Layer = cv2.getLayernames()

最新推荐文章于 2022-05-07 13:39:08 发布
最新推荐文章于 2022-05-07 13:39:08 发布
阅读量1.2k 收藏
点赞数 1
分类专栏： MachineLearning 文章标签： Layer = cv2.getLayernames() darknet
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/xiqi4145/article/details/103439240
版权

打印了一下opencv集成的darknet网络结构，存一下，做个记录

Layer = cv2.getLayernames()
print(Layer)

 

print(net.getUnconnectedOutLayers())

 返回的是200,227,254

ln = net.getLayerNames()
ln = [ln[i[0] - 1] for i in net.getUnconnectedOutLayers()]

这里取得是：82,94,106

独孤的大山猫
关注
  • 1
    点赞
  • 踩
  • 0
    收藏
    觉得还不错? 一键收藏
  • 2
    评论
专栏目录
layer.js下载layer.js下载
01-17
layer.js下载layer.js下载layer.js下载layer.js下载layer.js下载layer.js下载layer.js下载layer.js下载layer.js下载layer.js下载layer.js下载layer.js下载layer.js下载layer.js下载layer.js下载layer.js下载layer.js...
web弹窗插件layer.js
02-24
layer.js是一款近年来备受青睐的web弹层组件,操作简单，轻松上手。 在与同类弹出层插件的比较中，layer是比叫好用的插件。轻量级的前端插件，且注重性能的提升、易用和实用性。 1、layer.js依赖jquery <script type=...
Opencv获取导入DNN模型的各层信息
求真、务实
07-11 2344
1_Opencv获取导入DNN模型的各层信息一、代码1、C++代码2、Python代码二、相关说明1、支持深度学习框架2、导入模型的有三个参数 一、代码 1、C++代码 #include <opencv2/opencv.hpp> #include <opencv2/dnn.hpp> #include <iostream> using namespace cv;...
opencv dnn模块 Net Layer
热爱生活，忠于自己
01-31 3917
opencv dnn模块 Net Layer简单介绍
net.getUnconnectedOutLayers()报错IndexError: invalid index to scalar variable.
weixin_43745234的博客
05-07 5473
使用opencv内置的YOLOv3做检测时报错IndexError: invalid index to scalar variable.即标量用了无效的索引。 原代码 ln = net.getLayerNames() ln = [ln[i[0] - 1] for i in net.getUnconnectedOutLayers()] 对ln和net.getUnconnectedOutLayers()进行打印输出，发现ln = [ln[i[0] - 1] for i in net.getUnconnecte
AI队列长度检测：使用YOLO进行图像中的对象检测
寒冰屋的专栏
12-05 1319
目录 YOLO简介 创建和加载模型 预处理输入 获取边界框 下一步是什么？ 下载源219 MB 在本系列的前几篇文章中，我们从头开始实现了对象检测。我们观察到从头训练模型需要大量的计算资源和时间。这些算法训练和测试都很慢，几乎不可能实时有效地实现它们。将我们的注意力转移到面向速度的解决方案上，“一次只看一次（YOLO）”是当今最流行的对象检测方法。 YOLO简介 顾名思义，YOLO只需要向前传播即可检测给定图像中的物体。相同的属性使YOLO能够以最小的延迟处理实时视频，同时保持合理的准确性。
output_layers_names = [layersNames[i[0]-1] for i in net.getUnconnectedOutLayers()]报错
lc_MVP的博客
03-07 4851
如标题，在用opencv调用yolov3的权重文件，获取三个尺度输出层的名称时出现了这个错误。 改为： output_layers_names = [layersNames[i-1] for i in net.getUnconnectedOutLayers()] 即可完美运行。
netfilter-layer7-v2.23.tar.gz_V2
09-20
给内核打上补丁，加上七层防火墙，重新启动新内核，实现软件封堵
layer.open关闭父窗口 以及调用父页面的方法
10-18
在网页开发中，有时我们需要创建弹出层（popup）来展示一些信息或者进行交互操作，layer.js 是一个常用的前端弹层组件，它提供了丰富的弹出层样式和功能。本篇文章将详细讲解如何使用 layer.open 创建弹窗，并在弹窗...
智慧交通day02-车流量检测实现12：基于yoloV3的目标检测
小李的研究生学习日记
11-15 6941
在这里我们进行的目标检测是基于OPenCV的利用yoloV3进行目标检测，不涉及yoloV3的模型结构、理论及训练过程，只是利用训练好的模型进行目标检测，整个流程如下： 基于OPenCV中的DNN模块 加载已训练好的yolov3模型及其权重参数 将要处理的图像转换成输入到模型中的blobs 利用模型对目标进行检测 遍历检测结果 应用非极大值抑制 绘制最终检测结果，并存入到ndarray中，供目标追踪使用。 代码如下： 1.加载yolov3模型及其权重参数 # 1.加载可以识别物体的名称，
python 实现显著性检测_使用python轻松实现高大上的YOLOV4对象检测算法
weixin_39755853的博客
11-23 1115
YOLO系列对象检测算法，算是人工智能技术领域的一匹黑马，当开发者宣布不再为YOLO系列检测算法更新时，很多开发者瞬间失去了”精神食粮“。突然，当YOLOV4检测算法发布的时候，让很多开发者喜出望外。YOLOV4对象检测YOLOV4对象检测算法综述：COCO 模型上的检测数据43.5%mAP+65FPS 精度速度最优平衡,YOLOV4无论是在速度上，还是在精度上，都绝对碾压很多对象检测算...
【opencv调用yolov3报错IndexError: invalid index to scalar variable】
technologist_41的博客
04-30 3195
用opencv调用yolov3的权重文件，获取三个尺度输出层的名称时报错 ln = [ln[i[0] - 1] for i in net.getUnconnectedOutLayers()] 报错 IndexError: invalid index to scalar variable. 这个代码是几年前的，可能是版本的问题现在会报错 解决方法： [0]去掉改成 ln = [ln[i - 1] for i in net.getUnconnectedOutLayers()] ...
【yolov3目标检测】(3) opencv+yolov3 检测交通路况，附python完整代码
博观而约取，厚积而薄发
01-12 8745
各位同学好，今天和大家分享一下如何使用 opencv 调用 yolov3 模型，加载网络权重，很方便地实现 yolov3 目标检测。先放张图看效果。 使用的网上找的行车记录仪视频做测试，数据集采用COCO数据集，检测效果还是不错的。 1. 预先准备 首先需要导入 COCO 数据集的分类名文件 'coco.names'，以及yolov3的网络结构 'yolo.cfg'，网络的权重参数 'yolo.weights'，这些文件以及本案例的代码我给大家都提供好了，有需要的自取。 链接：https://p
OpenCV DNN模块 获取导入模型各层信息
不忘初心~
08-09 1340
OpenCV DNN模块 获取导入模型各层信息
keras 获取指定层的输出model.get_layer(p_name).output
热门推荐
shuijinghua的博客
08-14 1万+
在keras中,要想获取层的输出的各种信息,可以先获取层对象,再通过层对象的属性output或者output_shape获取层输出的其他特性. 获取层对象的方法为: def get_layer(self, name=None, index=None): 函数功能:根据层的名称(这个名称具有唯一性)或者索引号检索层.若同时提供了名字name和索引好index,则以索引号为准. 检索是水平...
基于OpenCV的dnn模块使用YOLOv3进行目标检测
A_L_A_N
01-11 7086
0、说明： 测试的opencv版本为opencv3.4.5 电脑cup：intel 4代i5(4200U) 1、YOLO介绍： YOLO详解（知乎） 2、下载yolov3的配置文件： wget https://github.com/pjreddie/darknet/blob/master/data/coco.names?raw=true -O ./coco.names wget ht...
基于python3的tkinter和scapy可视化报文构造工具（七）
ftzchina的博客
02-19 3185
本篇将主要讲述如何利用scapy模块来修改http报文的ip，host，ua信息。 首先看一下修改http报文的界面 由于ip地址有源IP和目的IP，界面提供了连个IP修改的输入框。如果只修改一个，另外一组IP可不填写。另外我们还给出了一个修改后的报文保存的路径，即sava pcap path对应的路径。界面的具体实现在前面的文章中已经做过详细的介绍，在此就不重复了。 下面将详细讲述如何利用scapy来修改IP，host和UA ip_layer = pcap.getlayer('IP') 通
python下使用cv2调用darknet
最新发布
05-20
要使用OpenCV调用Darknet，需要先编译Darknet库，然后使用OpenCV调用Darknet库中的函数。 以下是一个简单的示例代码，演示了如何使用OpenCV调用Darknet进行目标检测： ``` import cv2 import numpy as np # 加载Darknet库 net = cv2.dnn.readNetFromDarknet("yolov3.cfg", "yolov3.weights") # 加载类别标签 classes = [] with open("coco.names", "r") as f: classes = [line.strip() for line in f.readlines()] # 加载图像 img = cv2.imread("test.jpg") # 将图像传递给Darknet进行目标检测 blob = cv2.dnn.blobFromImage(img, 1/255.0, (416, 416), swapRB=True, crop=False) net.setInput(blob) layer_names = net.getLayerNames() output_layers = [layer_names[i[0] - 1] for i in net.getUnconnectedOutLayers()] outputs = net.forward(output_layers) # 处理检测结果 boxes = [] confidences = [] class_ids = [] for output in outputs: for detection in output: scores = detection[5:] class_id = np.argmax(scores) confidence = scores[class_id] if confidence > 0.5: center_x = int(detection[0] * img.shape[1]) center_y = int(detection[1] * img.shape[0]) w = int(detection[2] * img.shape[1]) h = int(detection[3] * img.shape[0]) x = int(center_x - w / 2) y = int(center_y - h / 2) boxes.append([x, y, w, h]) confidences.append(float(confidence)) class_ids.append(class_id) # 绘制检测结果 indexes = cv2.dnn.NMSBoxes(boxes, confidences, 0.5, 0.4) font = cv2.FONT_HERSHEY_PLAIN colors = np.random.uniform(0, 255, size=(len(classes), 3)) if len(indexes) > 0: for i in indexes.flatten(): x, y, w, h = boxes[i] label = str(classes[class_ids[i]]) color = colors[class_ids[i]] cv2.rectangle(img, (x,y), (x+w,y+h), color, 2) cv2.putText(img, label, (x, y-5), font, 1, color, 2) # 显示图像 cv2.imshow("Image", img) cv2.waitKey(0) cv2.destroyAllWindows() ``` 在这个例子中，我们首先使用`cv2.dnn.readNetFromDarknet()`函数加载了预训练的Darknet模型。然后，我们使用`cv2.dnn.blobFromImage()`函数将图像转换为网络可接受的格式，并将其传递给网络进行目标检测。最后，我们使用`cv2.dnn.NMSBoxes()`函数对检测结果进行筛选，然后使用OpenCV的绘图函数将检测结果绘制在图像上。
评论 2
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