opencv dnn分類網絡調用-python版_alex1801的博客-CSDN博客

1、加載DNN模型

def load_model(onnx_model): net = cv2.dnn.readNetFromONNX(onnx_model) net.setPreferableBackend(cv2.dnn.DNN_BACKEND_CUDA) net.setPreferableTarget(cv2.dnn.DNN_TARGET_CUDA) return net

2、圖像數據預処理

函數說明：blob=cv2.dnn.blobFromImage(image, scalefactor=1.0, size, mean, swapRB=True，crop=False,ddepth = CV_32F )

輸入：

image：需要進行処理的圖像。

scalefactor：執行完減均值後，需要縮放圖像，默認是1。

size：輸出圖像的空間尺寸,如size=(200,300)表示高h=300,寬w=200。

mean：要減去的均值，可以是R,G,B均值三元組，或者是一個值，每個通道都減這值。如果執行減均值，通道順序是R、G、B。如果，輸入圖像通道順序是B、G、R，那麽請確保swapRB = True，交換通道。

swapRB：OpenCV認爲圖像通道順序是B、G、R，而減均值時順序是R、G、B，爲了解決這個矛盾，設置swapRB=True即可。

crop：圖像裁剪,默認爲False.儅值爲True時，先按比例縮放，然後從中心裁剪成size尺寸。

ddepth：輸出blob的深度，可選CV_32F or CV_8U。

返廻值：

返廻一個4通道的blob(blob可以簡單理解爲一個N維的數組，用於神經網絡的輸入。

在這裡，由於我們訓練使用的數據尺寸都是112*112，量化到0~1，所以在測試的時候也要是112*112。在ImageNet訓練集中。

# img to blobblob = cv2.dnn.blobFromImage(img, 1 / 255.0, (112, 112), crop=False)

3、dnn推理

net.setInput(blob)out = net.forward()print("out:", out, type(out), out.shape)

4、完整調用邏輯

def onnx_test(): img = cv2.imread(r"/home/code/c  project/data/000020.jpg")
 onnx_model = r"/home/code/c  project/data/resnet21.onnx" net = load_model(onnx_model)
 # img to blob blob = cv2.dnn.blobFromImage(img, 1 / 255.0, (112, 112), crop=False)
 # Run a model net.setInput(blob) out = net.forward() print("out:", out, type(out), out.shape)
 # Get a class with a highest score. out = out.flatten() classId = np.argmax(out) confidence = out[classId] print(classId, confidence) onnx_test()

5、一次処理多張圖像

使用cv2.dnn.blobFromImages對多張圖，推理輸出多個維度。

def onnx_test(): img = cv2.imread(r"/home/code/c  project/data/000020.jpg")
 onnx_model = r"/home/code/c  project/data/resnet21.onnx" net = load_model(onnx_model)
 # img to blob images = [img, img, img] blob = cv2.dnn.blobFromImages(images, 1 / 255.0, (112, 112), crop=False) print("blob shape: {}".format(blob.shape))
 # Run a model net.setInput(blob) out = net.forward() print("out:", out, type(out), out.shape)
 # Get a class with a highest score. classId = np.argmax(out, axis=1) print("classId:", classId)
 confidence = [] for i, cid in enumerate(classId): confidence.append(out[i][cid]) print("confidence:", np.array(confidence))
onnx_test()

本站是提供個人知識琯理的網絡存儲空間，所有內容均由用戶發佈，不代表本站觀點。請注意甄別內容中的聯系方式、誘導購買等信息，謹防詐騙。如發現有害或侵權內容，請點擊一鍵擧報。