opencv dnn 使用深度学习前向推理

OpenCV3.3引入了dnn模块,该模块无需额外依赖,支持从Caffe、TensorFlow和Torch导入预训练模型,简化了神经网络的使用。通过一个简单的示例展示了如何使用dnn模块加载GoogLeNet模型并进行前向传播。然而,dnn模块目前仅支持预训练模型的inference,无法进行模型训练。

摘要生成于 C知道 ,由 DeepSeek-R1 满血版支持, 前往体验 >

转自:https://zhuanlan.zhihu.com/p/28323601

https://blog.youkuaiyun.com/qq_30815237/article/details/87914775

刚刚出炉的 OpenCV 3.3 版本增加了符合历史进程的新模块 dnn,也就是深度神经网络。dnn 模块其实很早就存在于 opencv_contrib 项目中,这次提到了主项目里,算是转正了。

小张琢磨了下,这个 dnn 模块的卖点有这么几个:

1)零依赖

只依赖 opencv,如果你被 caffe 虐过,那么就知道零依赖是多么如沐清风。

2)支持导入其他框架的模型

  • Caffe 1
  • TensorFlow
  • Torch/PyTorch

以下网络是经测试可用的:

  • AlexNet
  • GoogLeNet v1 (also referred to as Inception-5h)
  • ResNet-34/50/...
  • SqueezeNet v1.1
  • VGG-based FCN (semantical segmentation network)
  • ENet (lightweight semantical segmentation network)
  • VGG-based SSD (object detection network)
  • MobileNet-based SSD (light-weight object detection network)

3)API 极其简洁

以 GoogLeNet 为例,载入一个网络模型只需要一个函数

#include <opencv2/dnn.hpp>
Net net = dnn::readNetFromCaffe("bvlc_googlenet.prototxt", "bvlc_googlenet.caffemodel");

准备网络的输入数据,GoogLeNet 只接受 224x224 的 RGB 图片,所以多了转尺寸的步骤

Mat img = imread("image.jpg");
Mat inputBlob = blobFromImage(img, 1, Size(224, 224),
                              Scalar(104, 117, 123));

跑一遍网络,取输出结果

Mat prob = net.forward("prob");

结束了,就这么简单!

 

然而它也有一个致命的缺点,只能载入训练好的网络跑一遍 forward pass,不能 train 新的网络。

那有没有办法用 opencv 训练网络呢,答案当然是:

【黑客与画家】@Vinjn张静 的原创技术专栏,关注人工智能 + 视觉计算。

评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值