win10中Anaconda(Python3.6)配置OpenCV3.3+深度神经网络实现

OpenCV3.3的发布带来的深度学习dnn模块的支持,模块支持

  • Caffe
  • Tensorflow
  • Torch

等多个深度学习框架,并且有多个网络API接口

  • GoogleLeNet
  • AlexNet
  • SqueezeNet
  • VGGNet
  • ResNet

等等。贡献者Rynikov Alexander对项目的详细介绍可以点击:这里查看。但是是用俄语写的,可以谷歌翻译来看。以下是不同网络的性能对比(翻译的不太好),另有官方链接,有很详细的功能说明和代码解释。
不同网咯的性能对比
废话不多说,以下是我Anaconda(Python3.6)中配置OpenCV3.3的过程,以及深度神经网络示例程序的实现。

一、Anaconda安装

windows中安装十分简单,下载对应版本,根据官网指南安装即可,不再赘述。

二、opencv3.3安装

要在Anaconda中安装opencv3.3需要先下载安装包,然后启动Anaconda虚拟环境,利用pip命令即可安装。

  • opencv3.3下载地址:http://www.lfd.uci.edu/~gohlke/pythonlibs/#opencv
  • 选择相应版本,我根据系统选择64位python3.6的
    opencv3.3
  • 刚才已经安装好了Anaconda,现在在win程序启动处打开Anaconda Navigatro
    打开
  • 创建一个运行环境,选择python对应版本,起名opencv,我这里选择python3.6
    这里写图片描述
  • 在新建的opencv环境中打开一个命令终端
    这里写图片描述
  • 在新打开的终端中,进入下载的opencv安装文件,执行pip安装,安装成功,没有什么问题
    这里写图片描述
  • 接下来要安装numpy和matplotlib,分别执行下列代码进行安装
     
    pip install numpy
    pip install matplotlib

    这里写图片描述
  • 目前位置,已经完成了Anaconda的opencv3.3的安装,在终端中运行测试,可以看出,链接库成功,打印出了3.3版本
     
    import cv2

    这里写图片描述
    注:这种安装方式,只能在刚才创建的名为opencv的Anaconda环境中能使用,在普通cmd命令窗口不能使用opencv,原因是要另外配置环境变量,因为我的电脑里已经有一个opencv2.4.13了,为了避免两者混淆,我只在这个环境里使用。

三、深度神经网络的实现

官网给出了示例代码,下载下来,跑一跑。

  • 官网地址http://www.pyimagesearch.com/2017/08/21/deep-learning-with-opencv/
  • 在页面最下面填写邮箱地址,根据提示步骤可以直接获取示例程序源代码
  • 获取源代码以后,解压,可以看到里面有写好的示例程序和测试图片
  • 打开新建的名为opencv的环境里的终端,进入刚才下载的文件夹内,执行以下命令:
python deep_learning_with_opencv.py --image images/vending_machine.png --prototxt bvlc_googlenet.prototxt --model bvlc_googlenet.caffemodel --labels synset_words.txt

  • 可以看到,终端上输出了对物体识别的得分情况,并且在图片上打上了识别效果。
    这里写图片描述
    这里写图片描述

  • 我在网上下载了一个图片,放在文件夹里面,再进行一波测试

python deep_learning_with_opencv.py --image images/dog.png --prototxt bvlc_googlenet.prototxt --model bvlc_googlenet.caffemodel --labels synset_words.txt

  • 可见竟然将这只狗识别成了狼,输出的第二排名才是狗。
    这里写图片描述
  • 再试一波:
    这里写图片描述
    这里写图片描述
    这里写图片描述
    这里写图片描述

可见,有些识别的效果有点不忍直视,但是有些结果还是很不错了。而且速度也很快,这次识别所用的是googlelenet的caffe模型,也只能用跑好的网络来forward,想用opencv来训练估计还是不太行。总之,opencv提供的这个接口算是给全民ai做了不小贡献呢!

四、函数框架简介

  • 在dnn中从磁盘加载图片:
    cv2.dnn.blobFromImage
    cv2.dnn.blobFromImages
  • 用“create”方法直接从各种框架中导出模型:
    cv2.dnn.createCaffeImporter
    cv2.dnn.createTensorFlowImporter
    cv2.dnn.createTorchImporter
  • 使用“读取”方法从磁盘直接加载序列化模型:
    cv2.dnn.readNetFromCaffe
    cv2.dnn.readNetFromTensorFlow
    cv2.dnn.readNetFromTorch
    cv2.dnn.readhTorchBlob

从磁盘加载完模型之后,可以用.forward方法来向前传播我们的图像,获取分类结果

参考:

评论 10
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