2017年8月发布的OpenCV 3.3正式带来了高度改进的深度学习dnn模块。 该模块现在持许多深度学习框架，包括Caffe，TensorFlow和Torch/PyTorch。该API可C ++可在Python中调用，很容易磁盘加载模型；预处理输入图像；通过网络传递图像并获取输出分类。 本文演示如何在ImageNet数据集上使用预先训练的深度学习网络并将其应用于输入图像。 使用OpenCV进行深度学习 我们将使用OpenCV和GoogleLeNet（在ImageNet上预先训练）来对图像进行分类。 OpenCV 3.3中的深度学习 自版本v3.1起，OpenCV的dnn模块已成为opencv_contrib库的一部分。在OpenCV 3.3中，它包含在主库中。使用OpenCV 3.3，我们可以利用流行的深度学习框架预先训练好的网络。与OpenCV 3.3兼容的流行网络架构包括：GoogleLeNet、AlexNet、SqueezeNet和VGGNet、RESNET。 参考： https://github.com/opencv/opencv/tree/master/modules/dnn 发布文档 https://habr.com/company/intel/blog/333612/ 俄语 OpenCV深度学习功能和框架 OpenCV 3.3支持 Caffe, TensorFlow和 Torch/PyTorch 框架。目前不支持Keras（因为Keras实际上是TensorFlow和Theano等包装器），但是由于深度学习库的普及，Keras 直接支持只是时间问题。 使用OpenCV 3.3，我们可以使用dnn中的以下函数从磁盘加载图像： cv2.dnn.blobFromImage cv2.dnn.blobFromImages 我们可以通过create方法直接从各种框架导入模型： cv2.dnn.createCaffeImporter cv2.dnn.createTensorFlowImporter cv2.dnn.createTorchImporter 使用read方法直接从磁盘加载序列化模型更容易： cv2.dnn.readNetFromCaffe cv2.dnn.readNetFromTensorFlow cv2.dnn.readNetFromTorch cv2.dnn.readhTorchBlob 加载模型后，.forward方法用于向前传播我们的图像并获得实际的分类。 使用深度学习和OpenCV对图像进行分类 GoogLeNet 的参考： Going deeper with convolutions 加载预先训练好的Caffe模型，并使用它来使用OpenCV对图像进行分类。 代码参见： https://github.com/china-testing/python-api-tesing/blob/master/practices/cv/deep_learning_with_opencv.py 执行示例 $ python deep_learning_with_opencv.py –image images/jemma.png …
Read more “opencv3.3基于GoogleLeNet模型识别图片”
