一、图像预处理
将原始图像转换为可以直接输入网络的格式,在进行深度学习时,blobFromImage主要是用来对图片进行预处理。
blobFromImage(InputArray image,
double scalefactor=1.0,
const Size& size = Size(),
const Scalar& mean = Scalar(),
bool swapRB = false,
bool crop = false,
int ddepth = CV_32F)
参数:
image:输入图像(1、3或者4通道)scalefactor:图像各通道数值的缩放比例size:输出图像的空间尺寸,如size=(200,300)表示高h=300,宽w=200mean:用于各通道减去的值,以降低光照的影响(e.g. image为bgr3通道的图像,mean=[104.0, 177.0, 123.0],表示b通道的值-104,g-177,r-123)swapRB:交换RB通道,默认为False.(cv2.imread读取的是彩图是bgr通道)crop:图像裁剪,默认为False.当值为True时,先按比例缩放,然后从中心裁剪成size尺寸ddepth:输出的图像深度,可选CV_32F 或者 CV_8U
返回:
函数返回4D矩阵(没有定义行/列值,因此这些值为-1)
注意:
1. 当同时进行scalefactor,size,mean,swapRB操作时,优先按swapRB交换通道,其次按scalefactor比例缩放,然后按mean求减,最后按size进行resize操作。
2. 当进行减均值操作时,ddepth不能选取CV_8U
3. 当crop=True时,调整输入图像的大小,使调整大小后的一侧等于相应的尺寸,另一侧等于或大于,然后从中心进行裁剪。
4、cv2.dnn.blobFromImages有更少的函数调用开销,能够更快批处理图像或帧。
代码示例:
#include
#include
#include
using namespace std;
using namespace cv;
using namespace cv::dnn;
string path = "img.png"
// 读入原始图片
Mat input_image = readimg(path);
// 归一化+resize+COLOR_BGR2RGB
blobFromImage(input_image, blob, 1. / 255., Size(512, 512), Scalar(), true, false);
二、模型载入(以ONNX为例)
1、读取模型文件
readNet(const String& model,
const String& config = "",
const String& framework = "");
参数:
model:需载入的模型权重文件,适用于以下模型格式(截至opencv4.6版本):
`*.caffemodel` (Caffe, http://caffe.berkeleyvision.org/)
`*.pb` (TensorFlow, https://www.tensorflow.org/)
`*.t7` | `*.net` (Torch, http://torch.ch/) `*.weights` (Darknet, https://pjreddie.com/darknet/) `*.bin` (DLDT, https://software.intel.com/openvino-toolkit) `*.onnx` (ONNX, https://onnx.ai/)
config:网络配置文件,适用以下格式:
`*.prototxt` (Caffe, http://caffe.berkeleyvision.org/) `*.pbtxt` (TensorFlow, https://www.tensorflow.org/) `*.cfg` (Darknet, https://pjreddie.com/darknet/) `*.xml` (DLDT, https://software.intel.com/openvino-toolkit)
framework:用于确定格式的显式框架名称标记
2、将图片输入到DNN网络中
setInput(InputArray blob, const String& name = "",
double scalefactor = 1.0, const Scalar& mean = Scalar());
blob:输入经过blobFromImage处理的图像信息(支持CV_32F和CV_8U位深度)name:输入层的名称,可选scalefactor:标准化参数,可选mean:各通道的平均减法值,可选
3、指定计算后台与设备
setPreferableBackend(int backendId);
setPreferableTarget(int targetId);
参数:
backendId:指定计算后台,可填参数:
DNN_BACKEND_DEFAULT DNN_BACKEND_INFERENCE_ENGINE DNN_BACKEND_OPENCV
targetId:指定计算设备,可填参数:
DNN_TARGET_CPU // 使用CPU推理 DNN_TARGET_OPENCL DNN_TARGET_OPENCL_FP16 DNN_TARGET_MYRIAD DNN_TARGET_FPGA DNN_TARGET_CUDA // 使用GPU推理 DNN_TARGET_CUDA_FP16
支持的后台与设备组合如下:
4、运行前向推理
forward(OutputArrayOfArrays outputBlobs,
const std::vector
参数:
outputBlobs:输入空的vector
注意:
1、forward的函数原型有4个,分别提供了不同的功能,这里暂举了个典型的例子。
2、输出层名称可通过netron查看,或net.getUnconnectedOutLayersNames()获取。
代码示例:
Net net;
net = readNet("./models/XXX.onnx");
// 输入blob格式图片
net.setInput(blob);
// 使用cpu推理
net.setPreferableBackend(DNN_BACKEND_OPENCV);
net.setPreferableTarget(DNN_TARGET_CPU);
// 前向推理
vector
net.forward(outputs, net.getUnconnectedOutLayersNames());
参考链接:
https://blog.csdn.net/a1111111111ss/article/details/106070631
https://blog.csdn.net/weixin_42216109/article/details/103010206
https://blog.csdn.net/weixin_51244852/article/details/119214295
相关链接
发表评论