OpenCV4.1.2新增的cv2.dnn_DetectionModel 類的用法

最新版本OpenCV4.1.2，針對深度神經網絡模塊，提供了三個類，通過它們，自動實現輸入圖像預處理與後處理，直接輸出檢測結果，支持圖像分類、對象檢測、圖像分割三種常見的視覺常見任務

分別如下：

cv2.dnn_ClassificationModel
cv2.dnn_DetectionModel
cv2.dnn_SegmentationModel

安裝

網址：https://www.lfd.uci.edu/~gohlke/pythonlibs/#opencv

找到對應版本的whl文件，下載到\Lib\site-packages文件夾下，然後pip install +文件名 完成安裝

cv2.dnn_DetectionModel

以OpenCV自帶的SSD人臉檢測爲例，

1. 獲取模型及權重等參數文件 

首先需要運行：sources\samples\dnn\face_detector文件夾下的

download_weights.py

得到res10_300x300_ssd_iter_140000_fp16.caffemodel文件

2. 模型加載

import cv2
#.caffemodel 和.prototxt在\sources\samples\dnn\face_detector文件夾下可找到
faceDetect=cv2.dnn_DetectionModel('res10_300x300_ssd_iter_140000_fp16.caffemodel','deploy.prototxt')

3. 檢測函數 cv2.dnn_DetectionModel.detect(frame[, confThreshold[, nmsThreshold]])

參數：

• frame: 輸入的圖像
• confThreshold: 用來過濾選擇框的置信度閾值
• numsThreshold: 非極大值抑制中的閾值

返回：

一個元組，包含（classIds, confidences, boxes）

• classIds: 類別索引(在SSD人臉檢測中，0表示無，1表示有)
• confidences: 置信度
• boxes: 檢測框座標，形式爲（x, y, width, height)

e.g.

img=cv2.imread('xiaolixun.jpg')
detections=faceDetect.detect(img)
print(detections)

輸出：

(array([[1]], dtype=int32), array([[0.99480116]], dtype=float32), array([[202,  79,  78,  90]], dtype=int32))

4. 繪製bounding box

#獲取bounding box信息
x,y,width,height=detections[2][0][0:4]
#繪製bounding box
cv2.rectangle(img, (x, y),(x+width, y+height),(0, 0, 255), 2)
cv2.imshow('detect',img)
cv2.waitKey()
cv2.destroyAllWindows()

顯示如下：

補充：

以往利用dnn模塊進行深度學習時

1. 通過net=cv2.dnn.readNetFromCaffe('*','*')加載模型，
2. 利用blob=cv2.dnn.blobFromImage進行圖像預處理，
3. 利用 net.setInput(blob) detections = net.forward() 獲取檢測結果，
4. 最後對detections進行後處理，得到bounding box等相關信息

對比發現新增的API極大地方便了小白調用深度學習相關分類，檢測，分割等模型。

 

 

---

PS:

掃碼關注微信公衆號獲取深度學習數據集，總有一款適合你

我們不生產數據，我們只是數據的搬運工