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。

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
  
• 刚才已经安装好了Anaconda，现在在win程序启动处打开Anaconda Navigatro
  
• 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
  
• 在新建的opencv环境中打开一个命令终端
  
• 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
  
• 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 
  
  

  
  
• 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 
  
  

  
  
  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。
  
  

• 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。
  
• 再试一波：
  
  
  
  

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：

• http://qiita.com/FukuharaYohei/items/5d49938ffd33d198f0c0（需要google翻译）
• http://qingmang.me/articles/-8015587844313365323/量子位期刊
• https://stackoverflow.com/questions/23119413/how-to-install-python-opencv-through-conda
• http://www.pyimagesearch.com/2017/08/21/deep-learning-with-opencv/