• 零依赖
• 支持导入其他框架的模型
• API 极其简洁

刚刚出炉的 OpenCV 3.3 版本增加了符合历史进程的新模块 dnn，也就是深度神经网络。dnn 模块其实很早就存在于 opencv_contrib 项目中，这次提到了主项目里，算是转正了。

小张琢磨了下，这个 dnn 模块的卖点有这么三个：

• 零依赖
• 支持导入其他框架的模型
• API 极其简洁

零依赖

只依赖 opencv，如果你被 caffe 虐过，那么就知道零依赖是多么如沐清风。

支持导入其他框架的模型

• Caffe 1
• TensorFlow
• Torch/PyTorch

以下网络是经测试可用的：

• AlexNet
• GoogLeNet v1 (also referred to as Inception-5h)
• ResNet-34/50/…
• SqueezeNet v1.1
• VGG-based FCN (semantical segmentation network)
• ENet (lightweight semantical segmentation network)
• VGG-based SSD (object detection network)
• MobileNet-based SSD (light-weight object detection network)

API 极其简洁

以 GoogLeNet 为例，载入一个网络模型只需要一个函数

#include <opencv2/dnn.hpp>
Net net = dnn::readNetFromCaffe("bvlc_googlenet.prototxt", "bvlc_googlenet.caffemodel");

准备网络的输入数据，GoogLeNet 只接受 224x224 的 RGB 图片，所以多了转尺寸的步骤

Mat img = imread("image.jpg");
Mat inputBlob = blobFromImage(img, 1, Size(224, 224),
                              Scalar(104, 117, 123));

跑一遍网络，取输出结果

Mat prob = net.forward("prob");

结束了，就这么简单！

然而它也有一个致命的缺点，只能载入训练好的网络跑一遍 forward pass，不能 train 新的网络。

那有没有办法用 opencv 训练网络呢，答案当然是：

vinjn.com - Democratizing Visual Computing