OpenCV 4.13.0
Open Source Computer Vision
読み込み中...
検索中...
見つかりません
🤖 AIによる機械翻訳（非公式） — これは OpenCV 4.13.0 公式リファレンス（英語）を AI (Claude) で自動翻訳したものです。訳に誤りを含む場合があります。正確な情報は 公式英語版（原文） を参照してください。
Public Types | Public Member Functions | Static Public Member Functions | Protected Attributes | Friends | List of all members
cv::dnn::Net クラス
ディープニューラルネットワークモジュール

このクラスは、包括的な人工ニューラルネットワークの作成と操作を可能にする。続き...

#include <opencv2/dnn/dnn.hpp>

Collaboration diagram for cv::dnn::Net:

公開型

typedef DictValue LayerId
 文字列と整数のコンテナ。
 

公開メンバ関数

 Net ()
 デフォルトコンストラクタ。
 
 ~Net ()
 デストラクタは、ネットワークへの参照がもう存在しない場合にのみネットワークを解放する。
 
int addLayer (const String &name, const String &type, const int &dtype, LayerParams &params)
 新しいレイヤーをネットワークに追加する。
 
int addLayer (const String &name, const String &type, LayerParams &params)
 
int addLayerToPrev (const String &name, const String &type, const int &dtype, LayerParams &params)
 新しいレイヤーを追加し、その最初の入力を直前に追加したレイヤーの最初の出力に接続する。
 
int addLayerToPrev (const String &name, const String &type, LayerParams &params)
 
void connect (int outLayerId, int outNum, int inpLayerId, int inpNum)
 最初のレイヤーの #outNum 番目の出力を、2番目のレイヤーの #inNum 番目の入力に接続する。
 
void connect (String outPin, String inpPin)
 最初のレイヤーの出力を2番目のレイヤーの入力に接続する。
 
String dump ()
 ネットワークを文字列にダンプする。
 
void dumpToFile (CV_WRAP_FILE_PATH const String &path)
 ネットワークの構造、ハイパーパラメータ、バックエンド、ターゲット、フュージョンをdotファイルにダンプする。
 
void dumpToPbtxt (CV_WRAP_FILE_PATH const String &path)
 ネットワークの構造、ハイパーパラメータ、バックエンド、ターゲット、フュージョンをpbtxtファイルにダンプする。
 
bool empty () const
 
void enableFusion (bool fusion)
 ネットワークのレイヤーフュージョンを有効または無効にする。
 
void enableWinograd (bool useWinograd)
 Winograd計算ブランチを有効または無効にする。Winograd計算ブランチはわずかな精度の低下と引き換えに3x3畳み込みを高速化できる。
 
Mat forward (const String &outputName=String())
 順伝播を実行し、名前 outputName のレイヤーの出力を計算する。
 
void forward (CV_ND OutputArrayOfArrays outputBlobs, const std::vector< String > &outBlobNames)
 順伝播を実行し、outBlobNames に列挙されたレイヤーの出力を計算する。
 
void forward (CV_ND OutputArrayOfArrays outputBlobs, const String &outputName=String())
 順伝播を実行し、名前 outputName のレイヤーの出力を計算する。
 
void forward (std::vector< std::vector< Mat > > &outputBlobs, const std::vector< String > &outBlobNames)
 順伝播を実行し、outBlobNames に列挙されたレイヤーの出力を計算する。
 
AsyncArray forwardAsync (const String &outputName=String())
 順伝播を実行し、名前 outputName のレイヤーの出力を計算する。
 
int64 getFLOPS (const int layerId, const MatShape &netInputShape) const
 
int64 getFLOPS (const int layerId, const std::vector< MatShape > &netInputShapes) const
 
int64 getFLOPS (const MatShape &netInputShape) const
 
int64 getFLOPS (const std::vector< MatShape > &netInputShapes) const
 指定した入力形状で、読み込まれたモデル全体のFLOPを計算する。
 
Impl * getImpl () const
 
Impl & getImplRef () const
 
void getInputDetails (std::vector< float > &scales, std::vector< int > &zeropoints) const
 量子化された Net の入力スケールとゼロポイントを返す。
 
Ptr< Layer > getLayer (const LayerId &layerId) const
 
Ptr< Layer > getLayer (const String &layerName) const
 
Ptr< Layer > getLayer (int layerId) const
 ネットワークが使用する、指定したIDまたは名前のレイヤーへのポインタを返す。
 
int getLayerId (const String &layer) const
 レイヤーの文字列名を整数の識別子に変換する。
 
std::vector< Ptr< Layer > > getLayerInputs (int layerId) const
 特定のレイヤーの入力レイヤーへのポインタを返す。
 
std::vector< String > getLayerNames () const
 
int getLayersCount (const String &layerType) const
 指定した型のレイヤーの数を返す。
 
void getLayerShapes (const MatShape &netInputShape, const int layerId, std::vector< MatShape > &inLayerShapes, std::vector< MatShape > &outLayerShapes) const
 読み込まれたモデル内の指定したIDのレイヤーについて、入力形状と出力形状を返す。事前の推論は不要である。
 
void getLayerShapes (const std::vector< MatShape > &netInputShapes, const int layerId, std::vector< MatShape > &inLayerShapes, std::vector< MatShape > &outLayerShapes) const
 
void getLayersShapes (const MatShape &netInputShape, std::vector< int > &layersIds, std::vector< std::vector< MatShape > > &inLayersShapes, std::vector< std::vector< MatShape > > &outLayersShapes) const
 
void getLayersShapes (const std::vector< MatShape > &netInputShapes, std::vector< int > &layersIds, std::vector< std::vector< MatShape > > &inLayersShapes, std::vector< std::vector< MatShape > > &outLayersShapes) const
 読み込まれたモデル内のすべてのレイヤーについて、入力形状と出力形状を返す。事前の推論は不要である。
 
void getLayerTypes (std::vector< String > &layersTypes) const
 モデルで使用されているレイヤーの型のリストを返す。
 
void getMemoryConsumption (const int layerId, const MatShape &netInputShape, size_t &weights, size_t &blobs) const
 
void getMemoryConsumption (const int layerId, const std::vector< MatShape > &netInputShapes, size_t &weights, size_t &blobs) const
 
void getMemoryConsumption (const MatShape &netInputShape, size_t &weights, size_t &blobs) const
 
void getMemoryConsumption (const MatShape &netInputShape, std::vector< int > &layerIds, std::vector< size_t > &weights, std::vector< size_t > &blobs) const
 
void getMemoryConsumption (const std::vector< MatShape > &netInputShapes, size_t &weights, size_t &blobs) const
 モデルのすべての重みと中間ブロブを格納するために必要なバイト数を計算する。
 
void getMemoryConsumption (const std::vector< MatShape > &netInputShapes, std::vector< int > &layerIds, std::vector< size_t > &weights, std::vector< size_t > &blobs) const
 各レイヤーごとに、すべての重みと中間ブロブを格納するために必要なバイト数を計算する。
 
void getOutputDetails (std::vector< float > &scales, std::vector< int > &zeropoints) const
 量子化された Net の出力スケールとゼロポイントを返す。
 
Mat getParam (const String &layerName, int numParam=0) const
 
Mat getParam (int layer, int numParam=0) const
 レイヤーのパラメータブロブを返す。
 
int64 getPerfProfile (std::vector< double > &timings)
 推論全体の所要時間と、各レイヤーのタイミング（ティック単位）を返す。
 
std::vector< int > getUnconnectedOutLayers () const
 出力が未接続のレイヤーのインデックスを返す。
 
std::vector< String > getUnconnectedOutLayersNames () const
 出力が未接続のレイヤーの名前を返す。
 
Net quantize (InputArrayOfArrays calibData, int inputsDtype, int outputsDtype, bool perChannel=true)
 浮動小数点の Net から、量子化された Net を返す。
 
int registerOutput (const std::string &outputName, int layerId, int outputPort)
 ネットワークの出力を名前付きで登録する。
 
void setHalideScheduler (const String &scheduler)
 Halideレイヤーをコンパイルする。
 
void setInput (CV_ND InputArray blob, const String &name="", double scalefactor=1.0, const Scalar &mean=Scalar())
 ネットワークの新しい入力値を設定する。
 
void setInputShape (const String &inputName, const MatShape &shape)
 ネットワーク入力の形状を指定する。
 
void setInputsNames (const std::vector< String > &inputBlobNames)
 ネットワークの入力擬似レイヤーの出力名を設定する。
 
void setParam (const String &layerName, int numParam, CV_ND const Mat &blob)
 
void setParam (int layer, int numParam, CV_ND const Mat &blob)
 レイヤーの学習済みパラメータに新しい値を設定する。
 
void setPreferableBackend (int backendId)
 サポートされている場合に、指定した計算バックエンドを使用するようネットワークに要求する。
 
void setPreferableTarget (int targetId)
 特定のターゲットデバイス上で計算を行うようネットワークに要求する。
 

静的公開メンバ関数

static Net readFromModelOptimizer (const std::vector< uchar > &bufferModelConfig, const std::vector< uchar > &bufferWeights)
 Intelの Model Optimizer の、中間表現 (IR) を持つメモリ内バッファからネットワークを作成する。
 
static Net readFromModelOptimizer (const uchar *bufferModelConfigPtr, size_t bufferModelConfigSize, const uchar *bufferWeightsPtr, size_t bufferWeightsSize)
 Intelの Model Optimizer の、中間表現 (IR) を持つメモリ内バッファからネットワークを作成する。
 
static Net readFromModelOptimizer (CV_WRAP_FILE_PATH const String &xml, CV_WRAP_FILE_PATH const String &bin)
 Intelの Model Optimizer の中間表現 (IR) からネットワークを作成する。
 

限定公開変数類

Ptr< Impl > impl
 

フレンド

class accessor::DnnNetAccessor
 

詳細説明

このクラスは、包括的な人工ニューラルネットワークの作成と操作を可能にする。

ニューラルネットワークは有向非巡回グラフ (DAG) として表現される。頂点は Layer インスタンスであり、辺はレイヤーの入力と出力の間の関係を指定する。

各ネットワークレイヤーは、そのネットワーク内で一意の整数IDと一意の文字列名を持つ。LayerIdはレイヤー名またはレイヤーIDのいずれかを格納できる。

このクラスはインスタンスの参照カウントをサポートする。すなわち、コピーは同一のインスタンスを指す。

例
samples/dnn/colorization.cpp, および samples/dnn/openpose.cpp.

型定義メンバ詳解

◆ LayerId

DictValue cv::dnn::Net::LayerId

文字列と整数のコンテナ。

非推奨Deprecated
int型の結果を持つ getLayerId() を使用すること。

構築子と解体子の詳解

◆ Net()

cv::dnn::Net::Net ( )
Python:
cv.dnn.Net() -> <dnn_Net object>

デフォルトコンストラクタ。

◆ ~Net()

cv::dnn::Net::~Net ( )

デストラクタは、ネットへの参照がもう存在しない場合にのみネットを解放する。

メンバ関数詳解

◆ addLayer() [1/2]

int cv::dnn::Net::addLayer ( const String & name,
const String & type,
const int & dtype,
LayerParams & params )
Python:
cv.dnn.Net.addLayer(name, type, dtype, params) -> retval

ネットに新しいレイヤを追加する。

引数
name追加するレイヤーの一意な名前。
type追加するレイヤーの型名 (型は LayerRegister に登録されている必要がある)。
dtype出力ブロブのデータ型。
params作成するレイヤーの初期化に使われる引数。
戻り値
作成されたレイヤの一意な識別子。失敗した場合は -1。

◆ addLayer() [2/2]

int cv::dnn::Net::addLayer ( const String & name,
const String & type,
LayerParams & params )
Python:
cv.dnn.Net.addLayer(name, type, dtype, params) -> retval

◆ addLayerToPrev() [1/2]

int cv::dnn::Net::addLayerToPrev ( const String & name,
const String & type,
const int & dtype,
LayerParams & params )
Python:
cv.dnn.Net.addLayerToPrev(name, type, dtype, params) -> retval

新しいレイヤを追加し、その最初の入力を直前に追加したレイヤの最初の出力に接続する。

参照
addLayer()

◆ addLayerToPrev() [2/2]

int cv::dnn::Net::addLayerToPrev ( const String & name,
const String & type,
LayerParams & params )
Python:
cv.dnn.Net.addLayerToPrev(name, type, dtype, params) -> retval

これは利便性のために提供されているオーバーロードされたメンバ関数である。上記の関数とは、受け取る引数のみが異なる。

◆ connect() [1/2]

void cv::dnn::Net::connect ( int outLayerId,
int outNum,
int inpLayerId,
int inpNum )
Python:
cv.dnn.Net.connect(outPin, inpPin) -> None

1つ目のレイヤの #outNum 番目の出力を、2つ目のレイヤの #inNum 番目の入力に接続する。

引数
outLayerId1番目のレイヤーの識別子
outNum1番目のレイヤー出力の番号
inpLayerId2番目のレイヤーの識別子
inpNum2番目のレイヤー入力の番号

◆ connect() [2/2]

void cv::dnn::Net::connect ( String outPin,
String inpPin )
Python:
cv.dnn.Net.connect(outPin, inpPin) -> None

1つ目のレイヤの出力を2つ目のレイヤの入力に接続する。

引数
outPin1番目のレイヤー出力の記述子。
inpPin2番目のレイヤー入力の記述子。

記述子は次のテンプレート <layer_name>[.input_number] を持つ:

  • テンプレートの最初の部分 layer_name は、追加したレイヤの文字列名である。この部分が空の場合はネットワーク入力の擬似レイヤが使用される;

  • テンプレートの2つ目の省略可能な部分 input_number は、レイヤ入力の番号またはラベルのいずれかである。この部分を省略した場合は最初のレイヤ入力が使用される。

    参照
    setNetInputs(), Layer::inputNameToIndex(), Layer::outputNameToIndex()

◆ dump()

String cv::dnn::Net::dump ( )
Python:
cv.dnn.Net.dump() -> retval

ネットを文字列にダンプする。

戻り値
構造、ハイパーパラメータ、バックエンド、ターゲット、フュージョンを含む文字列。このメソッドは setInput() の後に呼び出すこと。正しいバックエンド、ターゲット、フュージョンを確認するには forward() の後に実行すること。

◆ dumpToFile()

void cv::dnn::Net::dumpToFile ( CV_WRAP_FILE_PATH const String & path)
Python:
cv.dnn.Net.dumpToFile(path) -> None

ネットの構造、ハイパーパラメータ、バックエンド、ターゲット、フュージョンを dot ファイルにダンプする。

引数
path.dot 拡張子の出力ファイルへのパス
参照
dump()

◆ dumpToPbtxt()

void cv::dnn::Net::dumpToPbtxt ( CV_WRAP_FILE_PATH const String & path)
Python:
cv.dnn.Net.dumpToPbtxt(path) -> None

ネットの構造、ハイパーパラメータ、バックエンド、ターゲット、フュージョンを pbtxt ファイルにダンプする。

引数
path.pbtxt 拡張子の出力ファイルへのパス

モデルを可視化するには Netron (https://netron.app) を使って対象ファイルを開く。このメソッドは setInput() の後に呼び出すこと。正しいバックエンド、ターゲット、フュージョンを確認するには forward() の後に実行すること。

◆ empty()

bool cv::dnn::Net::empty ( ) const
Python:
cv.dnn.Net.empty() -> retval

ネットワークにレイヤが存在しない場合に true を返す。

◆ enableFusion()

void cv::dnn::Net::enableFusion ( bool fusion)
Python:
cv.dnn.Net.enableFusion(fusion) -> None

ネットワークのレイヤフュージョンを有効または無効にする。

引数
fusionフュージョンを有効にする場合は true、無効にする場合は false。フュージョンはデフォルトで有効。

◆ enableWinograd()

void cv::dnn::Net::enableWinograd ( bool useWinograd)
Python:
cv.dnn.Net.enableWinograd(useWinograd) -> None

Winograd 計算ブランチを有効または無効にする。Winograd 計算ブランチは、わずかな精度低下と引き換えに 3x3 の畳み込みを高速化できる。

引数
useWinogradWinograd 計算ブランチを有効にする場合は true。デフォルトは true。

◆ forward() [1/4]

Mat cv::dnn::Net::forward ( const String & outputName = String())
Python:
cv.dnn.Net.forward([, outputName]) -> retval
cv.dnn.Net.forward([, outputBlobs[, outputName]]) -> outputBlobs
cv.dnn.Net.forward(outBlobNames[, outputBlobs]) -> outputBlobs
cv.dnn.Net.forwardAndRetrieve(outBlobNames) -> outputBlobs

名前が outputName のレイヤの出力を計算するために順伝播を実行する。

引数
outputName出力を取得したいレイヤーの名前
戻り値
指定したレイヤの最初の出力のブロブ。

デフォルトではネットワーク全体の順伝播を実行する。

例
samples/dnn/colorization.cpp, および samples/dnn/openpose.cpp。

◆ forward() [2/4]

void cv::dnn::Net::forward ( CV_ND OutputArrayOfArrays outputBlobs,
const std::vector< String > & outBlobNames )
Python:
cv.dnn.Net.forward([, outputName]) -> retval
cv.dnn.Net.forward([, outputBlobs[, outputName]]) -> outputBlobs
cv.dnn.Net.forward(outBlobNames[, outputBlobs]) -> outputBlobs
cv.dnn.Net.forwardAndRetrieve(outBlobNames) -> outputBlobs

outBlobNames に列挙されたレイヤの出力を計算するために順伝播を実行する。

引数
outputBlobs指定されたレイヤーの最初の出力のブロブを格納する。
outBlobNames出力を取得したいレイヤーの名前

◆ forward() [3/4]

void cv::dnn::Net::forward ( CV_ND OutputArrayOfArrays outputBlobs,
const String & outputName = String() )
Python:
cv.dnn.Net.forward([, outputName]) -> retval
cv.dnn.Net.forward([, outputBlobs[, outputName]]) -> outputBlobs
cv.dnn.Net.forward(outBlobNames[, outputBlobs]) -> outputBlobs
cv.dnn.Net.forwardAndRetrieve(outBlobNames) -> outputBlobs

名前が outputName のレイヤの出力を計算するために順伝播を実行する。

引数
outputBlobs指定されたレイヤーのすべての出力ブロブを格納する。
outputName出力を取得したいレイヤーの名前

outputName が空の場合、ネットワーク全体の順伝播を実行する。

◆ forward() [4/4]

void cv::dnn::Net::forward ( std::vector< std::vector< Mat > > & outputBlobs,
const std::vector< String > & outBlobNames )
Python:
cv.dnn.Net.forward([, outputName]) -> retval
cv.dnn.Net.forward([, outputBlobs[, outputName]]) -> outputBlobs
cv.dnn.Net.forward(outBlobNames[, outputBlobs]) -> outputBlobs
cv.dnn.Net.forwardAndRetrieve(outBlobNames) -> outputBlobs

outBlobNames に列挙されたレイヤの出力を計算するために順伝播を実行する。

引数
outputBlobsoutBlobNames で指定された各レイヤーのすべての出力ブロブを格納する。
outBlobNames出力を取得したいレイヤーの名前

◆ forwardAsync()

AsyncArray cv::dnn::Net::forwardAsync ( const String & outputName = String())
Python:
cv.dnn.Net.forwardAsync([, outputName]) -> retval

名前が outputName のレイヤの出力を計算するために順伝播を実行する。

引数
outputName出力を取得したいレイヤーの名前

デフォルトではネットワーク全体の順伝播を実行する。

これは forward(const String&) の非同期版である。dnn::DNN_BACKEND_INFERENCE_ENGINE バックエンドが必要である。

◆ getFLOPS() [1/4]

int64 cv::dnn::Net::getFLOPS ( const int layerId,
const MatShape & netInputShape ) const
Python:
cv.dnn.Net.getFLOPS(netInputShapes) -> retval
cv.dnn.Net.getFLOPS(netInputShape) -> retval
cv.dnn.Net.getFLOPS(layerId, netInputShapes) -> retval
cv.dnn.Net.getFLOPS(layerId, netInputShape) -> retval

これは利便性のために提供されているオーバーロードされたメンバ関数である。上記の関数とは、受け取る引数のみが異なる。

◆ getFLOPS() [2/4]

int64 cv::dnn::Net::getFLOPS ( const int layerId,
const std::vector< MatShape > & netInputShapes ) const
Python:
cv.dnn.Net.getFLOPS(netInputShapes) -> retval
cv.dnn.Net.getFLOPS(netInputShape) -> retval
cv.dnn.Net.getFLOPS(layerId, netInputShapes) -> retval
cv.dnn.Net.getFLOPS(layerId, netInputShape) -> retval

これは利便性のために提供されているオーバーロードされたメンバ関数である。上記の関数とは、受け取る引数のみが異なる。

◆ getFLOPS() [3/4]

int64 cv::dnn::Net::getFLOPS ( const MatShape & netInputShape) const
Python:
cv.dnn.Net.getFLOPS(netInputShapes) -> retval
cv.dnn.Net.getFLOPS(netInputShape) -> retval
cv.dnn.Net.getFLOPS(layerId, netInputShapes) -> retval
cv.dnn.Net.getFLOPS(layerId, netInputShape) -> retval

これは利便性のために提供されているオーバーロードされたメンバ関数である。上記の関数とは、受け取る引数のみが異なる。

◆ getFLOPS() [4/4]

int64 cv::dnn::Net::getFLOPS ( const std::vector< MatShape > & netInputShapes) const
Python:
cv.dnn.Net.getFLOPS(netInputShapes) -> retval
cv.dnn.Net.getFLOPS(netInputShape) -> retval
cv.dnn.Net.getFLOPS(layerId, netInputShapes) -> retval
cv.dnn.Net.getFLOPS(layerId, netInputShape) -> retval

指定した入力形状でロード済みモデル全体の FLOP を計算する。

引数
netInputShapesすべてのネット入力に対する形状のベクトル。
戻り値
計算された FLOP。

◆ getImpl()

Impl * cv::dnn::Net::getImpl ( ) const
inline

◆ getImplRef()

Impl & cv::dnn::Net::getImplRef ( ) const
inline

◆ getInputDetails()

void cv::dnn::Net::getInputDetails ( std::vector< float > & scales,
std::vector< int > & zeropoints ) const
Python:
cv.dnn.Net.getInputDetails() -> scales, zeropoints

量子化された Net の入力スケールとゼロポイントを返す。

引数
scales入力スケールを返すための出力パラメータ。
zeropoints入力ゼロポイントを返すための出力パラメータ。

◆ getLayer() [1/3]

Ptr< Layer > cv::dnn::Net::getLayer ( const LayerId & layerId) const
Python:
cv.dnn.Net.getLayer(layerId) -> retval
cv.dnn.Net.getLayer(layerName) -> retval

これは利便性のために提供されているオーバーロードされたメンバ関数である。上記の関数とは、受け取る引数のみが異なる。

非推奨Deprecated
削除予定

◆ getLayer() [2/3]

Ptr< Layer > cv::dnn::Net::getLayer ( const String & layerName) const
inline
Python:
cv.dnn.Net.getLayer(layerId) -> retval
cv.dnn.Net.getLayer(layerName) -> retval

これは利便性のために提供されているオーバーロードされたメンバ関数である。上記の関数とは、受け取る引数のみが異なる。

非推奨Deprecated
int getLayerId(const String &layer) を使用すること
この関数の呼び出しグラフ:

◆ getLayer() [3/3]

Ptr< Layer > cv::dnn::Net::getLayer ( int layerId) const
Python:
cv.dnn.Net.getLayer(layerId) -> retval
cv.dnn.Net.getLayer(layerName) -> retval

ネットワークが使用する、指定した id または名前のレイヤへのポインタを返す。

例
samples/dnn/colorization.cpp.

◆ getLayerId()

int cv::dnn::Net::getLayerId ( const String & layer) const
Python:
cv.dnn.Net.getLayerId(layer) -> retval

レイヤの文字列名を整数の識別子に変換する。

戻り値
レイヤの id。レイヤが見つからなかった場合は -1。

◆ getLayerInputs()

std::vector< Ptr< Layer > > cv::dnn::Net::getLayerInputs ( int layerId) const

特定のレイヤの入力レイヤへのポインタを返す。

◆ getLayerNames()

std::vector< String > cv::dnn::Net::getLayerNames ( ) const
Python:
cv.dnn.Net.getLayerNames() -> retval

◆ getLayersCount()

int cv::dnn::Net::getLayersCount ( const String & layerType) const
Python:
cv.dnn.Net.getLayersCount(layerType) -> retval

指定した型のレイヤの数を返す。

引数
layerType型。
戻り値
レイヤの数

◆ getLayerShapes() [1/2]

void cv::dnn::Net::getLayerShapes ( const MatShape & netInputShape,
const int layerId,
std::vector< MatShape > & inLayerShapes,
std::vector< MatShape > & outLayerShapes ) const

ロード済みモデル内の指定した id を持つレイヤの入力形状と出力形状を返す。事前の推論は不要である。

引数
netInputShapeネット入力レイヤーにおける入力ブロブの形状。
layerIdレイヤーのid。
inLayerShapes入力レイヤーの形状を返すための出力パラメータ。順序は layersIds と同じ。
outLayerShapes出力レイヤーの形状を格納する出力パラメータ。順序は layersIds と同じである。

◆ getLayerShapes() [2/2]

void cv::dnn::Net::getLayerShapes ( const std::vector< MatShape > & netInputShapes,
const int layerId,
std::vector< MatShape > & inLayerShapes,
std::vector< MatShape > & outLayerShapes ) const

これは利便性のために提供されているオーバーロードされたメンバ関数である。上記の関数とは、受け取る引数のみが異なる。

◆ getLayersShapes() [1/2]

void cv::dnn::Net::getLayersShapes ( const MatShape & netInputShape,
std::vector< int > & layersIds,
std::vector< std::vector< MatShape > > & inLayersShapes,
std::vector< std::vector< MatShape > > & outLayersShapes ) const
Python:
cv.dnn.Net.getLayersShapes(netInputShapes) -> layersIds, inLayersShapes, outLayersShapes
cv.dnn.Net.getLayersShapes(netInputShape) -> layersIds, inLayersShapes, outLayersShapes

これは利便性のために提供されているオーバーロードされたメンバ関数である。上記の関数とは、受け取る引数のみが異なる。

◆ getLayersShapes() [2/2]

void cv::dnn::Net::getLayersShapes ( const std::vector< MatShape > & netInputShapes,
std::vector< int > & layersIds,
std::vector< std::vector< MatShape > > & inLayersShapes,
std::vector< std::vector< MatShape > > & outLayersShapes ) const
Python:
cv.dnn.Net.getLayersShapes(netInputShapes) -> layersIds, inLayersShapes, outLayersShapes
cv.dnn.Net.getLayersShapes(netInputShape) -> layersIds, inLayersShapes, outLayersShapes

ロード済みモデル内の全レイヤの入力形状と出力形状を返す。事前の推論は不要である。

引数
netInputShapesネットワークの入力レイヤーにおける、すべての入力ブロブの形状。
layersIdsレイヤーIDを格納する出力パラメータ。
inLayersShapes入力レイヤーの形状を返すための出力パラメータ。順序は layersIds と同じ。
outLayersShapes出力レイヤーの形状を格納する出力パラメータ。順序は layersIds と同じである。

◆ getLayerTypes()

void cv::dnn::Net::getLayerTypes ( std::vector< String > & layersTypes) const
Python:
cv.dnn.Net.getLayerTypes() -> layersTypes

モデル内で使用されているレイヤの型のリストを返す。

引数
layersTypes型を返すための出力パラメータ。

◆ getMemoryConsumption() [1/6]

void cv::dnn::Net::getMemoryConsumption ( const int layerId,
const MatShape & netInputShape,
size_t & weights,
size_t & blobs ) const
Python:
cv.dnn.Net.getMemoryConsumption(netInputShape) -> weights, blobs
cv.dnn.Net.getMemoryConsumption(layerId, netInputShapes) -> weights, blobs
cv.dnn.Net.getMemoryConsumption(layerId, netInputShape) -> weights, blobs

これは利便性のために提供されているオーバーロードされたメンバ関数である。上記の関数とは、受け取る引数のみが異なる。

◆ getMemoryConsumption() [2/6]

void cv::dnn::Net::getMemoryConsumption ( const int layerId,
const std::vector< MatShape > & netInputShapes,
size_t & weights,
size_t & blobs ) const
Python:
cv.dnn.Net.getMemoryConsumption(netInputShape) -> weights, blobs
cv.dnn.Net.getMemoryConsumption(layerId, netInputShapes) -> weights, blobs
cv.dnn.Net.getMemoryConsumption(layerId, netInputShape) -> weights, blobs

これは利便性のために提供されているオーバーロードされたメンバ関数である。上記の関数とは、受け取る引数のみが異なる。

◆ getMemoryConsumption() [3/6]

void cv::dnn::Net::getMemoryConsumption ( const MatShape & netInputShape,
size_t & weights,
size_t & blobs ) const
Python:
cv.dnn.Net.getMemoryConsumption(netInputShape) -> weights, blobs
cv.dnn.Net.getMemoryConsumption(layerId, netInputShapes) -> weights, blobs
cv.dnn.Net.getMemoryConsumption(layerId, netInputShape) -> weights, blobs

これは利便性のために提供されているオーバーロードされたメンバ関数である。上記の関数とは、受け取る引数のみが異なる。

◆ getMemoryConsumption() [4/6]

void cv::dnn::Net::getMemoryConsumption ( const MatShape & netInputShape,
std::vector< int > & layerIds,
std::vector< size_t > & weights,
std::vector< size_t > & blobs ) const
Python:
cv.dnn.Net.getMemoryConsumption(netInputShape) -> weights, blobs
cv.dnn.Net.getMemoryConsumption(layerId, netInputShapes) -> weights, blobs
cv.dnn.Net.getMemoryConsumption(layerId, netInputShape) -> weights, blobs

これは利便性のために提供されているオーバーロードされたメンバ関数である。上記の関数とは、受け取る引数のみが異なる。

◆ getMemoryConsumption() [5/6]

void cv::dnn::Net::getMemoryConsumption ( const std::vector< MatShape > & netInputShapes,
size_t & weights,
size_t & blobs ) const
Python:
cv.dnn.Net.getMemoryConsumption(netInputShape) -> weights, blobs
cv.dnn.Net.getMemoryConsumption(layerId, netInputShapes) -> weights, blobs
cv.dnn.Net.getMemoryConsumption(layerId, netInputShape) -> weights, blobs

モデルの全ての重みと中間ブロブを格納するために必要なバイト数を計算する。

引数
netInputShapesすべてのネット入力に対する形状のベクトル。
weights重みの結果バイト数を格納する出力パラメータ。
blobs中間ブロブの結果バイト数を格納する出力パラメータ。

◆ getMemoryConsumption() [6/6]

void cv::dnn::Net::getMemoryConsumption ( const std::vector< MatShape > & netInputShapes,
std::vector< int > & layerIds,
std::vector< size_t > & weights,
std::vector< size_t > & blobs ) const
Python:
cv.dnn.Net.getMemoryConsumption(netInputShape) -> weights, blobs
cv.dnn.Net.getMemoryConsumption(layerId, netInputShapes) -> weights, blobs
cv.dnn.Net.getMemoryConsumption(layerId, netInputShape) -> weights, blobs

各レイヤの全ての重みと中間ブロブを格納するために必要なバイト数を計算する。

引数
netInputShapesすべてのネット入力に対する形状のベクトル。
layerIdsレイヤーIDを保存する出力ベクトル。
weights重みの結果バイト数を格納する出力パラメータ。
blobs中間ブロブの結果バイト数を格納する出力パラメータ。

◆ getOutputDetails()

void cv::dnn::Net::getOutputDetails ( std::vector< float > & scales,
std::vector< int > & zeropoints ) const
Python:
cv.dnn.Net.getOutputDetails() -> scales, zeropoints

量子化された Net の出力スケールとゼロポイントを返す。

引数
scales出力スケールを返すための出力パラメータ。
zeropoints出力ゼロポイントを返すための出力パラメータ。

◆ getParam() [1/2]

Mat cv::dnn::Net::getParam ( const String & layerName,
int numParam = 0 ) const
inline
Python:
cv.dnn.Net.getParam(layer[, numParam]) -> retval
cv.dnn.Net.getParam(layerName[, numParam]) -> retval
この関数の呼び出しグラフ:

◆ getParam() [2/2]

Mat cv::dnn::Net::getParam ( int layer,
int numParam = 0 ) const
Python:
cv.dnn.Net.getParam(layer[, numParam]) -> retval
cv.dnn.Net.getParam(layerName[, numParam]) -> retval

レイヤのパラメータブロブを返す。

引数
layerレイヤーの名前またはID。
numParamLayer::blobs 配列内におけるレイヤーパラメータのインデックス。
参照
Layer::blobs

◆ getPerfProfile()

int64 cv::dnn::Net::getPerfProfile ( std::vector< double > & timings)
Python:
cv.dnn.Net.getPerfProfile() -> retval, timings

推論の総時間と、各レイヤのタイミング (ティック単位) を返す。

返されるベクトルのインデックスはレイヤの id に対応する。一部のレイヤは他のレイヤと融合されることがあり、その場合スキップされたレイヤに対してはティック数 0 が返される。DNN_TARGET_CPU 上の DNN_BACKEND_OPENCV でのみサポートされる。

引数
[out]timingsすべてのレイヤーのティックタイミングを格納するベクトル。
戻り値
モデル推論の総ティック数。

◆ getUnconnectedOutLayers()

std::vector< int > cv::dnn::Net::getUnconnectedOutLayers ( ) const
Python:
cv.dnn.Net.getUnconnectedOutLayers() -> retval

出力が未接続のレイヤのインデックスを返す。

FIXIT: API を registerOutput() 方式に作り直し、この呼び出しを非推奨にする

◆ getUnconnectedOutLayersNames()

std::vector< String > cv::dnn::Net::getUnconnectedOutLayersNames ( ) const
Python:
cv.dnn.Net.getUnconnectedOutLayersNames() -> retval

出力が未接続のレイヤの名前を返す。

FIXIT: API を registerOutput() 方式に作り直し、この呼び出しを非推奨にする

◆ quantize()

Net cv::dnn::Net::quantize ( InputArrayOfArrays calibData,
int inputsDtype,
int outputsDtype,
bool perChannel = true )
Python:
cv.dnn.Net.quantize(calibData, inputsDtype, outputsDtype[, perChannel]) -> retval

浮動小数点の Net から量子化された Net を返す。

引数
calibData量子化パラメータを計算するためのキャリブレーションデータ。
inputsDtype量子化されたネットワークの入力のデータ型。CV_32F または CV_8S を指定できる。
outputsDtype量子化されたネットワークの出力のデータ型。CV_32F または CV_8S を指定できる。
perChannel量子化された Net の量子化粒度。デフォルトは true で、これはチャンネル単位 (channel-wise) でモデルを量子化することを意味する。テンソル単位 (tensor-wise) でモデルを量子化するには false を設定する。

◆ readFromModelOptimizer() [1/3]

static Net cv::dnn::Net::readFromModelOptimizer ( const std::vector< uchar > & bufferModelConfig,
const std::vector< uchar > & bufferWeights )
static
Python:
cv.dnn.Net.readFromModelOptimizer(xml, bin) -> retval
cv.dnn.Net.readFromModelOptimizer(bufferModelConfig, bufferWeights) -> retval
cv.dnn.Net_readFromModelOptimizer(xml, bin) -> retval
cv.dnn.Net_readFromModelOptimizer(bufferModelConfig, bufferWeights) -> retval

中間表現 (IR) を持つ Intel の Model Optimizer のメモリ内バッファからネットワークを作成する。

引数
[in]bufferModelConfigモデルの構成を格納したバッファ。
[in]bufferWeightsモデルの学習済み重みを格納したバッファ。
戻り値
Net オブジェクト。

◆ readFromModelOptimizer() [2/3]

static Net cv::dnn::Net::readFromModelOptimizer ( const uchar * bufferModelConfigPtr,
size_t bufferModelConfigSize,
const uchar * bufferWeightsPtr,
size_t bufferWeightsSize )
static
Python:
cv.dnn.Net.readFromModelOptimizer(xml, bin) -> retval
cv.dnn.Net.readFromModelOptimizer(bufferModelConfig, bufferWeights) -> retval
cv.dnn.Net_readFromModelOptimizer(xml, bin) -> retval
cv.dnn.Net_readFromModelOptimizer(bufferModelConfig, bufferWeights) -> retval

中間表現 (IR) を持つ Intel の Model Optimizer のメモリ内バッファからネットワークを作成する。

引数
[in]bufferModelConfigPtrモデルの構成のバッファポインタ。
[in]bufferModelConfigSizeモデルの構成のバッファサイズ。
[in]bufferWeightsPtrモデルの学習済み重みのバッファポインタ。
[in]bufferWeightsSizeモデルの学習済み重みのバッファサイズ。
戻り値
Net オブジェクト。

◆ readFromModelOptimizer() [3/3]

static Net cv::dnn::Net::readFromModelOptimizer ( CV_WRAP_FILE_PATH const String & xml,
CV_WRAP_FILE_PATH const String & bin )
static
Python:
cv.dnn.Net.readFromModelOptimizer(xml, bin) -> retval
cv.dnn.Net.readFromModelOptimizer(bufferModelConfig, bufferWeights) -> retval
cv.dnn.Net_readFromModelOptimizer(xml, bin) -> retval
cv.dnn.Net_readFromModelOptimizer(bufferModelConfig, bufferWeights) -> retval

Intel の Model Optimizer の中間表現 (IR) からネットワークを作成する。

引数
[in]xmlネットワークのトポロジーを記述した XML 構成ファイル。
[in]bin学習済み重みを格納したバイナリファイル。Intelの Model Optimizer からインポートされたネットワークは、IntelのInference Engineバックエンドで実行される。

◆ registerOutput()

int cv::dnn::Net::registerOutput ( const std::string & outputName,
int layerId,
int outputPort )
Python:
cv.dnn.Net.registerOutput(outputName, layerId, outputPort) -> retval

ネットワーク出力を名前付きで登録する。

この関数は追加の 'Identity' レイヤを作成することがある。

引数
outputName出力の識別子
layerId2番目のレイヤーの識別子
outputPort2番目のレイヤー入力の番号
戻り値
束縛されたレイヤのインデックス (layerId と同じか、新たに作成されたもの)

◆ setHalideScheduler()

void cv::dnn::Net::setHalideScheduler ( const String & scheduler)
Python:
cv.dnn.Net.setHalideScheduler(scheduler) -> None

Halide レイヤをコンパイルする。

引数
[in]schedulerスケジューリングディレクティブを記述したYAMLファイルへのパス。
参照
setPreferableBackend

Halide バックエンドをサポートするレイヤをスケジュールする。次に、それらを特定のターゲット向けにコンパイルする。スケジューリングファイルに記載されていないレイヤや、手動スケジューリングをまったく使用しない場合は、自動スケジューリングが適用される。

◆ setInput()

void cv::dnn::Net::setInput ( CV_ND InputArray blob,
const String & name = "",
double scalefactor = 1.0,
const Scalar & mean = Scalar() )
Python:
cv.dnn.Net.setInput(blob[, name[, scalefactor[, mean]]]) -> None

ネットワークに新しい入力値を設定する。

引数
blob新しいブロブ。ビット深度は CV_32F または CV_8U であるべきである。
name入力レイヤーの名前。
scalefactor省略可能な正規化スケール。
mean省略可能な平均値の減算値。
参照
記述子の format を知るには connect(String, String) を参照すること。

スケール値または平均値が指定された場合、最終的な入力ブロブは次のように計算される:

\[input(n,c,h,w) = scalefactor \times (blob(n,c,h,w) - mean_c)\]

例
samples/dnn/colorization.cpp, および samples/dnn/openpose.cpp。

◆ setInputShape()

void cv::dnn::Net::setInputShape ( const String & inputName,
const MatShape & shape )
Python:
cv.dnn.Net.setInputShape(inputName, shape) -> None

ネットワーク入力の形状を指定する。

◆ setInputsNames()

void cv::dnn::Net::setInputsNames ( const std::vector< String > & inputBlobNames)
Python:
cv.dnn.Net.setInputsNames(inputBlobNames) -> None

ネットワーク入力の擬似レイヤの出力名を設定する。

各ネットは常に id=0 を持つ専用のネットワーク入力擬似レイヤを持つ。このレイヤはユーザーのブロブのみを格納し、何の計算も行わない。実際、このレイヤはユーザーデータをネットワークに渡す唯一の手段を提供する。他のレイヤと同様に、このレイヤは自身の出力にラベルを付けることができ、この関数はそれを簡単に行う手段を提供する。

◆ setParam() [1/2]

void cv::dnn::Net::setParam ( const String & layerName,
int numParam,
CV_ND const Mat & blob )
inline
Python:
cv.dnn.Net.setParam(layer, numParam, blob) -> None
cv.dnn.Net.setParam(layerName, numParam, blob) -> None
この関数の呼び出しグラフ:

◆ setParam() [2/2]

void cv::dnn::Net::setParam ( int layer,
int numParam,
CV_ND const Mat & blob )
Python:
cv.dnn.Net.setParam(layer, numParam, blob) -> None
cv.dnn.Net.setParam(layerName, numParam, blob) -> None

レイヤの学習済みパラメータに新しい値を設定する。

引数
layerレイヤーの名前またはID。
numParamLayer::blobs 配列内におけるレイヤーパラメータのインデックス。
blob新しい値。
参照
Layer::blobs
覚え書き
新しいブロブの形状が以前の形状と異なる場合、以降の順伝播が失敗することがある。

◆ setPreferableBackend()

void cv::dnn::Net::setPreferableBackend ( int backendId)
Python:
cv.dnn.Net.setPreferableBackend(backendId) -> None

サポートされている場合に、ネットワークに特定の計算バックエンドを使用するよう指示する。

引数
[in]backendIdバックエンド識別子。
参照
Backend

◆ setPreferableTarget()

void cv::dnn::Net::setPreferableTarget ( int targetId)
Python:
cv.dnn.Net.setPreferableTarget(targetId) -> None

特定のターゲットデバイス上で計算を行うようネットワークに指示する。

引数
[in]targetIdターゲット識別子。
参照
Target

サポートされているバックエンド / ターゲットの組み合わせの一覧:

DNN_BACKEND_OPENCV DNN_BACKEND_INFERENCE_ENGINE DNN_BACKEND_HALIDE DNN_BACKEND_CUDA
DNN_TARGET_CPU + + +
DNN_TARGET_OPENCL + + +
DNN_TARGET_OPENCL_FP16 + +
DNN_TARGET_MYRIAD +
DNN_TARGET_FPGA +
DNN_TARGET_CUDA +
DNN_TARGET_CUDA_FP16 +
DNN_TARGET_HDDL +
例
samples/dnn/colorization.cpp.

Friends And Related Symbol Documentation

◆ accessor::DnnNetAccessor

friend class accessor::DnnNetAccessor
friend

メンバ変数詳解

◆ impl

Ptr<Impl> cv::dnn::Net::impl
protected
このクラス詳解は次のファイルから抽出されました:
Generated on Wed Dec 31 2025 07:26:25 for OpenCV by doxygen 1.12.0