OpenCV4.X - DNN模块 Python APIs

原文: OpenCV4.X - DNN模块 Python APIs - AIUAI

OpenCV 4.X 版本集成了很多直接利用 DNN 模块的 Python API 接口.

安装:

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

定义:

def blobFromImage(image, 
                  scalefactor=None, 
                  size=None, 
                  mean=None, 
                  swapRB=None, 
                  crop=None, 
                  ddepth=None): 
    pass

作用:

根据输入图像,创建 NCHW 次序的 4-dim blobs.

参数:

[1] - image: cv2.imread 读取的图片数据;

[2] - scalefactor: 缩放像素值,如 [0, 255] - [0, 1].

[3] - size: 输出图像的尺寸,如 (netInWidth, netInHeight).

[4] - mean: 从各通道减均值. 如果输入 image 为 BGR 次序,且swapRB=True,则通道次序为 (mean-R, mean-G, mean-B).

[5] - swapRB: 交换 3 通道图片的第一个和最后一个通道,如 BGR - RGB.

[6] - crop: 图像尺寸 resize 后是否裁剪. 如果crop=True,则,输入图片的尺寸调整resize后,一个边对应与 size 的一个维度,而另一个边的值大于等于 size 的另一个维度;然后从 resize 后的图片中心进行 crop. 如果crop=False,则无需 crop,只需保持图片的长宽比.

[7] - ddepth: 输出 blob 的 Depth. 可选: 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

定义:

def blobFromImages(images, 
                   scalefactor=None, 
                   size=None, mean=None, 
                   swapRB=None, 
                   crop=None, 
                   ddepth=None): 
    pass

作用:

批量处理图片,创建 4-dim blobs. 其它参数类似于 dnn.blobFromImage.

3. dnn.Net_readFromModelOptimizer

定义:

def Net_readFromModelOptimizer(xml, bin):
    pass

作用:

从 Intel’s Model Optimizer intermediate representation 创建网络.

参数:

[1] - xml: XML 网络拓扑结果的配置文件.

[2] - bin: 训练权重值的二值文件.

4. dnn.NMSBoxes

定义:

def NMSBoxes(bboxes, 
             scores, 
             score_threshold, 
             nms_threshold, 
             eta=None, 
             top_k=None): 
    pass

作用:

根据给定的 boxes 和对应的 scores 进行 NMS 处理.

参数:

[1] - boxes: 待处理的边界框 bounding boxes.

[2] - scores: 对于于待处理边界框的 scores.

[3] - score_threshold: 用于过滤 boxes 的 score 阈值.

[4] - nms_threshold: NMS 用到的阈值.

[5] - indices: NMS 处理后所保留的边界框的索引值.

[6] - eta: 自适应阈值公式中的相关系数:nms_thresholdi+1=eta⋅nms_thresholdinms\_threshold_{i+1} = eta \cdot nms\_threshold_inms_thresholdi+1​=eta⋅nms_thresholdi​

[7] - top_k: 如果 top_k>0,则保留最多 top_k 个边界框索引值.

5. dnn.NMSBoxesRotated

定义:

def NMSBoxesRotated(bboxes, 
                    scores, 
                    score_threshold, 
                    nms_threshold, 
                    eta=None, 
                    top_k=None):
    pass

6. dnn.readNet

定义:

def readNet(model, config=None, framework=None):
    pass

作用:

从支持的格式中加载深度学习网络和模型参数.

参数:

[1] - model: 训练的权重参数的模型二值文件,支持的格式有:*.caffemodel(Caffe)、*.pb(TensorFlow)、*.t7*.net(Torch)、 *.weights(Darknet)、*.bin(DLDT).

[2] - config: 包含网络配置的文本文件,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.

该函数自动检测训练模型所采用的深度框架,然后调用 readNetFromCaffereadNetFromTensorflowreadNetFromTorchreadNetFromDarknet 中的某个函数.

7. dnn.readNetFromCaffe

定义:

def readNetFromCaffe(prototxt, caffeModel=None): 
    pass

作用:

加载采用 Caffe 的配置网络和训练的权重参数.

7. dnn.readNetFromDarknet

定义:

def readNetFromDarknet(cfgFile, darknetModel=None):
    pass

作用:

加载采用 Darknet 的配置网络和训练的权重参数.

8. dnn.readNetFromModelOptimizer

定义:

def readNetFromModelOptimizer(xml, bin): 
    pass

作用:

加载采用Intel’s Model Optimizer intermediate representation 的配置网络和训练的权重参数.

9. dnn.readNetFromONNX

定义:

def readNetFromONNX(onnxFile):
    pass

作用:

加载 .onnx 模型网络配置参数和权重参数.

10. dnn.readNetFromTensorflow

定义:

def readNetFromTensorflow(model, config=None):
    pass

作用:

加载采用 Tensorflow 的配置网络和训练的权重参数.

[1] - model: .pb 文件.

[2] - config: .pbtxt 文件.

11. dnn.readNetFromTorch

定义:

def readNetFromTorch(model, isBinary=None): 
    pass

作用:

加载采用 Torch 的配置网络和训练的权重参数.

[1] - model: 采用 torch.save()函数保存的文件.

所支持的 Torch nn.Module 网络层有:

- 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

定义:

def readTensorFromONNX(path):
    pass

作用:

.pb 文件创建 blob.

[1] - path: 包含 input tensor 的.pb 文件.

13. dnn.resetMyriadDevice

定义:

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

定义:

def shrinkCaffeModel(src, dst, layersTypes=None):
    pass

作用:

将 Caffe 网络的所有权重转换为半精度浮点数值(half precision floating point).

参数:

[1] - src: Caffe 网路的原始单精度浮点数值权重模型文件(后缀一般为.caffemodel).

[2] - dst: 转换后的权重文件.

[3] - layersTypes: 待转换参数的网络层类型,默认是只转换卷积层和全连接层的权重参数.

15. dnn.writeTextGraph

定义:

def writeTextGraph(model, output):
    #note: To reduce output file size, trained weights are not included.
    pass

作用:

将以 protocol buffer 格式的二值网络,创建为文本表示(Create a text representation for a binary network stored in protocol buffer format.)

参数:

[1] - model: 二值网络(binary network)的路径.

[2] - output: 创建的输出文件路径.

本文参与腾讯云自媒体分享计划,欢迎正在阅读的你也加入,一起分享。

发表于

我来说两句

0 条评论
登录 后参与评论

扫码关注云+社区

领取腾讯云代金券