2017年8月发布的OpenCV 3.3正式带来了高度改进的深度学习dnn模块。 该模块现在持许多深度学习框架，包括Caffe，TensorFlow和Torch/PyTorch。该API可C ++可在Python中调用，很容易磁盘加载模型；预处理输入图像；通过网络传递图像并获取输出分类。
本文演示如何在ImageNet数据集上使用预先训练的深度学习网络并将其应用于输入图像。
使用OpenCV进行深度学习
我们将使用OpenCV和GoogleLeNet（在ImageNet上预先训练）来对图像进行分类。
OpenCV 3.3中的深度学习
自版本v3.1起，OpenCV的dnn模块已成为opencv_contrib库的一部分。在OpenCV 3.3中，它包含在主库中。使用OpenCV 3.3，我们可以利用流行的深度学习框架预先训练好的网络。与OpenCV 3.3兼容的流行网络架构包括：GoogleLeNet、AlexNet、SqueezeNet和VGGNet、RESNET。
参考：
https://github.com/opencv/opencv/tree/master/modules/dnn
发布文档 https://habr.com/company/intel/blog/333612/ 俄语
模型下载： https://itbooks.pipipan.com/fs/18113597-326734543
OpenCV深度学习功能和框架
OpenCV 3.3支持 Caffe, TensorFlow和 Torch/PyTorch
框架。目前不支持Keras（因为Keras实际上是TensorFlow和Theano等包装器），但是由于深度学习库的普及，Keras 直接支持只是时间问题。
使用OpenCV 3.3，我们可以使用dnn中的以下函数从磁盘加载图像：
- cv2.dnn.blobFromImage
- cv2.dnn.blobFromImages
我们可以通过create方法直接从各种框架导入模型：
- cv2.dnn.createCaffeImporter
- cv2.dnn.createTensorFlowImporter
- cv2.dnn.createTorchImporter
使用read方法直接从磁盘加载序列化模型更容易：
- cv2.dnn.readNetFromCaffe
- cv2.dnn.readNetFromTensorFlow
- cv2.dnn.readNetFromTorch
- cv2.dnn.readhTorchBlob
加载模型后，.forward方法用于向前传播我们的图像并获得实际的分类。
使用深度学习和OpenCV对图像进行分类
GoogLeNet 的参考： Going deeper with convolutions
加载预先训练好的Caffe模型，并使用它来使用OpenCV对图像进行分类。
参考资料
- 讨论qq群630011153 144081101
- 本文最新版本地址
- 本文涉及的python测试开发库 谢谢点赞！
- 本文相关海量书籍下载
- 2018最佳人工智能机器学习工具书及下载(持续更新)
执行示例
$ python deep_learning_with_opencv.py --image images/jemma.png
--prototxt bvlc_googlenet.prototxt \
--model bvlc_googlenet.caffemodel --labels synset_words.txt
[INFO] loading model...
[INFO] classification took 0.075035 seconds
[INFO] 1. label: beagle, probability: 0.81137
[INFO] 2. label: Labrador retriever, probability: 0.031416
[INFO] 3. label: bluetick, probability: 0.023929
[INFO] 4. label: EntleBucher, probability: 0.017507
[INFO] 5. label: Greater Swiss Mountain dog, probability: 0.0144
$ python deep_learning_with_opencv.py --image images/traffic_light.png
--prototxt bvlc_googlenet.prototxt \
--model bvlc_googlenet.caffemodel --labels synset_words.txt
[INFO] loading model...
[INFO] classification took 0.080521 seconds
[INFO] 1. label: traffic light, probability: 1.0
[INFO] 2. label: pole, probability: 4.9961e-07
[INFO] 3. label: spotlight, probability: 3.4974e-08
[INFO] 4. label: street sign, probability: 3.3623e-08
[INFO] 5. label: loudspeaker, probability: 2.0235e-08
$ python deep_learning_with_opencv.py --image images/eagle.png
--prototxt bvlc_googlenet.prototxt \
--model bvlc_googlenet.caffemodel --labels synset_words.txt
[INFO] loading model...
[INFO] classification took 0.087207 seconds
[INFO] 1. label: bald eagle, probability: 0.96768
[INFO] 2. label: kite, probability: 0.031964
[INFO] 3. label: vulture, probability: 0.00023595
[INFO] 4. label: albatross, probability: 6.3653e-05
[INFO] 5. label: black grouse, probability: 1.6147e-05
$ python deep_learning_with_opencv.py --image images/vending_machine.png
--prototxt bvlc_googlenet.prototxt \
--model bvlc_googlenet.caffemodel --labels synset_words.txt
[INFO] loading model...
[INFO] classification took 0.099602 seconds
[INFO] 1. label: vending machine, probability: 0.99269
[INFO] 2. label: cash machine, probability: 0.0023691
[INFO] 3. label: pay-phone, probability: 0.00097005
[INFO] 4. label: ashcan, probability: 0.00092097
[INFO] 5. label: mailbox, probability: 0.00061188
参考
