn.hpp>

Soft NMS 方法枚举。

另请参阅

softNMSBoxes

枚举值 (Enumerator)
SOFTNMS_LINEAR
SOFTNMS_GAUSSIAN

Target

enum cv::dnn::Target

#include <opencv2/dnn/dnn.hpp>

计算目标设备的枚举。

另请参阅

Net::setPreferableTarget

枚举值 (Enumerator)
DNN_TARGET_CPU  Python: cv.dnn.DNN_TARGET_CPU
DNN_TARGET_OPENCL  Python: cv.dnn.DNN_TARGET_OPENCL
DNN_TARGET_OPENCL_FP16  Python: cv.dnn.DNN_TARGET_OPENCL_FP16
DNN_TARGET_MYRIAD  Python: cv.dnn.DNN_TARGET_MYRIAD
DNN_TARGET_VULKAN  Python: cv.dnn.DNN_TARGET_VULKAN
DNN_TARGET_FPGA  Python: cv.dnn.DNN_TARGET_FPGA	使用推理引擎的异构插件，具有 CPU 回退功能的 FPGA 设备。
DNN_TARGET_CUDA  Python: cv.dnn.DNN_TARGET_CUDA
DNN_TARGET_CUDA_FP16  Python: cv.dnn.DNN_TARGET_CUDA_FP16
DNN_TARGET_HDDL  Python: cv.dnn.DNN_TARGET_HDDL
DNN_TARGET_NPU  Python: cv.dnn.DNN_TARGET_NPU
DNN_TARGET_CPU_FP16  Python: cv.dnn.DNN_TARGET_CPU_FP16

函数文档 (Function Documentation)

blobFromImage() [1/2]

Mat cv::dnn::blobFromImage	(	InputArray	图像,
		double	scalefactor = 1.0,
		const Size &	size = Size(),
		const Scalar &	mean = Scalar(),
		bool	swapRB = false,
		bool	crop = false,
		int	ddepth = CV_32F )

Python
	cv.dnn.blobFromImage(	image[, scalefactor[, size[, mean[, swapRB[, crop[, ddepth]]]]]]	) ->	retval

#include <opencv2/dnn/dnn.hpp>

从图像创建 4 维 Blob。可选择性地调整大小并从中心裁剪 image，减去 mean 平均值，按 scalefactor 缩放值，以及交换蓝色和红色通道。

参数

图像	输入图像（1、3 或 4 通道）。
scalefactor	images 值的乘数。
size (大小)	输出图像的空间大小
mean	包含从通道中减去的平均值的标量。如果 image 为 BGR 顺序且 swapRB 为 true，则值应按 (mean-R, mean-G, mean-B) 顺序排列。
swapRB	指示是否需要交换 3 通道图像中第一个和最后一个通道的标志。
crop	指示在调整大小后是否裁剪图像的标志
ddepth	输出 Blob 的深度。选择 CV_32F 或 CV_8U。

如果 crop 为 true，则调整输入图像的大小，使得调整后的其中一边等于 size 中的相应维度，另一边等于或大于该维度。然后，从中心进行裁剪。如果 crop 为 false，则直接进行调整大小，不进行裁剪并保持纵横比。

返回

具有 NCHW 维度顺序的 4 维 Mat。

注意

scalefactor 和 mean 的顺序和用法为 (input - mean) * scalefactor。

blobFromImage() [2/2]

void cv::dnn::blobFromImage	(	InputArray	图像,
		OutputArray	blob,
		double	scalefactor = 1.0,
		const Size &	size = Size(),
		const Scalar &	mean = Scalar(),
		bool	swapRB = false,
		bool	crop = false,
		int	ddepth = CV_32F )

Python
	cv.dnn.blobFromImage(	image[, scalefactor[, size[, mean[, swapRB[, crop[, ddepth]]]]]]	) ->	retval

#include <opencv2/dnn/dnn.hpp>

从图像创建 4 维 Blob。

这是一个重载的成员函数，为方便起见而提供。它与上述函数的区别仅在于所接受的参数不同。

blobFromImages() [1/2]

Mat cv::dnn::blobFromImages	(	InputArrayOfArrays	images,
		double	scalefactor = 1.0,
		Size	size = Size(),
		const Scalar &	mean = Scalar(),
		bool	swapRB = false,
		bool	crop = false,
		int	ddepth = CV_32F )

Python
	cv.dnn.blobFromImages(	images[, scalefactor[, size[, mean[, swapRB[, crop[, ddepth]]]]]]	) ->	retval

#include <opencv2/dnn/dnn.hpp>

从一系列图像创建 4 维 Blob。可选择性地从中心调整大小并裁剪 images，减去 mean 值，按 scalefactor 缩放值，交换蓝红通道。

参数

images	输入图像（均为 1、3 或 4 通道）。
size (大小)	输出图像的空间大小
mean	包含从通道中减去的平均值的标量。如果 image 为 BGR 顺序且 swapRB 为 true，则值应按 (mean-R, mean-G, mean-B) 顺序排列。
scalefactor	images 值的乘数。
swapRB	指示是否需要交换 3 通道图像中第一个和最后一个通道的标志。
crop	指示在调整大小后是否裁剪图像的标志
ddepth	输出 Blob 的深度。选择 CV_32F 或 CV_8U。

如果 crop 为 true，则调整输入图像的大小，使得调整后的其中一边等于 size 中的相应维度，另一边等于或大于该维度。然后，从中心进行裁剪。如果 crop 为 false，则直接进行调整大小，不进行裁剪并保持纵横比。

返回

具有 NCHW 维度顺序的 4 维 Mat。

注意

scalefactor 和 mean 的顺序和用法为 (input - mean) * scalefactor。

blobFromImages() [2/2]

void cv::dnn::blobFromImages	(	InputArrayOfArrays	images,
		OutputArray	blob,
		double	scalefactor = 1.0,
		Size	size = Size(),
		const Scalar &	mean = Scalar(),
		bool	swapRB = false,
		bool	crop = false,
		int	ddepth = CV_32F )

Python
	cv.dnn.blobFromImages(	images[, scalefactor[, size[, mean[, swapRB[, crop[, ddepth]]]]]]	) ->	retval

#include <opencv2/dnn/dnn.hpp>

从一系列图像创建 4 维 Blob。

这是一个重载的成员函数，为方便起见而提供。它与上述函数的区别仅在于所接受的参数不同。

blobFromImagesWithParams() [1/2]

Mat cv::dnn::blobFromImagesWithParams	(	InputArrayOfArrays	images,
		const Image2BlobParams &	param = Image2BlobParams() )

Python
	cv.dnn.blobFromImagesWithParams(	images[, param]	) ->	retval
	cv.dnn.blobFromImagesWithParams(	images[, blob[, param]]	) ->	blob

#include <opencv2/dnn/dnn.hpp>

使用给定参数从一系列图像创建 4 维 Blob。

此函数是 blobFromImages 的扩展，以满足更多图像预处理需求。给定输入图像和预处理参数，函数输出 Blob。

参数

images	输入图像（均为 1、3 或 4 通道）。
param	Image2BlobParams 结构体，包含图像到 Blob 处理所需的所有参数。

返回

4 维 Mat。

blobFromImagesWithParams() [2/2]

void cv::dnn::blobFromImagesWithParams	(	InputArrayOfArrays	images,
		OutputArray	blob,
		const Image2BlobParams &	param = Image2BlobParams() )

Python
	cv.dnn.blobFromImagesWithParams(	images[, param]	) ->	retval
	cv.dnn.blobFromImagesWithParams(	images[, blob[, param]]	) ->	blob

#include <opencv2/dnn/dnn.hpp>

这是一个重载的成员函数，为方便起见而提供。它与上述函数的区别仅在于所接受的参数不同。

blobFromImageWithParams() [1/2]

Mat cv::dnn::blobFromImageWithParams	(	InputArray	图像,
		const Image2BlobParams &	param = Image2BlobParams() )

Python
	cv.dnn.blobFromImageWithParams(	image[, param]	) ->	retval
	cv.dnn.blobFromImageWithParams(	image[, blob[, param]]	) ->	blob

#include <opencv2/dnn/dnn.hpp>

使用给定参数从图像创建 4 维 Blob。

此函数是 blobFromImage 的扩展，以满足更多图像预处理需求。给定输入图像和预处理参数，函数输出 Blob。

参数

图像	输入图像（均为 1、3 或 4 通道）。
param	Image2BlobParams 结构体，包含图像到 Blob 处理所需的所有参数。

返回

4 维 Mat。

blobFromImageWithParams() [2/2]

void cv::dnn::blobFromImageWithParams	(	InputArray	图像,
		OutputArray	blob,
		const Image2BlobParams &	param = Image2BlobParams() )

Python
	cv.dnn.blobFromImageWithParams(	image[, param]	) ->	retval
	cv.dnn.blobFromImageWithParams(	image[, blob[, param]]	) ->	blob

#include <opencv2/dnn/dnn.hpp>

这是一个重载的成员函数，为方便起见而提供。它与上述函数的区别仅在于所接受的参数不同。

enableModelDiagnostics()

void cv::dnn::enableModelDiagnostics

(

bool

isDiagnosticsMode

)

#include <opencv2/dnn/dnn.hpp>

启用使用 CV DNN API 加载 DNN 模型时的详细日志记录。

参数

[in]

isDiagnosticsMode

指示是否应设置诊断模式。

诊断模式提供模型加载阶段的详细日志记录，以探查潜在问题（例如：未实现的层类型）。

注意

在诊断模式下，一系列断言将被跳过，这可能导致预期的应用程序崩溃。

getAvailableBackends()

std::vector< std::pair< Backend, Target > > cv::dnn::getAvailableBackends

(

)

#include <opencv2/dnn/dnn.hpp>

getAvailableTargets()

std::vector< Target > cv::dnn::getAvailableTargets

(

dnn::Backend

be

)

Python
	cv.dnn.getAvailableTargets(	be	) ->	retval

#include <opencv2/dnn/dnn.hpp>

getLayerFactoryImpl()

LayerFactory_Impl & cv::dnn::getLayerFactoryImpl

(

)

#include <opencv2/dnn/layer_reg.private.hpp>

注册 DNN 模型的层类型。

注意

为了以线程安全的方式访问工厂，请参阅 getLayerFactoryMutex() 函数。

getLayerFactoryMutex()

Mutex & cv::dnn::getLayerFactoryMutex

(

)

#include <opencv2/dnn/layer_reg.private.hpp>

获取保护 LayerFactory_Impl 的互斥锁，请参阅 getLayerFactoryImpl() 函数。

imagesFromBlob()

void cv::dnn::imagesFromBlob	(	const cv::Mat &	blob_,
		OutputArrayOfArrays	images_ )

Python
	cv.dnn.imagesFromBlob(	blob_[, images_]	) ->	images_

#include <opencv2/dnn/dnn.hpp>

解析 4D Blob，并通过更简单的数据结构 (std::vector<cv::Mat>) 以 2D 数组形式输出其包含的图像。

参数

[in]	blob_	您想从中提取图像的浮点精度 (CV_32F) 的 4 维数组（图像、通道、高度、宽度）。
[out]	images_	包含从 Blob 中提取的浮点精度 (CV_32F) 图像的 2D Mat 数组。它们既没有归一化也没有添加均值。返回的图像数量等于 Blob 的第一维（批量大小）。每张图像的通道数等于 Blob 的第二维（深度）。

NMSBoxes() [1/3]

void cv::dnn::NMSBoxes	(	const std::vector< Rect > &	bboxes,
		const std::vector< float > &	scores,
		const float	score_threshold,
		const float	nms_threshold,
		std::vector< int > &	indices,
		const float	eta = 1.f,
		const int	top_k = 0 )

Python
	cv.dnn.NMSBoxes(	bboxes, scores, score_threshold, nms_threshold[, eta[, top_k]]	) ->	indices
	cv.dnn.NMSBoxesRotated(	bboxes, scores, score_threshold, nms_threshold[, eta[, top_k]]	) ->	indices

#include <opencv2/dnn/dnn.hpp>

在给定边界框和相应得分的情况下执行非极大值抑制 (NMS)。

参数

bboxes	一组应用 NMS 的边界框。
scores	一组相应的置信度。
score_threshold	用于按得分过滤框的阈值。
nms_threshold	非极大值抑制中使用的阈值。
indices	NMS 后保留的 bboxes 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，则最多保留 top_k 个选中的索引。

NMSBoxes() [2/3]

void cv::dnn::NMSBoxes	(	const std::vector< Rect2d > &	bboxes,
		const std::vector< float > &	scores,
		const float	score_threshold,
		const float	nms_threshold,
		std::vector< int > &	indices,
		const float	eta = 1.f,
		const int	top_k = 0 )

Python
	cv.dnn.NMSBoxes(	bboxes, scores, score_threshold, nms_threshold[, eta[, top_k]]	) ->	indices
	cv.dnn.NMSBoxesRotated(	bboxes, scores, score_threshold, nms_threshold[, eta[, top_k]]	) ->	indices

#include <opencv2/dnn/dnn.hpp>

NMSBoxes() [3/3]

void cv::dnn::NMSBoxes	(	const std::vector< RotatedRect > &	bboxes,
		const std::vector< float > &	scores,
		const float	score_threshold,
		const float	nms_threshold,
		std::vector< int > &	indices,
		const float	eta = 1.f,
		const int	top_k = 0 )

Python
	cv.dnn.NMSBoxes(	bboxes, scores, score_threshold, nms_threshold[, eta[, top_k]]	) ->	indices
	cv.dnn.NMSBoxesRotated(	bboxes, scores, score_threshold, nms_threshold[, eta[, top_k]]	) ->	indices

#include <opencv2/dnn/dnn.hpp>

NMSBoxesBatched() [1/2]

void cv::dnn::NMSBoxesBatched	(	const std::vector< Rect > &	bboxes,
		const std::vector< float > &	scores,
		const std::vector< int > &	class_ids,
		const float	score_threshold,
		const float	nms_threshold,
		std::vector< int > &	indices,
		const float	eta = 1.f,
		const int	top_k = 0 )

Python
	cv.dnn.NMSBoxesBatched(	bboxes, scores, class_ids, score_threshold, nms_threshold[, eta[, top_k]]	) ->	indices

#include <opencv2/dnn/dnn.hpp>

跨不同类别对给定边界框和相应得分执行批量非极大值抑制。

参数

bboxes	一组应用 NMS 的边界框。
scores	一组相应的置信度。
class_ids	一组相应的类别 ID。ID 是整数，通常从 0 开始。
score_threshold	用于按得分过滤框的阈值。
nms_threshold	非极大值抑制中使用的阈值。
indices	NMS 后保留的 bboxes 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，则最多保留 top_k 个选中的索引。

NMSBoxesBatched() [2/2]

void cv::dnn::NMSBoxesBatched	(	const std::vector< Rect2d > &	bboxes,
		const std::vector< float > &	scores,
		const std::vector< int > &	class_ids,
		const float	score_threshold,
		const float	nms_threshold,
		std::vector< int > &	indices,
		const float	eta = 1.f,
		const int	top_k = 0 )

Python
	cv.dnn.NMSBoxesBatched(	bboxes, scores, class_ids, score_threshold, nms_threshold[, eta[, top_k]]	) ->	indices

#include <opencv2/dnn/dnn.hpp>

readNet() [1/2]

Net cv::dnn::readNet	(	const String &	framework,
		const std::vector< uchar > &	bufferModel,
		const std::vector< uchar > &	bufferConfig = std::vector< uchar >() )

Python
	cv.dnn.readNet(	model[, config[, framework]]	) ->	retval
	cv.dnn.readNet(	framework, bufferModel[, bufferConfig]	) ->	retval

#include <opencv2/dnn/dnn.hpp>

读取以受支持格式之一表示的深度学习网络。

这是一个重载的成员函数，为方便起见而提供。它与上述函数的区别仅在于所接受的参数不同。

参数

[in]	framework	源框架的名称。
[in]	bufferModel	包含权重二进制文件内容的缓冲区
[in]	bufferConfig	包含网络配置文本文件内容的缓冲区。

返回

网络 对象。

readNet() [2/2]

Net cv::dnn::readNet	(	CV_WRAP_FILE_PATH const String &	model,
		CV_WRAP_FILE_PATH const String &	config = "",
		const String &	framework = "" )

Python
	cv.dnn.readNet(	model[, config[, framework]]	) ->	retval
	cv.dnn.readNet(	framework, bufferModel[, bufferConfig]	) ->	retval

#include <opencv2/dnn/dnn.hpp>

读取以受支持格式之一表示的深度学习网络。

参数

[in]	model	包含训练好权重的二进制文件。对于来自不同框架的模型，预期具有以下文件扩展名 *.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/)
[in]	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)
[in]	framework	用于确定格式的显式框架名称标签。

返回

网络 对象。

此函数会自动检测训练模型的源框架，并调用相应的函数，如 readNetFromCaffe, readNetFromTensorflow, readNetFromTorch 或 readNetFromDarknet。model 和 config 参数的顺序并不重要。

readNetFromCaffe() [1/3]

Net cv::dnn::readNetFromCaffe	(	const char *	bufferProto,
		size_t	lenProto,
		const char *	bufferModel = NULL,
		size_t	lenModel = 0 )

Python
	cv.dnn.readNetFromCaffe(	prototxt[, caffeModel]	) ->	retval
	cv.dnn.readNetFromCaffe(	bufferProto[, bufferModel]	) ->	retval

#include <opencv2/dnn/dnn.hpp>

读取存储在内存中的 Caffe 网络模型。

这是一个重载的成员函数，为方便起见而提供。它与上述函数的区别仅在于所接受的参数不同。

参数

bufferProto	包含 .prototxt 文件内容的缓冲区
lenProto	bufferProto 的长度
bufferModel	包含 .caffemodel 文件内容的缓冲区
lenModel	bufferModel 的长度

返回

网络 对象。

readNetFromCaffe() [2/3]

Net cv::dnn::readNetFromCaffe	(	const std::vector< uchar > &	bufferProto,
		const std::vector< uchar > &	bufferModel = std::vector< uchar >() )

Python
	cv.dnn.readNetFromCaffe(	prototxt[, caffeModel]	) ->	retval
	cv.dnn.readNetFromCaffe(	bufferProto[, bufferModel]	) ->	retval

#include <opencv2/dnn/dnn.hpp>

读取存储在内存中的 Caffe 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

网络 对象。

readNetFromCaffe() [3/3]

Net cv::dnn::readNetFromCaffe	(	CV_WRAP_FILE_PATH const String &	prototxt,
		CV_WRAP_FILE_PATH const String &	caffeModel = String() )

Python
	cv.dnn.readNetFromCaffe(	prototxt[, caffeModel]	) ->	retval
	cv.dnn.readNetFromCaffe(	bufferProto[, bufferModel]	) ->	retval

#include <opencv2/dnn/dnn.hpp>

读取以 Caffe 框架格式存储的网络模型。

参数

prototxt	指向带有网络架构文本描述的 .prototxt 文件的路径。
caffeModel	指向带有训练好的网络的 .caffemodel 文件的路径。

返回

网络 对象。

readNetFromDarknet() [1/3]

Net cv::dnn::readNetFromDarknet	(	const char *	bufferCfg,
		size_t	lenCfg,
		const char *	bufferModel = NULL,
		size_t	lenModel = 0 )

Python
	cv.dnn.readNetFromDarknet(	cfgFile[, darknetModel]	) ->	retval
	cv.dnn.readNetFromDarknet(	bufferCfg[, bufferModel]	) ->	retval

#include <opencv2/dnn/dnn.hpp>

读取存储在 Darknet 模型文件中的网络模型。

参数

bufferCfg	包含网络架构文本描述的 .cfg 文件内容的缓冲区。
lenCfg	要从 bufferCfg 读取的字节数
bufferModel	包含训练好的网络的 .weights 文件内容的缓冲区。
lenModel	要从 bufferModel 读取的字节数

返回

网络 对象。

readNetFromDarknet() [2/3]

Net cv::dnn::readNetFromDarknet	(	const std::vector< uchar > &	bufferCfg,
		const std::vector< uchar > &	bufferModel = std::vector< uchar >() )

Python
	cv.dnn.readNetFromDarknet(	cfgFile[, darknetModel]	) ->	retval
	cv.dnn.readNetFromDarknet(	bufferCfg[, bufferModel]	) ->	retval

#include <opencv2/dnn/dnn.hpp>

读取存储在 Darknet 模型文件中的网络模型。

参数

bufferCfg	包含网络架构文本描述的 .cfg 文件内容的缓冲区。
bufferModel	包含训练好的网络的 .weights 文件内容的缓冲区。

返回

网络 对象。

readNetFromDarknet() [3/3]

Net cv::dnn::readNetFromDarknet	(	CV_WRAP_FILE_PATH const String &	cfgFile,
		CV_WRAP_FILE_PATH const String &	darknetModel = String() )

Python
	cv.dnn.readNetFromDarknet(	cfgFile[, darknetModel]	) ->	retval
	cv.dnn.readNetFromDarknet(	bufferCfg[, bufferModel]	) ->	retval

#include <opencv2/dnn/dnn.hpp>

读取存储在 Darknet 模型文件中的网络模型。

参数

cfgFile	指向带有网络架构文本描述的 .cfg 文件的路径。
darknetModel	指向带有训练好的网络的 .weights 文件的路径。

返回

准备好进行前向计算的网络对象，在失败情况下抛出异常。

readNetFromModelOptimizer() [1/3]

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

Python
	cv.dnn.readNetFromModelOptimizer(	xml[, bin]	) ->	retval
	cv.dnn.readNetFromModelOptimizer(	bufferModelConfig, bufferWeights	) ->	retval

#include <opencv2/dnn/dnn.hpp>

从 Intel 的 Model Optimizer 中间表示加载网络。

参数

[in]	bufferModelConfig	包含具有网络拓扑的 XML 配置的缓冲区。
[in]	bufferWeights	包含具有训练权重的二进制数据的缓冲区。

返回

Net 对象。从 Intel 的 Model Optimizer 导入的网络将在 Intel 的推理引擎后端启动。

readNetFromModelOptimizer() [2/3]

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

Python
	cv.dnn.readNetFromModelOptimizer(	xml[, bin]	) ->	retval
	cv.dnn.readNetFromModelOptimizer(	bufferModelConfig, bufferWeights	) ->	retval

#include <opencv2/dnn/dnn.hpp>

从 Intel 的 Model Optimizer 中间表示加载网络。

参数

[in]	bufferModelConfigPtr	指向包含网络拓扑 XML 配置的缓冲区的指针。
[in]	bufferModelConfigSize	XML 配置数据的二进制大小。
[in]	bufferWeightsPtr	指向包含训练权重二进制数据的缓冲区的指针。
[in]	bufferWeightsSize	训练权重数据的二进制大小。

返回

Net 对象。从 Intel 的 Model Optimizer 导入的网络将在 Intel 的推理引擎后端启动。

readNetFromModelOptimizer() [3/3]

Net cv::dnn::readNetFromModelOptimizer	(	CV_WRAP_FILE_PATH const String &	xml,
		CV_WRAP_FILE_PATH const String &	bin = "" )

Python
	cv.dnn.readNetFromModelOptimizer(	xml[, bin]	) ->	retval
	cv.dnn.readNetFromModelOptimizer(	bufferModelConfig, bufferWeights	) ->	retval

#include <opencv2/dnn/dnn.hpp>

从 Intel 的 Model Optimizer 中间表示加载网络。

参数

[in]	xml	带有网络拓扑的 XML 配置文件。
[in]	bin	带有训练权重的二进制文件。

返回

Net 对象。从 Intel 的 Model Optimizer 导入的网络将在 Intel 的推理引擎后端启动。

readNetFromONNX() [1/3]

Net cv::dnn::readNetFromONNX	(	const char *	buffer,
		size_t	sizeBuffer )

Python
	cv.dnn.readNetFromONNX(	onnxFile	) ->	retval
	cv.dnn.readNetFromONNX(	buffer	) ->	retval

#include <opencv2/dnn/dnn.hpp>

从 ONNX 内存缓冲区读取网络模型。

参数

buffer	缓冲区第一个字节的内存地址。
sizeBuffer	缓冲区的大小。

返回

准备好进行前向计算的网络对象，在失败情况下抛出异常。

readNetFromONNX() [2/3]

Net cv::dnn::readNetFromONNX

(

const std::vector< uchar > &

buffer

)

Python
	cv.dnn.readNetFromONNX(	onnxFile	) ->	retval
	cv.dnn.readNetFromONNX(	buffer	) ->	retval

#include <opencv2/dnn/dnn.hpp>

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

准备好进行前向计算的网络对象，在失败情况下抛出异常。

readNetFromONNX() [3/3]

Net cv::dnn::readNetFromONNX

(

CV_WRAP_FILE_PATH const String &

onnxFile

)

Python
	cv.dnn.readNetFromONNX(	onnxFile	) ->	retval
	cv.dnn.readNetFromONNX(	buffer	) ->	retval

#include <opencv2/dnn/dnn.hpp>

读取 ONNX 网络模型。

参数

onnxFile

指向带有网络架构文本描述的 .onnx 文件的路径。

返回

准备好进行前向计算的网络对象，在失败情况下抛出异常。

readNetFromTensorflow() [1/3]

Net cv::dnn::readNetFromTensorflow	(	const char *	bufferModel,
		size_t	lenModel,
		const char *	bufferConfig = NULL,
		size_t	lenConfig = 0 )

Python
	cv.dnn.readNetFromTensorflow(	model[, config]	) ->	retval
	cv.dnn.readNetFromTensorflow(	bufferModel[, bufferConfig]	) ->	retval

#include <opencv2/dnn/dnn.hpp>

读取以 TensorFlow 框架格式存储的网络模型。

这是一个重载的成员函数，为方便起见而提供。它与上述函数的区别仅在于所接受的参数不同。

参数

bufferModel	包含 pb 文件内容的缓冲区
lenModel	bufferModel 的长度
bufferConfig	包含 pbtxt 文件内容的缓冲区
lenConfig	bufferConfig 的长度

readNetFromTensorflow() [2/3]

Net cv::dnn::readNetFromTensorflow	(	const std::vector< uchar > &	bufferModel,
		const std::vector< uchar > &	bufferConfig = std::vector< uchar >() )

Python
	cv.dnn.readNetFromTensorflow(	model[, config]	) ->	retval
	cv.dnn.readNetFromTensorflow(	bufferModel[, bufferConfig]	) ->	retval

#include <opencv2/dnn/dnn.hpp>

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

网络 对象。

readNetFromTensorflow() [3/3]

Net cv::dnn::readNetFromTensorflow	(	CV_WRAP_FILE_PATH const String &	model,
		CV_WRAP_FILE_PATH const String &	config = String() )

Python
	cv.dnn.readNetFromTensorflow(	model[, config]	) ->	retval
	cv.dnn.readNetFromTensorflow(	bufferModel[, bufferConfig]	) ->	retval

#include <opencv2/dnn/dnn.hpp>

读取以 TensorFlow 框架格式存储的网络模型。

参数

model	指向带有网络架构二进制 protobuf 描述的 .pb 文件的路径
config	指向包含 protobuf 格式文本图定义的 .pbtxt 文件的路径。生成的 Net 对象由文本图构建，并使用二进制图中的权重，这使其更加灵活。

返回

网络 对象。

readNetFromTFLite() [1/3]

Net cv::dnn::readNetFromTFLite	(	const char *	bufferModel,
		size_t	lenModel )

Python
	cv.dnn.readNetFromTFLite(	model	) ->	retval
	cv.dnn.readNetFromTFLite(	bufferModel	) ->	retval

#include <opencv2/dnn/dnn.hpp>

读取以 TFLite 框架格式存储的网络模型。

这是一个重载的成员函数，为方便起见而提供。它与上述函数的区别仅在于所接受的参数不同。

参数

bufferModel	包含 tflite 文件内容的缓冲区
lenModel	bufferModel 的长度

readNetFromTFLite() [2/3]

Net cv::dnn::readNetFromTFLite

(

const std::vector< uchar > &

bufferModel

)

Python
	cv.dnn.readNetFromTFLite(	model	) ->	retval
	cv.dnn.readNetFromTFLite(	bufferModel	) ->	retval

#include <opencv2/dnn/dnn.hpp>

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

网络 对象。

readNetFromTFLite() [3/3]

Net cv::dnn::readNetFromTFLite

(

CV_WRAP_FILE_PATH const String &

model

)

Python
	cv.dnn.readNetFromTFLite(	model	) ->	retval
	cv.dnn.readNetFromTFLite(	bufferModel	) ->	retval

#include <opencv2/dnn/dnn.hpp>

读取以 TFLite 框架格式存储的网络模型。

参数

model

指向带有网络架构二进制 flatbuffers 描述的 .tflite 文件的路径

返回

网络 对象。

readNetFromTorch()

Net cv::dnn::readNetFromTorch	(	CV_WRAP_FILE_PATH const String &	model,
		bool	isBinary = true,
		bool	evaluate = true )

Python
	cv.dnn.readNetFromTorch(	model[, isBinary[, evaluate]]	) ->	retval

#include <opencv2/dnn/dnn.hpp>

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 转储的文件的路径。
isBinary	指定网络是以 ascii 模式还是二进制模式序列化的。
evaluate	指定网络的测试阶段。如果为 true，类似于 Torch 中的 evaluate() 方法。

返回

网络 对象。

注意

Torch 序列化器的 Ascii 模式更可取，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的位长度各不相同。

加载的文件必须包含带有导入网络的序列化 nn.Module 对象。尝试从序列化数据中排除自定义对象，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类也可以成功导入。

readTensorFromONNX()

Mat cv::dnn::readTensorFromONNX

(

CV_WRAP_FILE_PATH const String &

path

)

Python
	cv.dnn.readTensorFromONNX(	path	) ->	retval

#include <opencv2/dnn/dnn.hpp>

从 .pb 文件创建 Blob。

参数

path	带有输入张量的 .pb 文件。

返回

Mat.

readTorchBlob()

Mat cv::dnn::readTorchBlob	(	const String &	filename,
		bool	isBinary = true )

Python
	cv.dnn.readTorchBlob(	filename[, isBinary]	) ->	retval

#include <opencv2/dnn/dnn.hpp>

加载序列化为 Torch7 框架 torch.Tensor 对象的 Blob。

警告

此函数具有与 readNetFromTorch() 相同的局限性。

shrinkCaffeModel()

void cv::dnn::shrinkCaffeModel	(	CV_WRAP_FILE_PATH const String &	src,
		CV_WRAP_FILE_PATH const String &	dst,
		const std::vector< String > &	layersTypes = std::vector< String >() )

Python
	cv.dnn.shrinkCaffeModel(	src, dst[, layersTypes]	) ->	None

#include <opencv2/dnn/dnn.hpp>

将 Caffe 网络的所有权重转换为半精度浮点数。

参数

src	包含单精度浮点权重的 Caffe 框架原始模型路径（通常具有 .caffemodel 扩展名）。
dst	带有更新权重的目标模型路径。
layersTypes	要转换参数的层类型集。默认情况下，仅转换卷积层和全连接层的权重。

注意

压缩后的模型没有原始 float32 权重，因此不能再在原始 Caffe 框架中使用。但是，数据结构取自 NVidia 的 Caffe 分支：https://github.com/NVIDIA/caffe。因此生成的模型可以在那里使用。

softNMSBoxes()

void cv::dnn::softNMSBoxes	(	const std::vector< Rect > &	bboxes,
		const std::vector< float > &	scores,
		std::vector< float > &	updated_scores,
		const float	score_threshold,
		const float	nms_threshold,
		std::vector< int > &	indices,
		size_t	top_k = 0,
		const float	sigma = 0.5,
		SoftNMSMethod	method = SoftNMSMethod::SOFTNMS_GAUSSIAN )

Python
	cv.dnn.softNMSBoxes(	bboxes, scores, score_threshold, nms_threshold[, top_k[, sigma[, method]]]	) ->	updated_scores, indices

#include <opencv2/dnn/dnn.hpp>

在给定边界框和相应得分的情况下执行 Soft NMS。参考文献：https://arxiv.org/abs/1704.04503。

参数

bboxes	应用 Soft NMS 的一组边界框。
scores	一组相应的置信度。
updated_scores	一组相应的更新后的置信度。
score_threshold	用于按得分过滤框的阈值。
nms_threshold	非极大值抑制中使用的阈值。
indices	NMS 后保留的 bboxes 索引。
top_k	最多保留 top_k 个选中的索引。
sigma	高斯加权的参数。
method	高斯或线性。

另请参阅

SoftNMSMethod

writeTextGraph()

void cv::dnn::writeTextGraph	(	CV_WRAP_FILE_PATH const String &	model,
		CV_WRAP_FILE_PATH const String &	output )

Python
	cv.dnn.writeTextGraph(	model, output	) ->	None

#include <opencv2/dnn/dnn.hpp>

为以 Protocol Buffer 格式存储的二进制网络创建文本表示。

参数

[in]	model	二进制网络的路径。
[in]	output	要创建的输出文本文件的路径。

注意

为了减小输出文件的大小，不包含训练好的权重。