深度神经网络（DNN）之三（使用Faster-RCNN进行对象检测）

最新推荐文章于 2024-09-09 07:50:37 发布
最新推荐文章于 2024-09-09 07:50:37 发布
阅读量902 收藏 4
点赞数
分类专栏： 人工智能 OpenCV 文章标签： opencv 神经网络
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/qq_44870829/article/details/108668731
版权

Faster-RCNN进行对象检测

Faster-RCNN模型

在这里插入图片描述
在这里插入图片描述

下载权重文件及描述文件

1. 进入网络

https://github.com/opencv/opencv/wiki/TensorFlow-Object-Detection-API
在这里插入图片描述

2. 下载weights文件及raw中下载config文件

注意下载config文件时，要在raw中下载原文件，最好不要自己新建文件将内容直接复制下来，很有可能出现格式不匹配，导致后续加载网络模型时无法加载的问题。
在这里插入图片描述

3. 解决无法打开RAW的问题（无此问题可跳过）

Windows上可以这样办：
上https://www.ipaddress.com查一下raw.githubusercontent.com的ipv4地址，比如我现在查到的是199.232.68.133。
使用管理员权限打开C:\Windows\System32\drivers\etc\hosts文件，添加到最后一行
199.232.68.133 raw.githubusercontent.com
或者管理员权限开或者给个用户写入权限。然后差不多就行了，可能要重启。不过本人使用editplus将其打开并输入后再打开raw.githubusercontent.com就成功了。

4. 进入raw后，右击下载

在这里插入图片描述

5. 下载成功后的权重文件

在这里插入图片描述

6. 将下载的描述文件复制到此文件目录下

在这里插入图片描述

7. 找到此模型对应的标签文件

其中有80个类别，此标签文件在前面的章节googlenet分类中下载的文件里有
在这里插入图片描述
标签内容如下，因其内的类名并不是一行一个，而是多行一个，有规律的分布，故在后面的读取标签文件函数的定义时也会和之前的读取标签文件函数有所不同。
在这里插入图片描述

具体操作步骤

1.加载模型（读取网络信息）

	string bin_model = "D:/OpenCV/project/opencv_tutorial-master/data/models/TensorFlow/faster_rcnn_resnet50_coco_2018_01_28/frozen_inference_graph.pb";		//定义模型权重文件的加载路径
	string pbtxt = "D:/OpenCV/project/opencv_tutorial-master/data/models/TensorFlow/faster_rcnn_resnet50_coco_2018_01_28/faster_rcnn_resnet50_coco_2018_01_28.pbtxt";			//定义模型描述文件的加载路径

	//load DNN model
	Net net = readNetFromTensorflow(bin_model, pbtxt);		//TensorFlow和之前的caffe不同之处在于，参数1：:模型文件，参数2：描述文件

	//设置计算后台（OpenCVdnn模块支持设置不同的计算后台和在不同的设备上进行）
	net.setPreferableBackend(DNN_BACKEND_OPENCV);				//setPreferableBackend实际计算后台，default默认是DNN_BACKEND_OPENCV作为计算后台，使用此就行（也有加速后台ENGINE）
	net.setPreferableTarget(DNN_TARGET_CPU);						//设置在什么设备上进行计算（opencl（需要有interl图形卡）、FPGA、CPU）

	//获取各层信息
	vector<string> layer_names = net.getLayerNames();		//此时我们就可以获取所有层的名称了，有了这些可以将其ID取出
	for (int i = 0; i < layer_names.size(); i++) {
		int id = net.getLayerId(layer_names[i]);			//通过name获取其id
		auto layer = net.getLayer(id);						//通过id获取layer
		printf("layer id:%d,type:%s,name:%s\n", id, layer->type.c_str(), layer->name.c_str());	//将每一层的id，类型，姓名打印出来（可以明白此网络有哪些结构信息了）
	}

输出层网络信息如下
在这里插入图片描述

2.构建输入

  • 在浏览器输入网址https://github.com/opencv/opencv/blob/master/samples/dnn/models.yml，可以查看关于模型的配置参数
    在这里插入图片描述
Mat src = imread("G:/OpenCV/opencv笔记所用图片/magou.jpg");	//plane
	if (src.empty()) {
		cout << "could not load image.." << endl;
		getchar();
		return -1;
	}
	imshow("src", src);

	//构建输入（根据models.yml）
	Mat blob = blobFromImage(src, 1.0, Size(800, 600), Scalar(), true, false);	//交换通道false，是否剪切false
	//上方得到的输入blob变量为4维数据，无法在imagewatch查看其内容
	//将输入变量输入到网络中
	net.setInput(blob);		//输入层名称可以不用写，默认输入第一层，TensorFlow输入名称与caffe不同
  • 原始图片如下
    在这里插入图片描述

3.推测得到输出，并对其降维变形

其输出结果和SSD输出结果相同，都是每个对象对应7个数据
• 输出结果[1x1xNx7], 其中输出的七个维度浮点数如下：
• [image_id, label, conf, x_min, y_min, x_max, y_max]

推测得到单个输出层结果，默认最后输出层结果

//推测结果（下面的操作步骤和SSD检测对象步骤类似，网络输出都为1*1*N*7）
	Mat detection = net.forward();	//不输入名称默认是返回最后一层，TensorFlow最后一层的名称可以查看描述文件
	//上方得到的detection宽高为0（使用imagewatch查看，原因是其为tensor，它的宽高维度等信息都存在size结构中，所以要在下方通过size获取）

上方经网络推测得到的detection 是4维的变量，在imagewatch中无法查看其内容，需要对结果进行降维，才能在imagewatch中查看
并且4维的变量结果不好利用进行解析，需要将其变为单通道N行7列的数组，再对此数组进行后续的结果解析
方法一，使用Mat构造函数进行降维
直接根据此处4位变量中size[2]、size[3]存储的数组的行数、列数，使用Mat的构造函数构造一个新的二维变量，并通过detection.ptr()将4维变量中的数据也拷贝过来，此处生成了一个100行7列的二维数组，里面存储着推测得到的图片信息：

	//cout << detection.size[2] << " " << detection.size[3];		//detection.size[2] 是其行数，detection.size[3]表示列数

	//重新定义一个Mat对象接收
	Mat detectionMat(detection.size[2], detection.size[3], CV_32F, detection.ptr<float>());		//此处是初始化一个行为size[2]，列为size[3]大小，深度为浮点型，数据从detection中获取	
																						//使用imagewatch可以看到7*100的数组，单通道32F深度

使用imagewatch查看结果
在这里插入图片描述

方法二，使用reshape对其降维变形


	Mat detection1 = detection.reshape(1, 1);		//参数1，改变为单通道，参数2，变形成1行n列的
	//可以先转成单通道，1行的数据，查看其总共数量，再根据输出的特点，再reshape一下
	//在imagewatch中可以查看到，输出数组detection1为700*1，此数组共700个数据，根据输出应是7列的，计算要再次将此数组变形成7列，即应变形成100行
	Mat detectionMat = detection1.reshape(1, 100);	//此处使用imagewatch查看就变成100行7列的数组了，后续就可以对此结果进行解析了

reshape输出结果可达到要求
在这里插入图片描述
可以发现上述两种方式得到的输出结果相同，下面就可以对其中的内容进行解析，然后将预测的结果输出或者打印到图片上了

4.解析预测内容并打印

读取标签文件，此标签文件中的类名需要按一定顺序得到，在后续的打印相关类名时会用到。此处读取标签文件的方式与之前googlenet分类读取标签文件方式不同。

std::map<int, string> readLabelMaps();		//函数声明
string label_map = "D:/OpenCV/project/opencv_tutorial-master/data/models/mscoco_label_map.pbtxt";

//定义一个函数专门读取这80个类的文件mscoco_label_map.pbtxt（将里面的类名提取出来）
std::map<int, string> readLabelMaps()
{
	std::map<int, string> labelNames;
	std::ifstream fp(label_map);
	if (!fp.is_open())
	{
		printf("could not open file...\n");
		exit(-1);
	}
	string one_line;
	string display_name;
	while (!fp.eof())
	{
		std::getline(fp, one_line);
		std::size_t found = one_line.find("id:");
		if (found != std::string::npos) {
			int index = found;
			string id = one_line.substr(index + 4, one_line.length() - index);

			std::getline(fp, display_name);
			std::size_t  found = display_name.find("display_name:");

			index = found + 15;
			string name = display_name.substr(index, display_name.length() - index);
			name = name.replace(name.length() - 1, name.length(), "");
			// printf("id : %d, name: %s \n", stoi(id.c_str()), name.c_str());
			labelNames[stoi(id)] = name;
		}
	}
	fp.close();
	return labelNames;
}

解析结果预测的内容，并打印输出

	map<int, string> names = readLabelMaps();		//将标签文件中的类名读入，此类名和index一一对应
	//获取浮点型数据后就可以进行数据的解析了
	float confidence_threshold = 0.8;		//在后面通过此判断合适的结果进行保存(有时某些检测不出，将其调低一点可以显示很多，如0.3)

	//解析输出数据
	//上方获取的detectionMat是100行，7列的，每行对应一个对象
	//输出结果[1x1xNx7], 其中输出的七个维度浮点数如下：
	//[image_id, label, conf, x_min, y_min, x_max, y_max]
	for (int i = 0; i < detectionMat.rows; i++) {
		float score = detectionMat.at<float>(i, 2);			//此处获得score分数
		if (score > confidence_threshold) {					//如果获取的score大于0.8，就将box保存，不要的扔掉
			size_t objIndex = (size_t)(detectionMat.at<float>(i, 1))+1;		//此处是从1开始的，还要加1，就是索引
			//得到四个点的矩形框位置
			float tl_x = detectionMat.at<float>(i, 3)*src.cols;		//x_min(此处detectionMat.at<float>(i, 3)得到的是一个图像的比例值不是真实值，需要变换)
			float tl_y = detectionMat.at<float>(i, 4)*src.rows;		//y_min
			float br_x = detectionMat.at<float>(i, 5)*src.cols;		//x_max
			float br_y = detectionMat.at<float>(i, 6)*src.rows;		//y_max
			//得到box
			Rect box((int)tl_x, (int)tl_y, (int)br_x - tl_x, (int)br_y - tl_y);
			//画矩形
			rectangle(src, box, Scalar(0, 0, 255), 2, 8, 0);
			//找到索引对应的类名
			map<int, string>::iterator it = names.find(objIndex);
			printf("id : %d, display name : %s \n", objIndex, (it->second).c_str());
			//写文字(在box的做上角写文字)
			putText(src, format("score:%2f，%s", score, (it->second).c_str()), box.tl(), FONT_HERSHEY_SIMPLEX, 0.75, Scalar(255, 0, 0), 2, 8);
		}
	}
	imshow("faster-rcnn-detection-demo", src);

结果图像如下：
在这里插入图片描述

完整代码

#include <opencv2/opencv.hpp>
#include <opencv2/dnn.hpp>			//包含dnn模块的头文件
#include <iostream>
#include <fstream>				//文件流进行txt文件读取

using namespace cv;
using namespace cv::dnn;			//包含dnn的命名空间
using namespace std;

std::map<int, string> readLabelMaps();
string label_map = "D:/OpenCV/project/opencv_tutorial-master/data/models/mscoco_label_map.pbtxt";

int main() {

	string bin_model = "D:/OpenCV/project/opencv_tutorial-master/data/models/TensorFlow/faster_rcnn_resnet50_coco_2018_01_28/frozen_inference_graph.pb";		//定义模型权重文件的加载路径
	string pbtxt = "D:/OpenCV/project/opencv_tutorial-master/data/models/TensorFlow/faster_rcnn_resnet50_coco_2018_01_28/faster_rcnn_resnet50_coco_2018_01_28.pbtxt";			//定义模型描述文件的加载路径
	map<int, string> names = readLabelMaps();		//将标签文件中的类名读入，此类名和index一一对应

	//load DNN model
	Net net = readNetFromTensorflow(bin_model, pbtxt);		//TensorFlow和之前的caffe不同之处在于，参数1：:模型文件，参数2：描述文件

	//设置计算后台（OpenCVdnn模块支持设置不同的计算后台和在不同的设备上进行）
	net.setPreferableBackend(DNN_BACKEND_OPENCV);				//setPreferableBackend实际计算后台，default默认是DNN_BACKEND_OPENCV作为计算后台，使用此就行（也有加速后台ENGINE）
	net.setPreferableTarget(DNN_TARGET_CPU);						//设置在什么设备上进行计算（opencl（需要有interl图形卡）、FPGA、CPU）

	//获取各层信息
	vector<string> layer_names = net.getLayerNames();		//此时我们就可以获取所有层的名称了，有了这些可以将其ID取出
	for (int i = 0; i < layer_names.size(); i++) {
		int id = net.getLayerId(layer_names[i]);			//通过name获取其id
		auto layer = net.getLayer(id);						//通过id获取layer
		printf("layer id:%d,type:%s,name:%s\n", id, layer->type.c_str(), layer->name.c_str());	//将每一层的id，类型，姓名打印出来（可以明白此网络有哪些结构信息了）
	}

	Mat src = imread("G:/OpenCV/opencv笔记所用图片/magou.jpg");	//plane
	if (src.empty()) {
		cout << "could not load image.." << endl;
		getchar();
		return -1;
	}
	imshow("src", src);

	//构建输入（根据models.yml）
	Mat blob = blobFromImage(src, 1.0, Size(800, 600), Scalar(), true, false);	//交换通道false，是否剪切false,此处的300*300与models.yml文件有所不同
	net.setInput(blob);		//输入层名称可以不用写，默认输入第一层，TensorFlow输入名称与caffe不同

	//推测结果（下面的操作步骤和SSD检测对象步骤类似，网络输出都为1*1*N*7）
	Mat detection = net.forward();	//不输入名称默认是返回最后一层，TensorFlow最后一层的名称可以查看描述文件
	//上方得到的detection宽高为0（使用imagewatch查看，原因是其为tensor，它的宽高维度等信息都存在size结构中，所以要在下方通过size获取）

	//cout << detection.size[2] << " " << detection.size[3];		//detection.size[2] 是其行数，detection.size[3]表示列数

	//重新定义一个Mat对象接收
	Mat detectionMat(detection.size[2], detection.size[3], CV_32F, detection.ptr<float>());		//此处是初始化一个行为size[2]，列为size[3]大小，深度为浮点型，数据从detection中获取
																								//使用imagewatch可以看到7*100的数组，单通道32F深度

	//Mat detection1 = detection.reshape(1, 1);		//参数1，改变为单通道，参数2，变形成1行n列的
	//可以先转成单通道，1行的数据，查看其总共数量，再根据输出的特点，再reshape一下
	//在imagewatch中可以查看到，输出数组detection1为700*1，此数组共700个数据，根据输出应是7列的，计算要再次将此数组变形成7列，即应变形成100行
	//Mat detectionMat = detection1.reshape(1, 100);	//此处使用imagewatch查看就变成100行7列的数组了，后需就可以对此结果进行解析了

	//获取浮点型数据后就可以进行数据的解析了
	float confidence_threshold = 0.8;		//在后面通过此判断合适的结果进行保存(有时某些检测不出，将其调低一点可以显示很多，如0.3)


	//解析输出数据
	//上方获取的detectionMat是100行，7列的，每行对应一个对象
	//输出结果[1x1xNx7], 其中输出的七个维度浮点数如下：
	//[image_id, label, conf, x_min, y_min, x_max, y_max]
	for (int i = 0; i < detectionMat.rows; i++) {
		float score = detectionMat.at<float>(i, 2);			//此处获得score分数
		if (score > confidence_threshold) {					//如果获取的score大于0.5，就将box保存，不要扔掉
			size_t objIndex = (size_t)(detectionMat.at<float>(i, 1))+1;		//此处是从1开始的，还要加1，就是索引
			//得到四个点的矩形框位置
			float tl_x = detectionMat.at<float>(i, 3)*src.cols;		//x_min(此处detectionMat.at<float>(i, 3)得到的是一个图像的比例值不是真实值，需要变换)
			float tl_y = detectionMat.at<float>(i, 4)*src.rows;		//y_min
			float br_x = detectionMat.at<float>(i, 5)*src.cols;		//x_max
			float br_y = detectionMat.at<float>(i, 6)*src.rows;		//y_max
			//得到box
			Rect box((int)tl_x, (int)tl_y, (int)br_x - tl_x, (int)br_y - tl_y);
			//画矩形
			rectangle(src, box, Scalar(0, 0, 255), 2, 8, 0);
			//找到索引对应的类名
			map<int, string>::iterator it = names.find(objIndex);
			printf("id : %d, display name : %s \n", objIndex, (it->second).c_str());
			//写文字(在box的做上角写文字)
			putText(src, format("score:%2f,%s", score, (it->second).c_str()), box.tl(), FONT_HERSHEY_SIMPLEX, 0.75, Scalar(255, 0, 0), 2, 8);
		}
	}
	imshow("faster-rcnn-detection-demo", src);

	waitKey(0);
	return 0;
}

//定义一个函数专门读取这80个类的文件mscoco_label_map.pbtxt（将里面的类名提取出来）
std::map<int, string> readLabelMaps()
{
	std::map<int, string> labelNames;
	std::ifstream fp(label_map);
	if (!fp.is_open())
	{
		printf("could not open file...\n");
		exit(-1);
	}
	string one_line;
	string display_name;
	while (!fp.eof())
	{
		std::getline(fp, one_line);
		std::size_t found = one_line.find("id:");
		if (found != std::string::npos) {
			int index = found;
			string id = one_line.substr(index + 4, one_line.length() - index);

			std::getline(fp, display_name);
			std::size_t  found = display_name.find("display_name:");

			index = found + 15;
			string name = display_name.substr(index, display_name.length() - index);
			name = name.replace(name.length() - 1, name.length(), "");
			// printf("id : %d, name: %s \n", stoi(id.c_str()), name.c_str());
			labelNames[stoi(id)] = name;
		}
	}
	fp.close();
	return labelNames;
}
吾名招财
关注
专栏目录
MelNet一种用于对象检测的实时深度学习算法 yolov5、EfficientDet 和 Faster-RCNN-MobileNetv3
sybh的博客
05-22 1256
人们观察图像并迅速识别图像中包含的物体，辨别 它们的位置，并理解它们之间的相互作用。人类的视觉 系统表现出快速性和精确性，允许进行复杂的活动，例 如以最小的有意识思考[53]驾驶车辆。近年来，深度学习在解决目标检测、语义分割、行 人再识别、图像检索、异常检测、皮肤病诊断等挑战性 问题方面表现出了巨大的增长。在深度学习中已经定义 了各种类型的神经网络来从数据中学习抽象特征，例如 多层感知器(MLP)、卷积神经网络(CNN)、循环神经网络 (RNN)和生成对抗网络(GAN)。
CNN日志二 对象检测
spisahero的博客
03-15 172
目标检测
文件哈希审计工具md5deep/hashdeep
大学霸__IT达人
09-27 3555
文件哈希审计工具md5deep/hashdeep
探索高效文件哈希对比工具：HashDeep
gitblog_00079的博客
04-13 639
探索高效文件哈希对比工具：HashDeep 项目地址:https://gitcode.com/jessek/hashdeep HashDeep 是一个开源项目（GitCode仓库），它提供了一套强大的命令行工具，用于计算和比较大量文件的哈希值，以检测数据的完整性或查找重复文件。在信息安全、数据备份和存储优化等领域，HashDeep 的功能有着广泛的应用。 技术分析 HashDeep 基于多种哈希算...
最新kali之hashid
vanony的博客
03-09 675
描述：   识别用于加密数据的不同类型的哈希。   hashID是用Python 3.x编写的工具，它支持使用正则表达式识别超过210种唯一的哈希类型。   它能够识别单个散列、解析文件或读取目录中的文件并识别其中的散列。hashID还能够在其输出中包含相应的hashcat模式和/或JohnTheRipper格式。尽管hashID是用Python 3编写的。但它也应该适用于Python 2.7。 选项： -e,--extended 列出所有可能的散列算法，包括加密密码 -m,--mode 在输出中包括
深度学习物体检测（五）——对象检测RCNN系列总结
zchang81的博客
04-10 1156
传统对象检测这一问题基本是遵循着“设计手工特征(Hand-crafted feature)+分类器”的思路，可以认为是计算机用一个小的矩形窗口不断在图像上滑动、缩放，然后用分类器预测当前滑动窗口所在区域是否存在一个感兴趣的对象。 RCNN系列算法的核心思想就是把对象检测转换成了一个图像分类问题。
使用opencv的dnn模块做faster-rcnn目标检测.zip
09-05
Two-stage算法：先进行区域生成（Region Proposal），生成有可能包含待检物体的预选框（Region Proposal），再通过卷积神经网络进行样本分类。常见的Two-stage算法包括R-CNN、Fast R-CNN、Faster R-CNN等。 One-...
opencv的dnn模块做faster-rcnn目标检测python源码+模型+说明.zip
05-02
在这个“opencv的dnn模块做faster-rcnn目标检测python源码+模型+说明.zip”压缩包中，包含了使用OpenCV的DNN模块实现Faster R-CNN（快速区域卷积神经网络）目标检测算法的完整流程，包括Python源代码、预训练模型...
OpenCV调用Faster-RCNN对象检测网络.pdf
03-13
在本文中，我们将深入探讨如何使用OpenCV调用Faster R-CNN对象检测网络，这是一种在计算机视觉领域广泛应用的深度学习模型，用于检测图像中的多种物体。Faster R-CNN的核心在于结合了卷积神经网络（CNN）和区域推荐...
基于OpenCV-DNN的Faster-RCNN目标检测实现
需要远程指导仿真实验、代码有问题的，请后台私信或者关注公众号
05-05 937
Faster-RCNN，将目标检测的四个基本步骤（候选区域生成，特征提取，分类，位置精修）统一到一个深度网络框架之内。Faster-RCNN在多个数据集上表现优秀，且容易进行迁移，对数据集中的目标类进行更改就可以很好的改变测试模型。 本次实验使用OpenCV的DNN模块，使用根据COCO数据集训练好的模型的权重，对test.jpg图片进行目标检测。
MD5、SHA指纹计算工具
09-06
md5deep是一个用来计算机md5值，sha指纹的工具，以确定数据的完整性。记得上次我在网上找了很久，计算MD5值的工具，终于找到了这个，上传来给大家分享。 使用方法： 首先，解压缩会有md5deep.exe,sha*.exe几个文件。 计算MD5值用md5deep.exe。 把这个文件copy到你要计算MD5值的地方－－>运行－－>command(cmd)－－>cd到该文件夹－－>md5deep file [> value.txt]
md5deep and hashdeep:递归计算和匹配加密哈希-开源
05-26
该项目的开发已移至https://github.com/jessek/hashdeep。 本网站仅作历史用途之用。 请访问GitHub网站以获取当前开发信息。 为任意数量的文件计算MD5，SHA-1，SHA-256，Tiger或Whirlpool消息摘要，同时可以选择递归地挖掘目录结构。 也可以将输入文件与各种格式的已知哈希列表进行匹配。
r-cnn 行人检测_了解对象检测和R-CNN。
weixin_26632369的博客
07-20 557
r-cnn 行人检测In recent times we’ve seen airports and railways stations trying to detect whether people are maintaining social distance, wearing masks using cameras. These are real-time videos captured by...
深度学习cnn人脸检测_用于对象检测的深度学习方法：解释了R-CNN
weixin_26752765的博客
09-06 696
深度学习cnn人脸检测 介绍 (Introduction) CNN’s have been extensively used to classify images. But to detect an object in an image and to draw bounding boxes around them is a tough problem to solve. To solve this...
机器学习笔记 - 图解对象检测任务(2)
学以致用 知行合一
05-27 341
经典对象检测器使用两个阶段： 1、在图像中提出类不可知区域； 2、将区域分类为对象类或背景 Examples: Faster R-CNN, R-FCN, Mask-RCNN 一阶段对象检测网络 区域内置于架构中（卷积层），即没有独立的 RPN 基于锚，例如 YOLO、SSD、RetinaNet、EfficientDet 基于点，例如 CornerNet , CenterNet , FCOS
setPreferableBackend和setPreferableTarget
weixin_43996161的博客
02-23 4109
setPreferableBackend和setPreferableTarget 环境 opencv4.4.0 setPreferableBackend()函数原型 /** * @brief Ask network to use specific computation backend where it supported. * @param[in] backendId backend identifier. * @see Backend * * If OpenCV is compiled w
【OpenCV进阶】DNN模型详细解读
欢迎时常光顾我的干货超市，热衷于AIoT！！
07-29 2882
API-blobFormImage reference:OpenCV中blobFromImage函数详细解释 作用：对输入图像进行归一化操作 函数参数如下 Mat cv::dnn::blobFromImage( InputArray image, double scalefactor = 1.0, const Size & size = Size(), const Scalar & mean = Scalar(), bool swapRB = false, bool crop
Opencv C++部署YOLOv3v4
m0_46749624的博客
01-10 2186
一.推理C++源码 0.源码链接 https://learnopencv.com/deep-learning-based-object-detection-using-yolov3-with-opencv-python-c/ 1.初始化参数 //初始化参数 float confThreshold = 0.5; // 置信度阈值 float nmsThreshold = 0.4; // 非极大值抑制阈值 int inpWidth = 416; //网络输入尺寸宽度 int inpHe
EmguCV学习笔记 VB.Net 11.3 DNN其它
最新发布
UruseiBest 的技术专栏
09-09 850
EmguCV是一个基于OpenCV的开源免费的跨平台计算机视觉库,它向C#和VB.NET开发者提供了OpenCV库的大部分功能。教程配套文件及相关说明获得pdf教程和代码。
Python深度神经网络DNN实现进阶
这篇教程是关于使用Python构建深度神经网络（DNN）的延续，主要涵盖了以下几个关键知识点： 1. **数据预处理**： 数据预处理是深度学习的重要步骤。在这个例子中，教程首先导入了`numpy`和`cPickle`库来处理和加载...
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
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

打赏作者

吾名招财

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
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