包 org.opencv.dnn

类 Dnn

  • public class Dnn
extends java.lang.Object

    • 字段详情

      • DNN_BACKEND_DEFAULT

        public static final int DNN_BACKEND_DEFAULT
        另请参阅
        常量字段值

      • DNN_BACKEND_HALIDE

        public static final int DNN_BACKEND_HALIDE
        另请参阅
        常量字段值

      • DNN_BACKEND_INFERENCE_ENGINE

        public static final int DNN_BACKEND_INFERENCE_ENGINE
        另请参阅
        常量字段值

      • DNN_BACKEND_OPENCV

        public static final int DNN_BACKEND_OPENCV
        另请参阅
        常量字段值

      • DNN_BACKEND_VKCOM

        public static final int DNN_BACKEND_VKCOM
        另请参阅
        常量字段值

      • DNN_BACKEND_CUDA

        public static final int DNN_BACKEND_CUDA
        另请参阅
        常量字段值

      • DNN_BACKEND_WEBNN

        public static final int DNN_BACKEND_WEBNN
        另请参阅
        常量字段值

      • DNN_BACKEND_TIMVX

        public static final int DNN_BACKEND_TIMVX
        另请参阅
        常量字段值

      • DNN_BACKEND_CANN

        public static final int DNN_BACKEND_CANN
        另请参阅
        常量字段值

      • DNN_LAYOUT_UNKNOWN

        public static final int DNN_LAYOUT_UNKNOWN
        另请参阅
        常量字段值

      • DNN_LAYOUT_ND

        public static final int DNN_LAYOUT_ND
        另请参阅
        常量字段值

      • DNN_LAYOUT_NCHW

        public static final int DNN_LAYOUT_NCHW
        另请参阅
        常量字段值

      • DNN_LAYOUT_NCDHW

        public static final int DNN_LAYOUT_NCDHW
        另请参阅
        常量字段值

      • DNN_LAYOUT_NHWC

        public static final int DNN_LAYOUT_NHWC
        另请参阅
        常量字段值

      • DNN_LAYOUT_NDHWC

        public static final int DNN_LAYOUT_NDHWC
        另请参阅
        常量字段值

      • DNN_LAYOUT_PLANAR

        public static final int DNN_LAYOUT_PLANAR
        另请参阅
        常量字段值

      • DNN_PMODE_NULL

        public static final int DNN_PMODE_NULL
        另请参阅
        常量字段值

      • DNN_PMODE_CROP_CENTER

        public static final int DNN_PMODE_CROP_CENTER
        另请参阅
        常量字段值

      • DNN_PMODE_LETTERBOX

        public static final int DNN_PMODE_LETTERBOX
        另请参阅
        常量字段值

      • SoftNMSMethod_SOFTNMS_LINEAR

        public static final int SoftNMSMethod_SOFTNMS_LINEAR
        另请参阅
        常量字段值

      • SoftNMSMethod_SOFTNMS_GAUSSIAN

        public static final int SoftNMSMethod_SOFTNMS_GAUSSIAN
        另请参阅
        常量字段值

      • DNN_TARGET_CPU

        public static final int DNN_TARGET_CPU
        另请参阅
        常量字段值

      • DNN_TARGET_OPENCL

        public static final int DNN_TARGET_OPENCL
        另请参阅
        常量字段值

      • DNN_TARGET_OPENCL_FP16

        public static final int DNN_TARGET_OPENCL_FP16
        另请参阅
        常量字段值

      • DNN_TARGET_MYRIAD

        public static final int DNN_TARGET_MYRIAD
        另请参阅
        常量字段值

      • DNN_TARGET_VULKAN

        public static final int DNN_TARGET_VULKAN
        另请参阅
        常量字段值

      • DNN_TARGET_FPGA

        public static final int DNN_TARGET_FPGA
        另请参阅
        常量字段值

      • DNN_TARGET_CUDA

        public static final int DNN_TARGET_CUDA
        另请参阅
        常量字段值

      • DNN_TARGET_CUDA_FP16

        public static final int DNN_TARGET_CUDA_FP16
        另请参阅
        常量字段值

      • DNN_TARGET_HDDL

        public static final int DNN_TARGET_HDDL
        另请参阅
        常量字段值

      • DNN_TARGET_NPU

        public static final int DNN_TARGET_NPU
        另请参阅
        常量字段值

      • DNN_TARGET_CPU_FP16

        public static final int DNN_TARGET_CPU_FP16
        另请参阅
        常量字段值

    • 构造函数详情

      • Dnn

        public Dnn()

    • 方法详情

      • 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)
        读取存储在 <a href="https://pjreddie.com/darknet/">Darknet</a> 模型文件中的网络模型。
        参数
        cfgFile - 包含网络架构文本描述的 .cfg 文件路径。
        darknetModel - 包含学习网络权重的 .weights 文件路径。
        返回
        准备好进行前向传播的网络对象，失败时抛出异常。

      • readNetFromDarknet

        public static Net readNetFromDarknet​(java.lang.String cfgFile)
        读取存储在 <a href="https://pjreddie.com/darknet/">Darknet</a> 模型文件中的网络模型。
        参数
        cfgFile - 包含网络架构文本描述的 .cfg 文件路径。
        返回
        准备好进行前向传播的网络对象，失败时抛出异常。

      • readNetFromDarknet

        public static Net readNetFromDarknet​(MatOfByte bufferCfg,
                                     MatOfByte bufferModel)
        读取存储在 <a href="https://pjreddie.com/darknet/">Darknet</a> 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 - 包含学习网络权重的 .weights 文件内容的缓冲区。
        返回
        Net 对象。

      • readNetFromDarknet

        public static Net readNetFromDarknet​(MatOfByte bufferCfg)
        读取存储在 <a href="https://pjreddie.com/darknet/">Darknet</a> 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。
        返回
        Net 对象。

      • readNetFromCaffe

        public static Net readNetFromCaffe​(java.lang.String prototxt,
                                   java.lang.String caffeModel)
        读取以 <a href="http://caffe.berkeleyvision.org">Caffe</a> 框架格式存储的网络模型。
        参数
        prototxt - 包含网络架构文本描述的 .prototxt 文件路径。
        caffeModel - 包含学习网络权重的 .caffemodel 文件路径。
        返回
        Net 对象。

      • readNetFromCaffe

        public static Net readNetFromCaffe​(java.lang.String prototxt)
        读取以 <a href="http://caffe.berkeleyvision.org">Caffe</a> 框架格式存储的网络模型。
        参数
        prototxt - 包含网络架构文本描述的 .prototxt 文件路径。
        返回
        Net 对象。

      • readNetFromCaffe

        public static Net readNetFromCaffe​(MatOfByte bufferProto,
                                   MatOfByte bufferModel)
        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
        Net 对象。

      • readNetFromCaffe

        public static Net readNetFromCaffe​(MatOfByte bufferProto)
        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
        返回
        Net 对象。

      • readNetFromTensorflow

        public static Net readNetFromTensorflow​(java.lang.String model,
                                        java.lang.String config)
        读取存储在 <a href="https://tensorflowcn.cn/">TensorFlow</a> 框架格式的网络模型。
        参数
        model - 包含网络架构二进制 protobuf 描述的 .pb 文件路径
        config - 包含 protobuf 格式文本图定义的 .pbtxt 文件路径。生成的 Net 对象由文本图使用二进制文件中的权重构建，这使得它更灵活。
        返回
        Net 对象。

      • readNetFromTensorflow

        public static Net readNetFromTensorflow​(java.lang.String model)
        读取存储在 <a href="https://tensorflowcn.cn/">TensorFlow</a> 框架格式的网络模型。
        参数
        model - 包含网络架构二进制 protobuf 描述的 .pb 文件路径。生成的 Net 对象由文本图使用二进制文件中的权重构建，这使得它更灵活。
        返回
        Net 对象。

      • readNetFromTensorflow

        public static Net readNetFromTensorflow​(MatOfByte bufferModel,
                                        MatOfByte bufferConfig)
        读取存储在 <a href="https://tensorflowcn.cn/">TensorFlow</a> 框架格式的网络模型。
        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)
        读取存储在 <a href="https://tensorflowcn.cn/">TensorFlow</a> 框架格式的网络模型。
        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 <a href="https://tensorflowcn.cn/lite">TFLite</a> 框架格式存储的网络模型。
        参数
        model - 包含网络架构二进制 flatbuffers 描述的 .tflite 文件路径
        返回
        Net 对象。

      • readNetFromTFLite

        public static Net readNetFromTFLite​(MatOfByte bufferModel)
        读取以 <a href="https://tensorflowcn.cn/lite">TFLite</a> 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 <a href="https://torch.pytorch.ac.cn">Torch7</a> 框架格式存储的网络模型。
        参数
        model - 使用 torch.save() 函数从 Torch 导出的文件路径。
        isBinary - 指定网络是采用 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，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 模式更可取，因为二进制模式大量使用 C 语言的 long 类型，该类型在不同系统上具有不同的位长度。加载文件必须包含已序列化的 <a href="https://github.com/torch/nn/blob/master/doc/module.md">nn.Module</a> 对象，并导入网络。尝试从序列化数据中删除自定义对象以避免导入错误。支持的层列表（即继承自 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 的这些类的一些等价物也可以成功导入。

      • readNetFromTorch

        public static Net readNetFromTorch​(java.lang.String model,
                                   boolean isBinary)
        读取以 <a href="https://torch.pytorch.ac.cn">Torch7</a> 框架格式存储的网络模型。
        参数
        model - 使用 torch.save() 函数从 Torch 导出的文件路径。
        isBinary - 指定网络是采用 ASCII 模式还是二进制模式序列化的。
        返回
        Net 对象。注意：Torch 序列化程序的 ASCII 模式更可取，因为二进制模式大量使用 C 语言的 long 类型，该类型在不同系统上具有不同的位长度。加载文件必须包含已序列化的 <a href="https://github.com/torch/nn/blob/master/doc/module.md">nn.Module</a> 对象，并导入网络。尝试从序列化数据中删除自定义对象以避免导入错误。支持的层列表（即继承自 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 的这些类的一些等价物也可以成功导入。

      • readNetFromTorch

        public static Net readNetFromTorch​(java.lang.String model)
        读取以 <a href="https://torch.pytorch.ac.cn">Torch7</a> 框架格式存储的网络模型。
        参数
        model - 使用 torch.save() 函数从 Torch 导出的文件路径。
        返回
        Net 对象。注意：Torch 序列化程序的 ASCII 模式更可取，因为二进制模式大量使用 C 语言的 long 类型，该类型在不同系统上具有不同的位长度。加载文件必须包含已序列化的 <a href="https://github.com/torch/nn/blob/master/doc/module.md">nn.Module</a> 对象，并导入网络。尝试从序列化数据中删除自定义对象以避免导入错误。支持的层列表（即继承自 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 的这些类的一些等价物也可以成功导入。

      • 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。对于不同框架的模型，预期文件扩展名为： * *.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。它可以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 - 明确的框架名称标签，用于确定格式。
        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。对于不同框架的模型，预期文件扩展名为： * *.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。它可以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。对于不同框架的模型，预期文件扩展名为： * *.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/) 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 framework,
                          MatOfByte bufferModel,
                          MatOfByte bufferConfig)
        读取以支持格式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)
        读取以支持格式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 Intel 的模型优化器中间表示加载网络。
        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 Intel 模型优化器导入的网络在 Intel 推理引擎后端启动。

      • readNetFromModelOptimizer

        public static Net readNetFromModelOptimizer​(java.lang.String xml)
        从 Intel 的模型优化器中间表示加载网络。
        参数
        xml - 包含网络拓扑的 XML 配置文件。
        返回
        Net 对象。从 Intel 模型优化器导入的网络在 Intel 推理引擎后端启动。

      • readNetFromModelOptimizer

        public static Net readNetFromModelOptimizer​(MatOfByte bufferModelConfig,
                                            MatOfByte bufferWeights)
        从 Intel 的模型优化器中间表示加载网络。
        参数
        bufferModelConfig - 包含网络拓扑的 XML 配置文件的缓冲区。
        bufferWeights - 包含训练权重二进制数据的缓冲区。
        返回
        Net 对象。从 Intel 模型优化器导入的网络在 Intel 推理引擎后端启动。

      • readNetFromONNX

        public static Net readNetFromONNX​(java.lang.String onnxFile)
        读取 <a href="https://onnx.com.cn/">ONNX</a> 网络模型。
        参数
        onnxFile - 包含网络架构文本描述的 .onnx 文件路径。
        返回
        准备好进行前向传播的网络对象，失败时抛出异常。

      • readNetFromONNX

        public static Net readNetFromONNX​(MatOfByte buffer)
        从 <a href="https://onnx.com.cn/">ONNX</a> 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，失败时抛出异常。

      • readTensorFromONNX

        public static Mat readTensorFromONNX​(java.lang.String path)
        从 .pb 文件创建 Blob。
        参数
        path - 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 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
        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 - 标量，包含从通道中减去平均值。如果 image 具有 BGR 排序且 swapRB 为 true，则这些值应按 (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 - 指示图像在调整大小后是否将被裁剪的标志
        ddepth - 输出 blob 的深度。选择 CV_32F 或 CV_8U。如果 crop 为 true，则输入图像将调整大小，使得调整大小后的一侧等于 size 中的相应维度，另一侧等于或大于。然后，执行中心裁剪。如果 crop 为 false，则执行直接调整大小，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

        public static Mat blobFromImage​(Mat image,
                                double scalefactor,
                                Size size,
                                Scalar mean,
                                boolean swapRB,
                                boolean crop)
        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
        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 - 标量，包含从通道中减去平均值。如果 image 具有 BGR 排序且 swapRB 为 true，则这些值应按 (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 - 指示图像在调整大小后是否将被裁剪的标志。如果 crop 为 true，则输入图像将调整大小，使得调整大小后的一侧等于 size 中的相应维度，另一侧等于或大于。然后，执行中心裁剪。如果 crop 为 false，则执行直接调整大小，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

        public static Mat blobFromImage​(Mat image,
                                double scalefactor,
                                Size size,
                                Scalar mean,
                                boolean swapRB)
        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
        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 - 标量，包含从通道中减去平均值。如果 image 具有 BGR 排序且 swapRB 为 true，则这些值应按 (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。如果 crop 为 true，则输入图像将调整大小，使得调整大小后的一侧等于 size 中的相应维度，另一侧等于或大于。然后，执行中心裁剪。如果 crop 为 false，则执行直接调整大小，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

        public static Mat blobFromImage​(Mat image,
                                double scalefactor,
                                Size size,
                                Scalar mean)
        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
        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 - 标量，包含从通道中减去平均值。如果 image 具有 BGR 排序且 swapRB 为 true，则这些值应按 (mean-R, mean-G, mean-B) 顺序排列。在 3 通道图像中是必需的。如果 crop 为 true，则输入图像将调整大小，使得调整大小后的一侧等于 size 中的相应维度，另一侧等于或大于。然后，执行中心裁剪。如果 crop 为 false，则执行直接调整大小，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

        public static Mat blobFromImage​(Mat image,
                                double scalefactor,
                                Size size)
        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
        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 排序且 swapRB 为 true，则应按 (mean-R, mean-G, mean-B) 顺序排列。在 3 通道图像中是必需的。如果 crop 为 true，则输入图像将调整大小，使得调整大小后的一侧等于 size 中的相应维度，另一侧等于或大于。然后，执行中心裁剪。如果 crop 为 false，则执行直接调整大小，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

        public static Mat blobFromImage​(Mat image,
                                double scalefactor)
        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
        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 排序且 swapRB 为 true，则应按 (mean-R, mean-G, mean-B) 顺序排列。在 3 通道图像中是必需的。如果 crop 为 true，则输入图像将调整大小，使得调整大小后的一侧等于 size 中的相应维度，另一侧等于或大于。然后，执行中心裁剪。如果 crop 为 false，则执行直接调整大小，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

        public static Mat blobFromImage​(Mat image)
        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
        image - 输入图像（具有 1、3 或 4 个通道）。如果 image 具有 BGR 排序且 swapRB 为 true，则应按 (mean-R, mean-G, mean-B) 顺序排列。在 3 通道图像中是必需的。如果 crop 为 true，则输入图像将调整大小，使得调整大小后的一侧等于 size 中的相应维度，另一侧等于或大于。然后，执行中心裁剪。如果 crop 为 false，则执行直接调整大小，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

        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 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（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 - 标量，包含从通道中减去平均值。如果 image 具有 BGR 排序且 swapRB 为 true，则这些值应按 (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 - 指示图像在调整大小后是否将被裁剪的标志
        ddepth - 输出 blob 的深度。选择 CV_32F 或 CV_8U。如果 crop 为 true，则输入图像将调整大小，使得调整大小后的一侧等于 size 中的相应维度，另一侧等于或大于。然后，执行中心裁剪。如果 crop 为 false，则执行直接调整大小，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

        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 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（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 - 标量，包含从通道中减去平均值。如果 image 具有 BGR 排序且 swapRB 为 true，则这些值应按 (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 - 指示图像在调整大小后是否将被裁剪的标志。如果 crop 为 true，则输入图像将调整大小，使得调整大小后的一侧等于 size 中的相应维度，另一侧等于或大于。然后，执行中心裁剪。如果 crop 为 false，则执行直接调整大小，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

        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 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（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 - 标量，包含从通道中减去平均值。如果 image 具有 BGR 排序且 swapRB 为 true，则这些值应按 (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。如果 crop 为 true，则输入图像将调整大小，使得调整大小后的一侧等于 size 中的相应维度，另一侧等于或大于。然后，执行中心裁剪。如果 crop 为 false，则执行直接调整大小，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

        public static Mat blobFromImages​(java.util.List<Mat> images,
                                 double scalefactor,
                                 Size size,
                                 Scalar mean)
        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（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 - 标量，包含从通道中减去平均值。如果 image 具有 BGR 排序且 swapRB 为 true，则这些值应按 (mean-R, mean-G, mean-B) 顺序排列。
        scalefactor - images 值的乘数。在 3 通道图像中是必需的。如果 crop 为 true，则输入图像将调整大小，使得调整大小后的一侧等于 size 中的相应维度，另一侧等于或大于。然后，执行中心裁剪。如果 crop 为 false，则执行直接调整大小，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

        public static Mat blobFromImages​(java.util.List<Mat> images,
                                 double scalefactor,
                                 Size size)
        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（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 排序且 swapRB 为 true，则应按 (mean-R, mean-G, mean-B) 顺序排列。
        scalefactor - images 值的乘数。在 3 通道图像中是必需的。如果 crop 为 true，则输入图像将调整大小，使得调整大小后的一侧等于 size 中的相应维度，另一侧等于或大于。然后，执行中心裁剪。如果 crop 为 false，则执行直接调整大小，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

        public static Mat blobFromImages​(java.util.List<Mat> images,
                                 double scalefactor)
        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（所有图像都具有 1、3 或 4 个通道）。如果 image 具有 BGR 排序且 swapRB 为 true，则应按 (mean-R, mean-G, mean-B) 顺序排列。
        scalefactor - images 值的乘数。在 3 通道图像中是必需的。如果 crop 为 true，则输入图像将调整大小，使得调整大小后的一侧等于 size 中的相应维度，另一侧等于或大于。然后，执行中心裁剪。如果 crop 为 false，则执行直接调整大小，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

        public static Mat blobFromImages​(java.util.List<Mat> images)
        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（所有图像都具有 1、3 或 4 个通道）。如果 image 具有 BGR 排序且 swapRB 为 true，则应按 (mean-R, mean-G, mean-B) 顺序排列。在 3 通道图像中是必需的。如果 crop 为 true，则输入图像将调整大小，使得调整大小后的一侧等于 size 中的相应维度，另一侧等于或大于。然后，执行中心裁剪。如果 crop 为 false，则执行直接调整大小，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。

      • blobFromImageWithParams

        public static Mat blobFromImageWithParams​(Mat image,
                                          Image2BlobParams param)
        使用给定参数从图像创建 4 维 blob。此函数是 REF: 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
        image - 输入图像（所有图像都具有 1、3 或 4 个通道）。
        param - Image2BlobParams 结构，包含图像处理到 blob 所需的所有参数。
        返回
        4 维 Mat。

      • blobFromImageWithParams

        public static Mat blobFromImageWithParams​(Mat image)
        使用给定参数从图像创建 4 维 blob。此函数是 REF: 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
        image - 输入图像（所有图像都具有 1、3 或 4 个通道）。
        返回
        4 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)
        使用给定参数从一系列图像创建 4 维 blob。此函数是 REF: 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（所有图像都具有 1、3 或 4 个通道）。
        param - Image2BlobParams 结构，包含图像处理到 blob 所需的所有参数。
        返回
        4 维 Mat。

      • blobFromImagesWithParams

        public static Mat blobFromImagesWithParams​(java.util.List<Mat> images)
        使用给定参数从一系列图像创建 4 维 blob。此函数是 REF: 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（所有图像都具有 1、3 或 4 个通道）。
        返回
        4 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 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
        blob_ - 浮点精度（CV_32F）的 4 维数组（图像、通道、高度、宽度），您希望从中提取图像。
        images_ - 包含从 blob 中提取的浮点精度（CV_32F）图像的 2D Mat 数组。它们既未归一化也未添加平均值。返回图像的数量等于 blob 的第一个维度（批量大小）。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 - 包含单精度浮点权重（通常具有 .caffemodel 扩展名）的 Caffe 框架原始模型的路径。
        dst - 包含更新权重的目标模型的路径。
        layersTypes - 将转换其参数的层类型集。默认情况下，仅转换卷积层和全连接层的权重。注意：缩减后的模型没有原始的 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 fork：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 - 包含单精度浮点权重（通常具有 .caffemodel 扩展名）的 Caffe 框架原始模型的路径。
        dst - 包含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的 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 fork：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 Protocol Buffer 格式存储的二进制网络创建文本表示。
        参数
        model - 二进制网络的路径。
        output - 要创建的输出文本文件的路径。注意：为了减小输出文件大小，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)
        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 - 要应用 NMS 的边界框集。
        scores - 相应的置信度集。
        score_threshold - 用于按得分过滤框的阈值。
        nms_threshold - 用于非极大值抑制的阈值。
        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 &gt;0，则最多保留 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)
        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 - 要应用 NMS 的边界框集。
        scores - 相应的置信度集。
        score_threshold - 用于按得分过滤框的阈值。
        nms_threshold - 用于非极大值抑制的阈值。
        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)
        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 - 要应用 NMS 的边界框集。
        scores - 相应的置信度集。
        score_threshold - 用于按得分过滤框的阈值。
        nms_threshold - 用于非极大值抑制的阈值。
        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)

      • 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)
        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 - 要应用 NMS 的边界框集。
        scores - 相应的置信度集。
        class_ids - 相应的类别 ID 集。ID 为整数，通常从 0 开始。
        score_threshold - 用于按得分过滤框的阈值。
        nms_threshold - 用于非极大值抑制的阈值。
        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 &gt;0，则最多保留 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)
        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 - 要应用 NMS 的边界框集。
        scores - 相应的置信度集。
        class_ids - 相应的类别 ID 集。ID 为整数，通常从 0 开始。
        score_threshold - 用于按得分过滤框的阈值。
        nms_threshold - 用于非极大值抑制的阈值。
        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)
        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 - 要应用 NMS 的边界框集。
        scores - 相应的置信度集。
        class_ids - 相应的类别 ID 集。ID 为整数，通常从 0 开始。
        score_threshold - 用于按得分过滤框的阈值。
        nms_threshold - 用于非极大值抑制的阈值。
        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)
        给定边界框和相应的得分执行软非极大值抑制。参考：https://arxiv.org/abs/1704.04503
        参数
        bboxes - 要应用 Soft NMS 的边界框集。
        scores - 相应的置信度集。
        updated_scores - 相应更新的置信度集。
        score_threshold - 用于按得分过滤框的阈值。
        nms_threshold - 用于非极大值抑制的阈值。
        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)
        给定边界框和相应的得分执行软非极大值抑制。参考：https://arxiv.org/abs/1704.04503
        参数
        bboxes - 要应用 Soft NMS 的边界框集。
        scores - 相应的置信度集。
        updated_scores - 相应更新的置信度集。
        score_threshold - 用于按得分过滤框的阈值。
        nms_threshold - 用于非极大值抑制的阈值。
        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)
        给定边界框和相应的得分执行软非极大值抑制。参考：https://arxiv.org/abs/1704.04503
        参数
        bboxes - 要应用 Soft NMS 的边界框集。
        scores - 相应的置信度集。
        updated_scores - 相应更新的置信度集。
        score_threshold - 用于按得分过滤框的阈值。
        nms_threshold - 用于非极大值抑制的阈值。
        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。
        返回推理引擎内部后端 API。请参阅 CV_DNN_BACKEND_INFERENCE_ENGINE_* 宏的值。自 4.6.0 起，OPENCV_DNN_BACKEND_INFERENCE_ENGINE_TYPE 运行时参数（环境变量）被忽略。
        返回
        自动生成

      • setInferenceEngineBackendType

        @Deprecated
public static java.lang.String setInferenceEngineBackendType​(java.lang.String newBackendType)
        已弃用。
        指定推理引擎内部后端 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 设备无法在多个使用推理引擎 Myriad 插件的进程之间共享。

      • getInferenceEngineVPUType

        public static java.lang.String getInferenceEngineVPUType()
        返回推理引擎 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()
        返回推理引擎 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。