cv::dnn::Net 类参考

此类用于创建和操作复杂的神经网络。更多...

#include <opencv2/dnn/dnn.hpp>

cv::dnn::Net 的协作图

公开类型
typedef DictValue	LayerId
	字符串和整数的容器。

公开成员函数
	Net ()
	默认构造函数。
	~Net ()
	析构函数。仅当不再存在对网络的引用时才释放网络。
int	addLayer (const String &name, const String &type, const int &dtype, LayerParams &params)
	向网络中添加新层。
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前一个添加层的第一个输出。
int	addLayerToPrev (const String &name, const String &type, LayerParams &params)
void	connect (int outLayerId, int outNum, int inpLayerId, int inpNum)
	将第一层的第 #outNum 个输出连接到第二层的第 #inNum 个输入。
void	connect (String outPin, String inpPin)
	将第一层的输出连接到第二层的输入。
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 计算分支可以加速 3x3 卷积，但会有少许精度损失。
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
	计算具有指定输入形状的整个加载模型的 FLOPs。
Impl *	getImpl () const
Impl &	getImplRef () const
void	getInputDetails (std::vector< float > &scales, std::vector< int > &zeropoints) const
	返回量化 网络 的输入缩放比例和零点。
Ptr< Layer >	getLayer (const LayerId &layerId) const
Ptr< Layer >	getLayer (const String &layerName) const
Ptr< Layer >	getLayer (int layerId) const
	返回指向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
	返回加载模型中具有指定 ID 的层的输入和输出形状；不需要预先推理。
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；不需要预先推理。
void	getLayerTypes (std::vector< String > &layersTypes) const
	返回模型中所使用层的类型列表。
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
	计算存储每一层所有权重和中间 blob 所需的字节数。
void	getOutputDetails (std::vector< float > &scales, std::vector< int > &zeropoints) const
	返回量化 网络 的输出缩放比例和零点。
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)
	返回推理的总时间以及各层的计时（以 ticks 为单位）。
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 网络 返回量化后的 网络。
int	registerOutput (const std::string &outputName, int layerId, int outputPort)
	通过名称注册网络输出。
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())
	为网络设置新的输入值。
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)
	为层的学习参数设置新值。
void	setPreferableBackend (int backendId)
	请求网络在支持的情况下使用特定的计算后端。
void	setPreferableTarget (int targetId)
	请求网络在特定的目标设备上进行计算。

静态公开成员函数
static Net	readFromModelOptimizer (const std::vector< uchar > &bufferModelConfig, const std::vector< uchar > &bufferWeights)
	从具有中间表示 (IR) 的 Intel Model Optimizer 内存缓冲区创建网络。
static Net	readFromModelOptimizer (const uchar *bufferModelConfigPtr, size_t bufferModelConfigSize, const uchar *bufferWeightsPtr, size_t bufferWeightsSize)
	从具有中间表示 (IR) 的 Intel Model Optimizer 内存缓冲区创建网络。
static Net	readFromModelOptimizer (CV_WRAP_FILE_PATH const String &xml, CV_WRAP_FILE_PATH const String &bin)
	从 Intel Model Optimizer 中间表示 (IR) 创建网络。

保护属性
Ptr< Impl >	impl

友元
class	accessor::DnnNetAccessor

详细说明

此类用于创建和操作复杂的神经网络。

神经网络被表示为有向无环图 (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。

此类支持其实例的引用计数，即副本指向同一个实例。

示例

samples/dnn/colorization.cpp 以及 samples/dnn/openpose.cpp。

成员类型定义说明

LayerId

DictValue cv::dnn::Net::LayerId

字符串和整数的容器。

已弃用

使用带有 int 结果的 getLayerId()。

构造函数与析构函数说明

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。仅当不再存在对网络的引用时才释放网络。

成员函数说明

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

向网络中添加新层。

参数

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

返回

所创建层的唯一标识符，如果发生故障则返回 -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前一个添加层的第一个输出。

另请参阅

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。

connect() [1/2]

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

Python
	cv.dnn.Net.connect(	outPin, inpPin	) ->	None

将第一层的第 #outNum 个输出连接到第二层的第 #inNum 个输入。

参数

outLayerId	第一层的标识符
outNum	第一层输出的编号
inpLayerId	第二层的标识符
inpNum	第二层输入的编号

connect() [2/2]

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

Python
	cv.dnn.Net.connect(	outPin, inpPin	) ->	None

将第一层的输出连接到第二层的输入。

参数

outPin	第一层输出的描述符。
inpPin	第二层输入的描述符。

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。如果该部分为空，则使用网络输入伪层；

• 模板的第二部分 input_number 是可选的，可以是层的输入编号或标签。如果省略该部分，则使用第一个层输入。

  另请参阅

  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。在调用 setInput() 后调用此方法。要查看正确的后端、目标和融合，请在 forward() 后运行。

dumpToFile()

void cv::dnn::Net::dumpToFile

(

CV_WRAP_FILE_PATH const String &

path

)

Python
	cv.dnn.Net.dumpToFile(	path	) ->	None

将网络结构、超参数、后端、目标和融合转储到 dot 文件。

参数

path	.dot 扩展名的输出文件路径

另请参阅

dump()

dumpToPbtxt()

void cv::dnn::Net::dumpToPbtxt

(

CV_WRAP_FILE_PATH const String &

path

)

Python
	cv.dnn.Net.dumpToPbtxt(	path	) ->	None

将网络结构、超参数、后端、目标和融合转储到 pbtxt 文件。

参数

path	.pbtxt 扩展名的输出文件路径

使用 Netron (https://netron.app) 打开目标文件以可视化模型。在调用 setInput() 后调用此方法。要查看正确的后端、目标和融合，请在 forward() 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	) ->	None

启用或禁用网络中的层融合。

参数

fusion

true 启用融合，false 禁用。默认启用融合。

enableWinograd()

void cv::dnn::Net::enableWinograd

(

bool

useWinograd

)

Python
	cv.dnn.Net.enableWinograd(	useWinograd	) ->	None

启用或禁用 Winograd 计算分支。Winograd 计算分支可以加速 3x3 卷积，但会有少许精度损失。

参数

useWinograd

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()

)

Python
	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

需要获取输出的层的名称

返回

指定层第一个输出的 blob。

默认情况下运行整个网络的前向传播。

示例

samples/dnn/colorization.cpp 以及 samples/dnn/openpose.cpp。

forward() [2/4]

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

Python
	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名称

forward() [3/4]

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

Python
	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	包含指定层的所有输出 blob。
outputName	需要获取输出的层的名称

如果 outputName 为空，则运行整个网络的前向传播。

forward() [4/4]

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

Python
	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

需要获取输出的层的名称

默认情况下运行整个网络的前向传播。

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

Python
	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。

getFLOPS() [2/4]

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

Python
	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。

getFLOPS() [3/4]

int64 cv::dnn::Net::getFLOPS

(

const MatShape &

netInputShape

)

const

Python
	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。

getFLOPS() [4/4]

int64 cv::dnn::Net::getFLOPS

(

const std::vector< MatShape > &

netInputShapes

)

const

Python
	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

计算具有指定输入形状的整个加载模型的 FLOPs。

参数

netInputShapes

所有网络输入的形状向量。

返回

计算出的 FLOP。

getImpl()

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

内联

getImplRef()

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

内联

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 网络 的输入缩放比例和零点。

参数

scales	用于返回输入缩放比例的输出参数。
zeropoints	用于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。

已弃用

待移除

getLayer() [2/3]

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

内联

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

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。

已弃用

使用 int getLayerId(const String &layer)

此函数的调用图

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

返回指向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，如果未找到该层，则返回 -1。

getLayerInputs()

std::vector< Ptr< Layer > > cv::dnn::Net::getLayerInputs

(

int

layerId

)

const

返回特定层的输入层指针。

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

返回加载模型中具有指定 ID 的层的输入和输出形状；不需要预先推理。

参数

netInputShape	网络输入层中的输入 blob 形状。
layerId	层 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。

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。

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；不需要预先推理。

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

返回模型中所使用层的类型列表。

参数

layersTypes

用于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

Python
	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。

getMemoryConsumption() [2/6]

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

Python
	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。

getMemoryConsumption() [3/6]

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

Python
	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。

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

Python
	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。

getMemoryConsumption() [5/6]

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

Python
	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	存储权重结果字节数的输出参数。
blobs	存储中间 blob 结果字节数的输出参数。

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

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

计算存储每一层所有权重和中间 blob 所需的字节数。

参数

netInputShapes	所有网络输入的形状向量。
layerIds	保存层 ID 的输出向量。
weights	存储权重结果字节数的输出参数。
blobs	存储中间 blob 结果字节数的输出参数。

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 网络 的输出缩放比例和零点。

参数

scales	用于返回输出缩放比例的输出参数。
zeropoints	用于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

内联

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

此函数的调用图

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	Layer::blobs 数组中层参数的索引。

另请参阅

Layer::blobs

getPerfProfile()

int64 cv::dnn::Net::getPerfProfile

(

std::vector< double > &

timings

)

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

返回推理的总时间以及各层的计时（以 ticks 为单位）。

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，这些跳过的层将返回零 tick 计数。仅在 DNN_TARGET_CPU 上由 DNN_BACKEND_OPENCV 支持。

参数

[out]

timings

所有层的 tick 计时向量。

返回

模型推理的总 tick 数。

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 重作为 registerOutput() 方式，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 重作为 registerOutput() 方式，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 网络 返回量化后的 网络。

参数

calibData	用于计算量化参数的校准数据。
inputsDtype	量化网络输入的数据类型。可以是 CV_32F 或 CV_8S。
outputsDtype	量化网络输出的数据类型。可以是 CV_32F 或 CV_8S。
perChannel	量化 网络 的量化粒度。默认值为 true，表示以通道方式（per-channel）量化模型。设置为 false 则以张量方式（per-tensor）量化模型。

readFromModelOptimizer() [1/3]

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

static (静态)

Python
	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

从具有中间表示 (IR) 的 Intel Model Optimizer 内存缓冲区创建网络。

参数

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

返回

网络 对象。

readFromModelOptimizer() [2/3]

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

static (静态)

Python
	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

从具有中间表示 (IR) 的 Intel Model Optimizer 内存缓冲区创建网络。

参数

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

返回

网络 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 (静态)

Python
	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 Model Optimizer 中间表示 (IR) 创建网络。

参数

[in]	xml	网络拓扑的 XML 配置文件。
[in]	bin	包含训练权重的二进制文件。从 Intel Model Optimizer 导入的网络将在 Intel 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

通过名称注册网络输出。

函数可能会创建额外的 'Identity' 层。

参数

outputName	输出的标识符
layerId	第二层的标识符
outputPort	第二层输入的编号

返回

绑定层的索引（与 layerId 相同或者是新创建的）

setHalideScheduler()

void cv::dnn::Net::setHalideScheduler

(

const String &

scheduler

)

Python
	cv.dnn.Net.setHalideScheduler(	scheduler	) ->	None

编译 Halide 层。

参数

[in]

scheduler

包含调度指令的 YAML 文件路径。

另请参阅

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]]]	) ->	None

为网络设置新的输入值。

参数

blob	一个新的 blob。应具有 CV_32F 或 CV_8U 深度。
name	输入层的名称。
scalefactor	可选的归一化比例。
mean	可选的均值减法值。

另请参阅

connect(String, String) 以了解描述符的 格式。

如果指定了缩放比例或均值，最终输入 blob 的计算公式为

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

示例

samples/dnn/colorization.cpp 以及 samples/dnn/openpose.cpp。

setInputShape()

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

Python
	cv.dnn.Net.setInputShape(	inputName, shape	) ->	None

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	) ->	None

设置网络输入伪层的输出名称。

每个网络总是有其特有的、ID 为 0 的网络输入伪层。该层仅存储用户 blob，不进行任何计算。实际上，该层提供了将用户数据传递到网络的唯一方式。与其他层一样，该层可以标记其输出，而此函数提供了一种简单的方法来实现这一点。

setParam() [1/2]

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

内联

Python
	cv.dnn.Net.setParam(	layer, numParam, blob	) ->	None
	cv.dnn.Net.setParam(	layerName, numParam, blob	) ->	None

此函数的调用图

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	) ->	None
	cv.dnn.Net.setParam(	layerName, numParam, blob	) ->	None

为层的学习参数设置新值。

参数

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

另请参阅

Layer::blobs

注意

如果新 blob 的形状与之前的形状不同，则后续的前向传播可能会失败。

setPreferableBackend()

void cv::dnn::Net::setPreferableBackend

(

int

backendId

)

Python
	cv.dnn.Net.setPreferableBackend(	backendId	) ->	None

请求网络在支持的情况下使用特定的计算后端。

参数

[in]

backendId

后端标识符。

另请参阅

后端

setPreferableTarget()

void cv::dnn::Net::setPreferableTarget

(

int

targetId

)

Python
	cv.dnn.Net.setPreferableTarget(	targetId	) ->	None

请求网络在特定的目标设备上进行计算。

参数

[in]

targetId

目标标识符。

另请参阅

目标

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.

友元及相关符号文档

accessor::DnnNetAccessor

friend class accessor::DnnNetAccessor

友元

成员数据文档

impl

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

保护

---

该类的文档由以下文件生成：

• opencv2/dnn/dnn.hpp