原文: OpenCV4.X - DNN模塊 Python APIs - AIUAI
OpenCV 4.X 版本集成了很多直接利用 DNN 模塊的 Python API 接口.
安裝：
sudo pip install opencv-python
使用：
from cv2 import dnn
# Variables with simple values
DNN_BACKEND_DEFAULT = 0
DNN_BACKEND_HALIDE = 1
DNN_BACKEND_INFERENCE_ENGINE = 2
DNN_BACKEND_OPENCV = 3
DNN_BACKEND_VKCOM = 4
DNN_TARGET_CPU = 0
DNN_TARGET_MYRIAD = 3
DNN_TARGET_OPENCL = 1
DNN_TARGET_OPENCL_FP16 = 2
DNN_TARGET_VULKAN = 4
__loader__ = None
__spec__ = None
1. dnn.blobFromImage
定義：
def blobFromImage(image,
scalefactor=None,
size=None,
mean=None,
swapRB=None,
crop=None,
ddepth=None):
pass
作用：
根據輸入圖像，創建 NCHW 次序的 4-dim blobs.
參數：
[1] - image: cv2.imread 讀取的圖片數據；
[2] - scalefactor: 縮放像素值，如 [0, 255] - [0, 1].
[3] - size: 輸出圖像的尺寸，如 (netInWidth, netInHeight).
[4] - mean: 從各通道減均值. 如果輸入 image 爲 BGR 次序，且swapRB=True，則通道次序爲 (mean-R, mean-G, mean-B).
[5] - swapRB: 交換 3 通道圖片的第一個和最後一個通道，如 BGR - RGB.
[6] - crop: 圖像尺寸 resize 後是否裁剪. 如果crop=True，則，輸入圖片的尺寸調整resize後，一個邊對應與 size 的一個維度，而另一個邊的值大於等於 size 的另一個維度；然後從 resize 後的圖片中心進行 crop. 如果crop=False，則無需 crop，只需保持圖片的長寬比.
[7] - ddepth: 輸出 blob 的 Depth. 可選: CV_32F 或 CV_8U.
示例：
import cv2
from cv2 import dnn
import numpy as np
import matplotlib.pyplot as plt
img_cv2 = cv2.imread("test.jpg")
print("[INFO]Image shape: ", img_cv2.shape)
inWidth = 256
inHeight = 256
outBlob1 = cv2.dnn.blobFromImage(img_cv2,
scalefactor=1.0 / 255,
size=(inWidth, inHeight),
mean=(0, 0, 0),
swapRB=False,
crop=False)
print("[INFO]outBlob1 shape: ", outBlob1.shape)
outimg1 = np.transpose(outBlob1[0], (1, 2, 0))
outBlob2 = cv2.dnn.blobFromImage(img_cv2,
scalefactor=1.0 / 255,
size=(inWidth, inHeight),
mean=(0, 0, 0),
swapRB=False,
crop=True)
print("[INFO]outBlob2 shape: ", outBlob2.shape)
outimg2 = np.transpose(outBlob2[0], (1, 2, 0))
plt.figure(figsize=[10, 10])
plt.subplot(1, 3, 1)
plt.title('Input image', fontsize=16)
plt.imshow(cv2.cvtColor(img_cv2, cv2.COLOR_BGR2RGB))
plt.axis("off")
plt.subplot(1, 3, 2)
plt.title('Output image - no crop', fontsize=16)
plt.imshow(cv2.cvtColor(outimg1, cv2.COLOR_BGR2RGB))
plt.axis("off")
plt.subplot(1, 3, 3)
plt.title('Output image - crop', fontsize=16)
plt.imshow(cv2.cvtColor(outimg2, cv2.COLOR_BGR2RGB))
plt.axis("off")
plt.show()
2. dnn.blobFromImages
定義：
def blobFromImages(images,
scalefactor=None,
size=None, mean=None,
swapRB=None,
crop=None,
ddepth=None):
pass
作用：
批量處理圖片，創建 4-dim blobs. 其它參數類似於 dnn.blobFromImage.
3. dnn.Net_readFromModelOptimizer
定義：
def Net_readFromModelOptimizer(xml, bin):
pass
作用：
從 Intel’s Model Optimizer intermediate representation 創建網絡.
參數：
[1] - xml: XML 網絡拓撲結果的配置文件.
[2] - bin: 訓練權重值的二值文件.
4. dnn.NMSBoxes
定義：
def NMSBoxes(bboxes,
scores,
score_threshold,
nms_threshold,
eta=None,
top_k=None):
pass
作用：
根據給定的 boxes 和對應的 scores 進行 NMS 處理.
參數：
[1] - boxes: 待處理的邊界框 bounding boxes.
[2] - scores: 對於於待處理邊界框的 scores.
[3] - score_threshold: 用於過濾 boxes 的 score 閾值.
[4] - nms_threshold: NMS 用到的閾值.
[5] - indices: NMS 處理後所保留的邊界框的索引值.
[6] - eta: 自適應閾值公式中的相關係數：
[7] - top_k: 如果 top_k>0，則保留最多 top_k 個邊界框索引值.
5. dnn.NMSBoxesRotated
定義：
def NMSBoxesRotated(bboxes,
scores,
score_threshold,
nms_threshold,
eta=None,
top_k=None):
pass
6. dnn.readNet
定義：
def readNet(model, config=None, framework=None):
pass
作用：
從支持的格式中加載深度學習網絡和模型參數.
參數：
[1] - model: 訓練的權重參數的模型二值文件，支持的格式有：*.caffemodel(Caffe)、*.pb(TensorFlow)、*.t7 或 *.net(Torch)、 *.weights(Darknet)、*.bin(DLDT).
[2] - config: 包含網絡配置的文本文件，支持的格式有：*.prototxt (Caffe)、*.pbtxt (TensorFlow)、*.cfg (Darknet)、*.xml (DLDT).
[3] - framework: 所支持格式的框架名.
該函數自動檢測訓練模型所採用的深度框架，然後調用 readNetFromCaffe、readNetFromTensorflow、readNetFromTorch 或 readNetFromDarknet 中的某個函數.
7. dnn.readNetFromCaffe
定義：
def readNetFromCaffe(prototxt, caffeModel=None):
pass
作用：
加載採用 Caffe 的配置網絡和訓練的權重參數.
7. dnn.readNetFromDarknet
定義：
def readNetFromDarknet(cfgFile, darknetModel=None):
pass
作用：
加載採用 Darknet 的配置網絡和訓練的權重參數.
8. dnn.readNetFromModelOptimizer
定義：
def readNetFromModelOptimizer(xml, bin):
pass
作用：
加載採用Intel’s Model Optimizer intermediate representation 的配置網絡和訓練的權重參數.
9. dnn.readNetFromONNX
定義：
def readNetFromONNX(onnxFile):
pass
作用：
加載 .onnx 模型網絡配置參數和權重參數.
10. dnn.readNetFromTensorflow
定義：
def readNetFromTensorflow(model, config=None):
pass
作用：
加載採用 Tensorflow 的配置網絡和訓練的權重參數.
[1] - model: .pb 文件.
[2] - config: .pbtxt 文件.
11. dnn.readNetFromTorch
定義：
def readNetFromTorch(model, isBinary=None):
pass
作用：
加載採用 Torch 的配置網絡和訓練的權重參數.
[1] - model: 採用 torch.save()函數保存的文件.
所支持的 Torch nn.Module 網絡層有：
- 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
12. dnn.readTensorFromONNX
定義：
def readTensorFromONNX(path):
pass
作用：
從 .pb 文件創建 blob.
[1] - path: 包含 input tensor 的.pb 文件.
13. dnn.resetMyriadDevice
定義：
def resetMyriadDevice():
"""
resetMyriadDevice() -> None
. @brief Release a Myriad device is binded by OpenCV.
. *
. * Single Myriad device cannot be shared across multiple processes which uses
. * Inference Engine's Myriad plugin.
"""
pass
14. dnn.shrinkCaffeModel
定義：
def shrinkCaffeModel(src, dst, layersTypes=None):
pass
作用：
將 Caffe 網絡的所有權重轉換爲半精度浮點數值(half precision floating point).
參數：
[1] - src: Caffe 網路的原始單精度浮點數值權重模型文件(後綴一般爲.caffemodel).
[2] - dst: 轉換後的權重文件.
[3] - layersTypes: 待轉換參數的網絡層類型，默認是隻轉換卷積層和全連接層的權重參數.
15. dnn.writeTextGraph
定義：
def writeTextGraph(model, output):
#note: To reduce output file size, trained weights are not included.
pass
作用：
將以 protocol buffer 格式的二值網絡，創建爲文本表示(Create a text representation for a binary network stored in protocol buffer format.)
參數：
[1] - model: 二值網絡(binary network)的路徑.
[2] - output: 創建的輸出文件路徑.