OpenCV4学习笔记（69）——dnn模块之基于fast_style模型实现快速图像风格迁移

最新推荐文章于 2023-08-22 21:20:09 发布
最新推荐文章于 2023-08-22 21:20:09 发布
阅读量1k 收藏 3
点赞数 1
分类专栏： 学习笔记 文章标签： 计算机视觉 opencv dnn c++
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/weixin_45224869/article/details/106174590
版权

今天要整理记录的内容是fast_style模型在OpenCV中使用dnn模块进行加载调用，并基于该模型实现快速的图像风格迁移。在该博文中使用到的fast_style模型是基于pytorch框架训练而成的，总共分为九个不同风格的模型，其中的不同风格是在不同艺术作品中提取出来的，咋一看会有些眼熟，然而说不上来是什么画风。。。

具体的图像风格如下：

模型风格（翻译可能有误）
candy糖果
composition_vii康丁斯基的抽象派绘画风格
feathers羽毛
udnie乌迪妮
la_muse缪斯
mosaic镶嵌
the_wave海浪
starry_night星夜
the_scream爱德华·蒙克创作绘画风格（呐喊）

那在这里我们主要是整理fast_style模型在OpenCV中的调用，所以就不去钻研有关艺术范围的问题了。下面通过代码逐步整理记录fast_style模型的调用，注意这里以candy模型为例子，其他模型的调用方法也都是一样的。

首先，加载模型并且设置计算后台和目标设备

	string candy_model_path = "D:/opencv_c++/opencv_tutorial/data/models/fast_style/candy.t7";
	Net candy_net = readNetFromTorch(candy_model_path);
	candy_net.setPreferableBackend(DNN_BACKEND_OPENCV);
	candy_net.setPreferableTarget(DNN_TARGET_CPU);

然后读取要进行风格迁移的图像，将其转换为blob并传入网络的输入层，再进行前向传播

	Mat image = imread("D:/opencv_c++/opencv_tutorial/data/images/小公园.jpg");
	resize(image, image, Size(600, 600));
	Mat inputBlob = blobFromImage(image, 1.0, Size(256, 256), Scalar(103.939, 116.779, 123.68), false, false);
	candy_net.setInput(inputBlob);
	Mat prob = candy_net.forward();

得到前向传播结果矩阵prob后，就需要对其进行解码。这里得到的prob是一个四维的Mat对象，第一维度表示图像的索引，因为传入一张图像所以等于0；第二维度表示输出图像的通道；第三维度表示输出图像的高度；第四维度表示输出图像的宽度。所以我们需要的是第二、三、四个维度的信息，利用获得的输出图像信息来创建一个画布，这个画布就是用来接收风格迁移后的图像。

然后通过for循环来逐一获取prob中三个维度的值，并赋值到画布中相应位置处，从而得到风格迁移后的图像。

				int channels = prob.size[1];
				int height = prob.size[2];
				int width = prob.size[3];
				Mat result = Mat::zeros(Size(width, height), CV_32FC3);
				for (int ch = 0; ch < channels; ch++)
				{
					for (int row = 0; row < height; row++)
					{
						float* prob_ptr = prob.ptr<float>(0, ch, row);
						for (int col = 0; col < width; col++)
						{
							result.at<Vec3f>(row, col)[ch] = prob_ptr[col];
						}
					}
				}

要注意这里得到的风格迁移后的图像还不是最终的图像，因为网络的输出为了减少不同光照情况的影响而减去均值，所以我们需要给这个图像再加上均值，并且归一化到 [ 0 , 255 ] 之间，同时转换为CV_8UC3类型。

这时候我们就得到能显示的不同风格的图像了，但是由于风格迁移后，迁移图像和原图像的差距可能非常的大，甚至会存在噪声，所以我们对迁移图像进行轻微的中值滤波后，将迁移图像和原图像按照一定权重进行加权融合，以达到更好的显示效果。

	add(result, Scalar(103.939, 116.779, 123.68), result);
	normalize(result, result, 0, 255, NORM_MINMAX, CV_8UC3);
	medianBlur(result, result, 3);
	resize(result, result, image.size());
	addWeighted(result, 0.8, image, 0.2, 0.0, result);
	imshow("output", result);

到这里我们就实现了利用单独一个fast_style模型进行快速图像风格迁移的操作，上面提到总共分为九个不同风格的模型，所以我们可以全部都利用起来，实现一个多种风格迁移的效果。代码演示如下：

	string candy_model_path = "D:/opencv_c++/opencv_tutorial/data/models/fast_style/candy.t7";
	Net candy_net = readNetFromTorch(candy_model_path);
	candy_net.setPreferableBackend(DNN_BACKEND_OPENCV);
	candy_net.setPreferableTarget(DNN_TARGET_CPU);

	string composition_vii_model_path = "D:/opencv_c++/opencv_tutorial/data/models/fast_style/composition_vii.t7";
	Net composition_vii_net = readNetFromTorch(composition_vii_model_path);
	composition_vii_net.setPreferableBackend(DNN_BACKEND_OPENCV);
	composition_vii_net.setPreferableTarget(DNN_TARGET_CPU);

	string feathers_model_path = "D:/opencv_c++/opencv_tutorial/data/models/fast_style/feathers.t7";
	Net feathers_net = readNetFromTorch(feathers_model_path);
	feathers_net.setPreferableBackend(DNN_BACKEND_OPENCV);
	feathers_net.setPreferableTarget(DNN_TARGET_CPU);

	string la_muse_model_path = "D:/opencv_c++/opencv_tutorial/data/models/fast_style/la_muse.t7";
	Net la_muse_net = readNetFromTorch(la_muse_model_path);
	la_muse_net.setPreferableBackend(DNN_BACKEND_OPENCV);
	la_muse_net.setPreferableTarget(DNN_TARGET_CPU);

	string mosaic_model_path = "D:/opencv_c++/opencv_tutorial/data/models/fast_style/mosaic.t7";
	Net mosaic_net = readNetFromTorch(mosaic_model_path);
	mosaic_net.setPreferableBackend(DNN_BACKEND_OPENCV);
	mosaic_net.setPreferableTarget(DNN_TARGET_CPU);

	string starry_night_model_path = "D:/opencv_c++/opencv_tutorial/data/models/fast_style/starry_night.t7";
	Net starry_night_net = readNetFromTorch(starry_night_model_path);
	starry_night_net.setPreferableBackend(DNN_BACKEND_OPENCV);
	starry_night_net.setPreferableTarget(DNN_TARGET_CPU);

	string the_scream_model_path = "D:/opencv_c++/opencv_tutorial/data/models/fast_style/the_scream.t7";
	Net the_scream_net = readNetFromTorch(the_scream_model_path);
	the_scream_net.setPreferableBackend(DNN_BACKEND_OPENCV);
	the_scream_net.setPreferableTarget(DNN_TARGET_CPU);

	string the_wave_model_path = "D:/opencv_c++/opencv_tutorial/data/models/fast_style/the_wave.t7";
	Net the_wave_net = readNetFromTorch(the_wave_model_path);
	the_wave_net.setPreferableBackend(DNN_BACKEND_OPENCV);
	the_wave_net.setPreferableTarget(DNN_TARGET_CPU);

	string udnie_model_path = "D:/opencv_c++/opencv_tutorial/data/models/fast_style/udnie.t7";
	Net udnie_net = readNetFromTorch(udnie_model_path);
	udnie_net.setPreferableBackend(DNN_BACKEND_OPENCV);
	udnie_net.setPreferableTarget(DNN_TARGET_CPU);

	Mat image = imread("D:/opencv_c++/opencv_tutorial/data/images/小公园.jpg");
	resize(image, image, Size(600, 600));
	while (image.data != NULL)
	{
		imshow("input_image", image);
		Mat inputBlob = blobFromImage(image, 1.0, Size(256, 256), Scalar(103.939, 116.779, 123.68), false, false);
		char flag = cv::waitKey(1);
		switch (flag)
		{
			case '1':
			{
				candy_net.setInput(inputBlob);
				Mat prob = candy_net.forward();

				int channels = prob.size[1];
				int height = prob.size[2];
				int width = prob.size[3];
				Mat result = Mat::zeros(Size(width, height), CV_32FC3);
				for (int ch = 0; ch < channels; ch++)
				{
					for (int row = 0; row < height; row++)
					{
						float* prob_ptr = prob.ptr<float>(0, ch, row);
						for (int col = 0; col < width; col++)
						{
							result.at<Vec3f>(row, col)[ch] = prob_ptr[col];
						}
					}
				}
				add(result, Scalar(103.939, 116.779, 123.68), result);
				normalize(result, result, 0, 255, NORM_MINMAX, CV_8UC3);
				medianBlur(result, result, 3);
				resize(result, result, image.size());
				addWeighted(result, 0.8, image, 0.2, 0.0, result);
				imshow("output", result);
				break;
			}
			case '2':
			{
				composition_vii_net.setInput(inputBlob);
				Mat prob = composition_vii_net.forward();

				int channels = prob.size[1];
				int height = prob.size[2];
				int width = prob.size[3];
				Mat result = Mat::zeros(Size(width, height), CV_32FC3);
				for (int ch = 0; ch < channels; ch++)
				{
					for (int row = 0; row < height; row++)
					{
						float* prob_ptr = prob.ptr<float>(0, ch, row);
						for (int col = 0; col < width; col++)
						{
							result.at<Vec3f>(row, col)[ch] = prob_ptr[col];
						}
					}
				}
				add(result, Scalar(103.939, 116.779, 123.68), result);
				normalize(result, result, 0, 255, NORM_MINMAX, CV_8UC3);
				medianBlur(result, result, 3);
				resize(result, result, image.size());
				addWeighted(result, 0.8, image, 0.2, 0.0, result);
				imshow("output", result);
				break;
			}
			case '3':
			{
				feathers_net.setInput(inputBlob);
				Mat prob = feathers_net.forward();

				int channels = prob.size[1];
				int height = prob.size[2];
				int width = prob.size[3];
				Mat result = Mat::zeros(Size(width, height), CV_32FC3);
				for (int ch = 0; ch < channels; ch++)
				{
					for (int row = 0; row < height; row++)
					{
						float* prob_ptr = prob.ptr<float>(0, ch, row);
						for (int col = 0; col < width; col++)
						{
							result.at<Vec3f>(row, col)[ch] = prob_ptr[col];
						}
					}
				}
				add(result, Scalar(103.939, 116.779, 123.68), result);
				normalize(result, result, 0, 255, NORM_MINMAX, CV_8UC3);
				medianBlur(result, result, 3);
				resize(result, result, image.size());
				addWeighted(result, 0.8, image, 0.2, 0.0, result);
				imshow("output", result);
				break;
			}
			case '4':
			{
				la_muse_net.setInput(inputBlob);
				Mat prob = la_muse_net.forward();

				int channels = prob.size[1];
				int height = prob.size[2];
				int width = prob.size[3];
				Mat result = Mat::zeros(Size(width, height), CV_32FC3);
				for (int ch = 0; ch < channels; ch++)
				{
					for (int row = 0; row < height; row++)
					{
						float* prob_ptr = prob.ptr<float>(0, ch, row);
						for (int col = 0; col < width; col++)
						{
							result.at<Vec3f>(row, col)[ch] = prob_ptr[col];
						}
					}
				}
				add(result, Scalar(103.939, 116.779, 123.68), result);
				normalize(result, result, 0, 255, NORM_MINMAX, CV_8UC3);
				medianBlur(result, result, 3);
				resize(result, result, image.size());
				addWeighted(result, 0.8, image, 0.2, 0.0, result);
				imshow("output", result);
				break;
			}
			case '5':
			{
				mosaic_net.setInput(inputBlob);
				Mat prob = mosaic_net.forward();

				int channels = prob.size[1];
				int height = prob.size[2];
				int width = prob.size[3];
				Mat result = Mat::zeros(Size(width, height), CV_32FC3);
				for (int ch = 0; ch < channels; ch++)
				{
					for (int row = 0; row < height; row++)
					{
						float* prob_ptr = prob.ptr<float>(0, ch, row);
						for (int col = 0; col < width; col++)
						{
							result.at<Vec3f>(row, col)[ch] = prob_ptr[col];
						}
					}
				}
				add(result, Scalar(103.939, 116.779, 123.68), result);
				normalize(result, result, 0, 255, NORM_MINMAX, CV_8UC3);
				medianBlur(result, result, 3);
				resize(result, result, image.size());
				addWeighted(result, 0.8, image, 0.2, 0.0, result);
				imshow("output", result);
				break;
			}
			case '6':
			{
				starry_night_net.setInput(inputBlob);
				Mat prob = starry_night_net.forward();

				int channels = prob.size[1];
				int height = prob.size[2];
				int width = prob.size[3];
				Mat result = Mat::zeros(Size(width, height), CV_32FC3);
				for (int ch = 0; ch < channels; ch++)
				{
					for (int row = 0; row < height; row++)
					{
						float* prob_ptr = prob.ptr<float>(0, ch, row);
						for (int col = 0; col < width; col++)
						{
							result.at<Vec3f>(row, col)[ch] = prob_ptr[col];
						}
					}
				}
				add(result, Scalar(103.939, 116.779, 123.68), result);
				normalize(result, result, 0, 255, NORM_MINMAX, CV_8UC3);
				medianBlur(result, result, 3);
				resize(result, result, image.size());
				addWeighted(result, 0.8, image, 0.2, 0.0, result);
				imshow("output", result);
				break;
			}
			case '7':
			{
				the_scream_net.setInput(inputBlob);
				Mat prob = the_scream_net.forward();

				int channels = prob.size[1];
				int height = prob.size[2];
				int width = prob.size[3];
				Mat result = Mat::zeros(Size(width, height), CV_32FC3);
				for (int ch = 0; ch < channels; ch++)
				{
					for (int row = 0; row < height; row++)
					{
						float* prob_ptr = prob.ptr<float>(0, ch, row);
						for (int col = 0; col < width; col++)
						{
							result.at<Vec3f>(row, col)[ch] = prob_ptr[col];
						}
					}
				}
				add(result, Scalar(103.939, 116.779, 123.68), result);
				normalize(result, result, 0, 255, NORM_MINMAX, CV_8UC3);
				medianBlur(result, result, 3);
				resize(result, result, image.size());
				addWeighted(result, 0.8, image, 0.2, 0.0, result);
				imshow("output", result);
				break;
			}
			case '8':
			{
				the_wave_net.setInput(inputBlob);
				Mat prob = the_wave_net.forward();

				int channels = prob.size[1];
				int height = prob.size[2];
				int width = prob.size[3];
				Mat result = Mat::zeros(Size(width, height), CV_32FC3);
				for (int ch = 0; ch < channels; ch++)
				{
					for (int row = 0; row < height; row++)
					{
						float* prob_ptr = prob.ptr<float>(0, ch, row);
						for (int col = 0; col < width; col++)
						{
							result.at<Vec3f>(row, col)[ch] = prob_ptr[col];
						}
					}
				}
				add(result, Scalar(103.939, 116.779, 123.68), result);
				normalize(result, result, 0, 255, NORM_MINMAX, CV_8UC3);
				medianBlur(result, result, 3);
				resize(result, result, image.size());
				addWeighted(result, 0.8, image, 0.2, 0.0, result);
				imshow("output", result);
				break;
			}
			case '9':
			{
				udnie_net.setInput(inputBlob);
				Mat prob = udnie_net.forward();

				int channels = prob.size[1];
				int height = prob.size[2];
				int width = prob.size[3];
				Mat result = Mat::zeros(Size(width, height), CV_32FC3);
				for (int ch = 0; ch < channels; ch++)
				{
					for (int row = 0; row < height; row++)
					{
						float* prob_ptr = prob.ptr<float>(0, ch, row);
						for (int col = 0; col < width; col++)
						{
							result.at<Vec3f>(row, col)[ch] = prob_ptr[col];
						}
					}
				}
				add(result, Scalar(103.939, 116.779, 123.68), result);
				normalize(result, result, 0, 255, NORM_MINMAX, CV_8UC3);
				medianBlur(result, result, 3);
				resize(result, result, image.size());
				addWeighted(result, 0.8, image, 0.2, 0.0, result);
				imshow("output", result);
				break;
			}
			case ' ':
			{
				imshow("output", image);
				break;
			}
		default:
			break;
		}
		if (flag == 27)
		{
			break;
		}
	}

那实现的效果如下图所示：

candy效果
在这里插入图片描述
composition_vii效果在这里插入图片描述
feathers效果
在这里插入图片描述
la_muse效果
在这里插入图片描述
mosaic效果
在这里插入图片描述
starry_night效果
在这里插入图片描述
the_scream效果
在这里插入图片描述
the_wave效果
在这里插入图片描述
udnie效果
在这里插入图片描述

上面就是全部九种图像风格啦，有兴趣的朋友可以自己做一下快速图像风格迁移哦，我感觉对于不同图像的迁移效果还是有些许区别的。好的那本次笔记就整理到此结束啦，谢谢阅读~（PS：话说有人知道上图是哪里的景点吗哈哈哈）

PS：本人的注释比较杂，既有自己的心得体会也有网上查阅资料时摘抄下的知识内容，所以如有雷同，纯属我向前辈学习的致敬，如果有前辈觉得我的笔记内容侵犯了您的知识产权，请和我联系，我会将涉及到的博文内容删除，谢谢！

邱小兵
关注
  • 1
    点赞
  • 踩
  • 3
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
(七)OpenCV深度神经网络(DNN)模块_01_使用GoogleNet模型实现图像分类
01-20
DNN模块 图像分类、图像检测、实时对象检测、图像分割、预测、视频对象跟踪 使用googlenet模型实现图像分类 Caffe模型:bvlc_googlenet.caffemodel 描述文件:vblc_googlener.prototxt 标签文件:synset_words.txt 加载...
ArXiv 2020 | 抖音“变身漫画”滤镜背后的技术，难道来自这篇论文？
3D视觉工坊
08-05 2035
点击上方“3D视觉工坊”，选择“星标”干货第一时间送达Few-shot Knowledge Transfer for Fine-grained Cartoon Face Generati...
GAN动漫人像生成实现(附带源码)
热门推荐
iiiiiiimp的博客
07-14 1万+
基于生成对抗网络的人像转卡通像实现写在前面先来看看效果吧大家最想要的项目原理简介插入链接与图片如何插入一段漂亮的代码片生成一个适合你的列表创建一个表格设定内容居中、居左、居右SmartyPants创建一个自定义列表如何创建一个注脚注释也是必不可少的KaTeX数学公式新的甘特图功能，丰富你的文章UML 图表FLowchart流程图导出与导入导出导入 写在前面 博主今年大四毕业单身狗，做这个项目的原因是想送给自己喜欢的一位姑娘一副她本人的漫画图像，顺带完成一下毕业设计。若有任何侵权内容请立即联系本人。话不多说
OpenCV4.0 运行快速风格迁移（Torch）
juebai123的博客
01-18 4299
从《Python 图像风格迁移(模仿名画)》一文中看到 OpenCV 可以运行Torch 模型。也来试试， 先用vs2008编译一个cv3.3, 再下一个"fast-neural-style-master"包，按包中地址下载几个模型，下面是其中一个： "http://cs.stanford.edu/people/jcjohns/fast-neural-style/models/instanc...
深度学习实战8-生活照片转化漫画照片应用
weixin_42878111的博客
10-30 2192
大家好，我是微学AI，今天给大家带来一个生活照片转化漫画照片实战案例。让大家不要花钱去找人设计漫画照片了，这个是设计头像神器，很赶时髦。算法参考论文《CartoonRenderer:An Instance-based Multi-Style Cartoon Image Translator》
太牛了，这个神奇工具让你的照片秒变宫崎骏漫画
机器学习社区
01-14 3494
简介AnimeGANv2 是开源项目 AnimeGAN 的改进版本，可以将图片和视频转换成漫画风格的工具。采用的是神经风格迁移 + 生成对抗网络（GAN）的组合，转换速度快。AnimeGANv2 改进的内容主要包括以下几点：解决生成图像中高频伪影的问题易于训练，能达到对应论文中的效果进一步减少生成器网络的参数数量（生成器大小：8.17Mb），精简版的生成器会更小使用新的高质量风格数据，尽可能来自 BD 电影项目地址是：https://github.com/TachibanaYoshino/AnimeGANv
(七)OpenCV深度神经网络(DNN)模块_03_FCN模型(实现)图像分割、CNN模型预测性别与年龄
01-20
使用模型实现图像分割(支持20个分割标签) 20个分类标签 二进制模型 fcn8s-heavy-pascal.caffemodel 网络描述 fcn8s-heavy-pascal.prototxt 分割信息 pascal-classes.txt #include #include #include //伪代码 using ...
onnx格式的图像风格迁移模型，可用opencv推理完成c++部署
08-22
本模型可利用c++ 和 opencv的dnn模块实现onnx模型推理，适用于新手模型推理练习，模型输入1*3*224*224，图像推理前需要将图像resize到224*224大小
7.图像风格迁移 基于深度学习 python代码实现
05-08
实现基于深度卷集神经网络的图像风格迁移的程序，采用python语言编写代码
OpenCV dnn调用keras生成的深度学习模型，判断图像分类
08-31
利用keras深度学习框架，生成交通标志分类模型h5，转换为tensorflow的深度学习框架pb，在OpenCV中利用dnn调用pb模型并判断交通标志分类
图像风格迁移所用模板-Candy
03-23
OpenCV图像风格迁移所用模板-Candy 使用方法： import cv2 image_file = 'xxx.jpg' #目标文件 model = 'Candy.t7' #模板文件 net = cv2.dnn.readNetFromTorch('models/' + model) image = cv2.imread('images/' + image_file) (h, w) = image.shape[:2] blob = cv2.dnn.blobFromImage(image, 1.0, (w, h), (103.939, 116.779, 123.680), swapRB=False, crop=False) net.setInput(blob) out = net.forward() out = out.reshape(3, out.shape[2], out.shape[3]) out[0] += 103.939 out[1] += 116.779 out[2] += 123.68 out /= 255 out = out.transpose(1, 2, 0) cv2.imshow('Image', out) out *= 255.0 cv2.imwrite('output-' + model + '_' + image_file, out) #输出文件 cv2.waitKey(0) cv2.destroyAllWindows() 该程序可以将Candy.t7模板的风格迁移到xxx.jpg中
mnist数据集.t7格式
01-23
torch框架中load函数加载的图片数据格式。
Candy
10-25
Candy
【机器学习】Tensorflow:理解和实现快速风格化图像fast neural style
artzers的专栏
02-23 1万+
Neural Style开辟了计算机与艺术的道路，可以将照片风格化为名家大师的画风。然而这种方法即使使用GPU也要花上几十分钟。Fast Neural Style则启用另外一种思路来快速构建风格化图像，在笔记本CPU上十几秒就可以风格化一张图片。我们来看看这是什么原理。
(九)图片动漫风格变换、图片卡通风格变换、批量处理、图片转动漫风格、图片转卡通风格、视频转动漫风格、视频转卡通风格
Herbert的博客
11-09 626
本文的代码的功能是：可以对图片文件、视频批量变换成动漫、卡通的风格，共有5种风格可以选择，使用了人工智能的算法。4、风格一共有5种，分别是：通用日漫风格、3D立体风格、素描黑白风格、手绘彩色风格、>艺术范风格。1、对图片、视频进行风格变换，转换成动漫、卡通等风格，并输出变换后的文件；2、可以批量处理，在选择文件的对话框里可以选择多个文件，进行批量操作；3、如果电脑有GPU，则会自动选择GPU处理，加快处理速度；5、信息统计里面可以实时显示处理的各种统计信息；6、视频处理完毕后自动进行音频的处理与合成。
【C++模型部署】OpenCV实现图像风格迁移模型推理
最新发布
zhenzhidemaoyi的博客
08-22 127
利用vs+opencv实现ONNX图像风格迁移模型推理
opencv C++图像风格迁移 深度神经网络模型的使用
程序员，他们想的是什么?他们想的永远都是技术，他们崇尚的也永远都是技术。
04-28 179
风格迁移的也是深度学习中的一个小的计算机视觉任务。目的是将A图像的风格迁移到B图像。风格的定义在在深度学习中可以认为是一些底层的特征。比如纹理特征等。
C++上实现图像风格迁移
mapleleaf2的博客
11-27 1422
C++ VS2019 LibTorch1.7.0cu110 torch1.70.部署图像风格迁移
WebtoonMe：6种风格漫画化自拍，视频也支持！
idol24的博客
02-08 497
丰色 发自 凹非寺 量子位 | 公众号 QbitAI把自拍变漫画：不止支持一种面部风格：任凭小姐姐怎么“全身大比划”，效果都能保持稳定，全程“不掉线”：‍不止人脸，连全身和背景也都全部照顾...
如何正确实现基于 OpenCV dnn 模块的图像分类和目标检测实现方法
04-19
你好，关于 OpenCV dnn 模块的图像分类和目标检测实现方法，您可以使用已经训练好的深度学习模型来实现。具体来说，您可以使用像 YOLO、SSD、Faster R-CNN 这样的深度学习模型来进行图像分类和目标检测。您可以先...

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
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
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