深度学习模型部署:OpenCV的DNN模块学习

1.是什么？ 

OpenCV的DNN模块可以用来加载和使用由各种深度学习框架训练的模型，例如TensorFlow, Caffe, Darknet, Torch/PyTorch等。

2.为什么用它？

使用OpenCV DNN模块，可以在不需要安装这些框架的情况下运行深度学习模型，对于部署在较低功耗或限制性环境中的应用程序特别有用。

3.怎么用？

基本步骤：

• 加载模型：使用cv2.dnn.readNetFromXXX()，其中XXX可以是Caffe, TensorFlow, Torch, Darknet或者是onnx等，具体取决于模型格式。

• 设置输入：准备好输入数据，通常需要进行一些预处理，比如缩放、中心化、归一化等。

• 前向传播：执行模型的前向传播过程，获取输出。

• 处理输出：根据需求对输出进行处理，执行后续的处理步骤

示例：

import cv2
import numpy as np

# 加载ONNX模型
net = cv2.dnn.readNetFromONNX('model_path.onnx')

# 设置模型输入，假设输入是224x224的RGB图像
# 这里需要注意OpenCV通常使用BGR格式，根据需要进行转换
image = cv2.imread('path_to_image.jpg')
blob = cv2.dnn.blobFromImage(image, scalefactor=1/255.0, size=(224, 224), mean=(0.485, 0.456, 0.406), swapRB=True, crop=False)
net.setInput(blob)

# 执行前向传播
output = net.forward()

# 处理输出
# 这里的处理取决于模型的具体输出，可能需要进一步的解码或转换
print(output)

4.和其他方案相比的优缺点？

• 只要支持安装opencv就可以用
• 有一定的cpu性能优化但不多