ディープニューラルネットワークモジュール

トピック
	実装済みレイヤーの一部リスト
	新規レイヤー登録のためのユーティリティ

詳細説明

このモジュールには次のものが含まれる:

• 新しいレイヤーを作成するためのAPI。レイヤーはニューラルネットワークの構成要素である;
• 最も有用な組み込みレイヤーの集合;
• レイヤーから包括的なニューラルネットワークを構築・変更するためのAPI;
• さまざまなフレームワークからシリアライズされたネットワークモデルを読み込む機能。

このモジュールの機能は、フォワードパスの計算（すなわちネットワークのテスト）のみを対象として設計されている。ネットワークの学習は原則としてサポートされていない。

クラス
struct	cv::dnn::Arg
struct	cv::dnn::ArgData
class	cv::dnn::BackendNode
	このクラスの派生クラスは、特定のバックエンドの機能をカプセル化する。 詳細...
class	cv::dnn::BackendWrapper
	このクラスの派生クラスは、さまざまなバックエンドやターゲット向けに cv::Mat をラップする。続きを読む...
class	cv::dnn::ClassificationModel
	このクラスは分類モデルのための高レベルAPIを表す。 詳細...
class	cv::dnn::DetectionModel
	このクラスは物体検出ネットワークのための高レベルAPIを表す。 詳細...
class	cv::dnn::Dict
	このクラスは名前と値の辞書を実装する。値はDictValueのインスタンスである。 詳細...
struct	cv::dnn::DictValue
	この構造体は、double、cv::String、int64のいずれかの型のスカラー値（または配列）を格納する。 詳細...
class	cv::dnn::Graph
	モデルのグラフまたはサブグラフを表す。このグラフ（数学的には多重グラフ）は、トポロジカルソートされた線形の演算列として表現される。各演算は Layer（その派生クラスのインスタンス）へのスマートポインタであり、入力と出力のリストに加えて、省略可能なサブグラフのリスト（例: 'If' は2つのサブグラフを含む）を持つ。続きを読む...
struct	cv::dnn::Image2BlobParams
	画像をblobに変換する際の処理パラメータ。 詳細...
class	cv::dnn::KeypointsModel
	このクラスはキーポイントモデルのための高レベルAPIを表す。 詳細...
class	cv::dnn::Layer
	このインターフェースクラスは、ネットワークの構成要素である新しいLayerの構築を可能にする。 詳細...
class	cv::dnn::LayerParams
	このクラスはレイヤーを初期化するために必要なすべてのデータを提供する。 詳細...
class	cv::dnn::Model
	このクラスはニューラルネットワークのための高レベルAPIを表す。 詳細...
class	cv::dnn::Net
	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。 詳細...
class	cv::dnn::SegmentationModel
	このクラスはセグメンテーションモデルのための高レベルAPIを表す。 詳細...
class	cv::dnn::TextDetectionModel
	テキスト検出ネットワークの基底クラス。 詳細...
class	cv::dnn::TextDetectionModel_DB
	このクラスは、DBモデルに対応したテキスト検出DLネットワークのための高レベルAPIを表す。 詳細...
class	cv::dnn::TextDetectionModel_EAST
	このクラスは、EASTモデルに対応したテキスト検出DLネットワークのための高レベルAPIを表す。 詳細...
class	cv::dnn::TextRecognitionModel
	このクラスはテキスト認識ネットワークのための高レベルAPIを表す。 詳細...
class	cv::dnn::Tokenizer
	DNN 利用向けの高レベルなトークナイザのラッパー。続きを読む...

型定義
typedef std::map< std::string, std::vector< LayerFactory::Constructor > >	cv::dnn::LayerFactory_Impl
typedef int	cv::dnn::MatType

列挙型
enum	cv::dnn::ArgKind {   cv::dnn::DNN_ARG_EMPTY =0 ,   cv::dnn::DNN_ARG_CONST =1 ,   cv::dnn::DNN_ARG_INPUT =2 ,   cv::dnn::DNN_ARG_OUTPUT =3 ,   cv::dnn::DNN_ARG_TEMP =4 ,   cv::dnn::DNN_ARG_PATTERN =5 }
enum	cv::dnn::Backend {   cv::dnn::DNN_BACKEND_DEFAULT = 0 ,   cv::dnn::DNN_BACKEND_INFERENCE_ENGINE = 2 ,   cv::dnn::DNN_BACKEND_OPENCV ,   cv::dnn::DNN_BACKEND_VKCOM ,   cv::dnn::DNN_BACKEND_CUDA ,   cv::dnn::DNN_BACKEND_WEBNN ,   cv::dnn::DNN_BACKEND_TIMVX ,   cv::dnn::DNN_BACKEND_CANN }
	レイヤーがサポートする計算バックエンドのenum。 詳細...
enum	cv::dnn::EngineType {   cv::dnn::ENGINE_CLASSIC =1 ,   cv::dnn::ENGINE_NEW =2 ,   cv::dnn::ENGINE_AUTO =3 ,   cv::dnn::ENGINE_ORT =4 }
enum	cv::dnn::ImagePaddingMode {   cv::dnn::DNN_PMODE_NULL = 0 ,   cv::dnn::DNN_PMODE_CROP_CENTER = 1 ,   cv::dnn::DNN_PMODE_LETTERBOX = 2 }
	画像処理モードのenum。dnnモデルの前処理要件の特殊化を容易にする。たとえば、Yoloシリーズのモデルでよく使われるletter boxなどである。 詳細...
enum	cv::dnn::ModelFormat {   cv::dnn::DNN_MODEL_GENERIC = 0 ,   cv::dnn::DNN_MODEL_ONNX = 1 ,   cv::dnn::DNN_MODEL_TF = 2 ,   cv::dnn::DNN_MODEL_TFLITE = 3 }
enum	cv::dnn::ProfilingMode {   cv::dnn::DNN_PROFILE_NONE = 0 ,   cv::dnn::DNN_PROFILE_SUMMARY = 1 ,   cv::dnn::DNN_PROFILE_DETAILED = 2 }
enum class	cv::dnn::SoftNMSMethod {   cv::dnn::SoftNMSMethod::SOFTNMS_LINEAR = 1 ,   cv::dnn::SoftNMSMethod::SOFTNMS_GAUSSIAN = 2 }
	Soft NMS手法のenum。 詳細...
enum	cv::dnn::Target {   cv::dnn::DNN_TARGET_CPU = 0 ,   cv::dnn::DNN_TARGET_OPENCL ,   cv::dnn::DNN_TARGET_OPENCL_FP16 ,   cv::dnn::DNN_TARGET_MYRIAD ,   cv::dnn::DNN_TARGET_VULKAN ,   cv::dnn::DNN_TARGET_FPGA ,   cv::dnn::DNN_TARGET_CUDA ,   cv::dnn::DNN_TARGET_CUDA_FP16 ,   cv::dnn::DNN_TARGET_HDDL ,   cv::dnn::DNN_TARGET_NPU ,   cv::dnn::DNN_TARGET_CPU_FP16 }
	計算対象のターゲットデバイスのenum。 詳細...
enum	cv::dnn::TracingMode {   cv::dnn::DNN_TRACE_NONE = 0 ,   cv::dnn::DNN_TRACE_ALL = 1 ,   cv::dnn::DNN_TRACE_OP = 2 }

関数
std::string	cv::dnn::argKindToString (ArgKind kind)
Mat	cv::dnn::blobFromImage (InputArray image, double scalefactor=1.0, const Size &size=Size(), const Scalar &mean=Scalar(), bool swapRB=false, bool crop=false, int ddepth=CV_32F)
	画像から4次元のblobを作成する。必要に応じてimageを中心からリサイズおよびクロップし、mean値を減算し、scalefactorで値をスケーリングし、青と赤のチャンネルを入れ替える。
void	cv::dnn::blobFromImage (InputArray image, OutputArray blob, double scalefactor=1.0, const Size &size=Size(), const Scalar &mean=Scalar(), bool swapRB=false, bool crop=false, int ddepth=CV_32F)
	画像から4次元のblobを作成する。
Mat	cv::dnn::blobFromImages (InputArrayOfArrays images, double scalefactor=1.0, Size size=Size(), const Scalar &mean=Scalar(), bool swapRB=false, bool crop=false, int ddepth=CV_32F)
	一連の画像から4次元のblobを作成する。必要に応じてimagesを中心からリサイズおよびクロップし、mean値を減算し、scalefactorで値をスケーリングし、青と赤のチャンネルを入れ替える。
void	cv::dnn::blobFromImages (InputArrayOfArrays images, OutputArray blob, double scalefactor=1.0, Size size=Size(), const Scalar &mean=Scalar(), bool swapRB=false, bool crop=false, int ddepth=CV_32F)
	一連の画像から4次元のblobを作成する。
Mat	cv::dnn::blobFromImagesWithParams (InputArrayOfArrays images, const Image2BlobParams &param=Image2BlobParams())
	指定したパラメータで一連の画像から4次元のblobを作成する。
void	cv::dnn::blobFromImagesWithParams (InputArrayOfArrays images, OutputArray blob, const Image2BlobParams &param=Image2BlobParams())
Mat	cv::dnn::blobFromImageWithParams (InputArray image, const Image2BlobParams &param=Image2BlobParams())
	指定したパラメータで画像から4次元のblobを作成する。
void	cv::dnn::blobFromImageWithParams (InputArray image, OutputArray blob, const Image2BlobParams &param=Image2BlobParams())
void	cv::dnn::enableModelDiagnostics (bool isDiagnosticsMode)
	CV DNN APIによるDNNモデル読み込みの詳細なログ出力を有効にする。
std::vector< std::pair< Backend, Target > >	cv::dnn::getAvailableBackends ()
std::vector< Target >	cv::dnn::getAvailableTargets (dnn::Backend be)
LayerFactory_Impl &	cv::dnn::getLayerFactoryImpl ()
Mutex &	cv::dnn::getLayerFactoryMutex ()
	LayerFactory_Implを保護するミューテックスを取得する。getLayerFactoryImpl()関数を参照。
void	cv::dnn::imagesFromBlob (const cv::Mat &blob_, OutputArrayOfArrays images_)
	4Dのblobをパースしてそこにふくまれるイメージをよりシンプルなデータ構造（std::vector<cv::Mat>）を通じて2D配列として出力する。
std::string	cv::dnn::modelFormatToString (ModelFormat modelFormat)
void	cv::dnn::NMSBoxes (const std::vector< Rect > &bboxes, const std::vector< float > &scores, const float score_threshold, const float nms_threshold, std::vector< int > &indices, const float eta=1.f, const int top_k=0)
	与えられたボックスと対応するスコアに対して、non maximum suppressionを実行する。
void	cv::dnn::NMSBoxes (const std::vector< Rect2d > &bboxes, const std::vector< float > &scores, const float score_threshold, const float nms_threshold, std::vector< int > &indices, const float eta=1.f, const int top_k=0)
void	cv::dnn::NMSBoxes (const std::vector< RotatedRect > &bboxes, const std::vector< float > &scores, const float score_threshold, const float nms_threshold, std::vector< int > &indices, const float eta=1.f, const int top_k=0)
void	cv::dnn::NMSBoxesBatched (const std::vector< Rect > &bboxes, const std::vector< float > &scores, const std::vector< int > &class_ids, const float score_threshold, const float nms_threshold, std::vector< int > &indices, const float eta=1.f, const int top_k=0)
	与えられたボックスと対応するスコアに対して、異なるクラスをまたいでバッチ化したnon maximum suppressionを実行する。
void	cv::dnn::NMSBoxesBatched (const std::vector< Rect2d > &bboxes, const std::vector< float > &scores, const std::vector< int > &class_ids, const float score_threshold, const float nms_threshold, std::vector< int > &indices, const float eta=1.f, const int top_k=0)
Net	cv::dnn::readNet (const String &framework, const std::vector< uchar > &bufferModel, const std::vector< uchar > &bufferConfig=std::vector< uchar >(), int engine=ENGINE_AUTO)
	サポートされている形式のいずれかで表現された深層学習ネットワークを読み込む。
Net	cv::dnn::readNet (CV_WRAP_FILE_PATH const String &model, CV_WRAP_FILE_PATH const String &config="", const String &framework="", int engine=ENGINE_AUTO)
	サポートされている形式のいずれかで表現された深層学習ネットワークを読み込む。
Net	cv::dnn::readNetFromModelOptimizer (const std::vector< uchar > &bufferModelConfig, const std::vector< uchar > &bufferWeights)
	IntelのModel Optimizerの中間表現からネットワークを読み込む。
Net	cv::dnn::readNetFromModelOptimizer (const uchar *bufferModelConfigPtr, size_t bufferModelConfigSize, const uchar *bufferWeightsPtr, size_t bufferWeightsSize)
	IntelのModel Optimizerの中間表現からネットワークを読み込む。
Net	cv::dnn::readNetFromModelOptimizer (CV_WRAP_FILE_PATH const String &xml, CV_WRAP_FILE_PATH const String &bin="")
	IntelのModel Optimizerの中間表現からネットワークを読み込む。
Net	cv::dnn::readNetFromONNX (const char *buffer, size_t sizeBuffer, int engine=ENGINE_AUTO)
	メモリ上のバッファからONNXのネットワークモデルを読み込む。
Net	cv::dnn::readNetFromONNX (const std::vector< uchar > &buffer, int engine=ENGINE_AUTO)
	メモリ上のバッファからONNXのネットワークモデルを読み込む。
Net	cv::dnn::readNetFromONNX (CV_WRAP_FILE_PATH const String &onnxFile, int engine=ENGINE_AUTO)
	ONNXのネットワークモデルを読み込む。
Net	cv::dnn::readNetFromTensorflow (const char *bufferModel, size_t lenModel, const char *bufferConfig=NULL, size_t lenConfig=0, int engine=ENGINE_AUTO, const std::vector< String > &extraOutputs=std::vector< String >())
	TensorFlowフレームワークの形式で格納されたネットワークモデルを読み込む。
Net	cv::dnn::readNetFromTensorflow (const std::vector< uchar > &bufferModel, const std::vector< uchar > &bufferConfig=std::vector< uchar >(), int engine=ENGINE_AUTO, const std::vector< String > &extraOutputs=std::vector< String >())
	TensorFlowフレームワークの形式で格納されたネットワークモデルを読み込む。
Net	cv::dnn::readNetFromTensorflow (CV_WRAP_FILE_PATH const String &model, CV_WRAP_FILE_PATH const String &config=String(), int engine=ENGINE_AUTO, const std::vector< String > &extraOutputs=std::vector< String >())
	TensorFlowフレームワークの形式で格納されたネットワークモデルを読み込む。
Net	cv::dnn::readNetFromTFLite (const char *bufferModel, size_t lenModel, int engine=ENGINE_AUTO)
	TFLiteフレームワークの形式で格納されたネットワークモデルを読み込む。
Net	cv::dnn::readNetFromTFLite (const std::vector< uchar > &bufferModel, int engine=ENGINE_AUTO)
	TFLiteフレームワークの形式で格納されたネットワークモデルを読み込む。
Net	cv::dnn::readNetFromTFLite (CV_WRAP_FILE_PATH const String &model, int engine=ENGINE_AUTO)
	TFLiteフレームワークの形式で格納されたネットワークモデルを読み込む。
Mat	cv::dnn::readTensorFromONNX (CV_WRAP_FILE_PATH const String &path)
	.pbファイルからblobを作成する。
void	cv::dnn::softNMSBoxes (const std::vector< Rect > &bboxes, const std::vector< float > &scores, std::vector< float > &updated_scores, const float score_threshold, const float nms_threshold, std::vector< int > &indices, size_t top_k=0, const float sigma=0.5, SoftNMSMethod method=SoftNMSMethod::SOFTNMS_GAUSSIAN)
	与えられたボックスと対応するスコアに対して、soft non maximum suppressionを実行する。参考: https://arxiv.org/abs/1704.04503。
void	cv::dnn::writeTextGraph (CV_WRAP_FILE_PATH const String &model, CV_WRAP_FILE_PATH const String &output)
	protocol buffer形式で格納されたバイナリネットワークのテキスト表現を作成する。

型定義詳解

LayerFactory_Impl

typedef std::map<std::string, std::vector<LayerFactory::Constructor> > cv::dnn::LayerFactory_Impl

#include <opencv2/dnn/layer_reg.private.hpp>

MatType

typedef int cv::dnn::MatType

#include <opencv2/dnn/dnn.hpp>

列挙型詳解

ArgKind

enum cv::dnn::ArgKind

#include <opencv2/dnn/dnn.hpp>

列挙値
DNN_ARG_EMPTY  Python: cv.dnn.DNN_ARG_EMPTY	Arg.idx==0 の場合のみ有効。「引数なし」を表す。
DNN_ARG_CONST  Python: cv.dnn.DNN_ARG_CONST	定数引数。
DNN_ARG_INPUT  Python: cv.dnn.DNN_ARG_INPUT	モデル全体への入力。Net::forward() の前、または Net::forward() 内で、すべての入力を設定しておかなければならない。
DNN_ARG_OUTPUT  Python: cv.dnn.DNN_ARG_OUTPUT	モデルの出力。
DNN_ARG_TEMP  Python: cv.dnn.DNN_ARG_TEMP	中間結果。ある演算の結果であり、他の演算への入力となるもの。
DNN_ARG_PATTERN  Python: cv.dnn.DNN_ARG_PATTERN	現時点では未使用。

Backend

enum cv::dnn::Backend

#include <opencv2/dnn/dnn.hpp>

レイヤーがサポートする計算バックエンドのenum。

参照

Net::setPreferableBackend

列挙値
DNN_BACKEND_DEFAULT  Python: cv.dnn.DNN_BACKEND_DEFAULT	DNN_BACKEND_DEFAULTはOPENCV_DNN_BACKEND_DEFAULTと等しく、CMakeまたは設定パラメータで定義できる。
DNN_BACKEND_INFERENCE_ENGINE  Python: cv.dnn.DNN_BACKEND_INFERENCE_ENGINE	Intel OpenVINO計算バックエンド。サポートされるターゲット: CPU, OPENCL, OPENCL_FP16, MYRIAD, HDDL, NPU 覚え書き OpenVINOを使ってOpenCVをビルドする方法のチュートリアル: OpenVINOでのOpenCV利用
DNN_BACKEND_OPENCV  Python: cv.dnn.DNN_BACKEND_OPENCV
DNN_BACKEND_VKCOM  Python: cv.dnn.DNN_BACKEND_VKCOM
DNN_BACKEND_CUDA  Python: cv.dnn.DNN_BACKEND_CUDA
DNN_BACKEND_WEBNN  Python: cv.dnn.DNN_BACKEND_WEBNN
DNN_BACKEND_TIMVX  Python: cv.dnn.DNN_BACKEND_TIMVX
DNN_BACKEND_CANN  Python: cv.dnn.DNN_BACKEND_CANN

EngineType

enum cv::dnn::EngineType

#include <opencv2/dnn/dnn.hpp>

列挙値
ENGINE_CLASSIC  Python: cv.dnn.ENGINE_CLASSIC	4.x ブランチと同様の古い dnn エンジンの使用を強制する。
ENGINE_NEW  Python: cv.dnn.ENGINE_NEW	新しい dnn エンジンの使用を強制する。このエンジンは現時点で非CPUバックエンドをサポートしていない。
ENGINE_AUTO  Python: cv.dnn.ENGINE_AUTO	新しいエンジンの使用を試み、その後従来版にフォールバックする。
ENGINE_ORT  Python: cv.dnn.ENGINE_ORT	ONNX Runtime ラッパーの使用を試みる（ONNX のみ、WITH_ONNXRUNTIME=ON でのビルドが必要）。

ImagePaddingMode

enum cv::dnn::ImagePaddingMode

#include <opencv2/dnn/dnn.hpp>

画像処理モードのenum。dnnモデルの前処理要件の特殊化を容易にするためのもの。例えば、Yolo系のモデルでよく使われる letter box などがある。

参照

Image2BlobParams

列挙値
DNN_PMODE_NULL  Python: cv.dnn.DNN_PMODE_NULL
DNN_PMODE_CROP_CENTER  Python: cv.dnn.DNN_PMODE_CROP_CENTER
DNN_PMODE_LETTERBOX  Python: cv.dnn.DNN_PMODE_LETTERBOX

ModelFormat

enum cv::dnn::ModelFormat

#include <opencv2/dnn/dnn.hpp>

列挙値
DNN_MODEL_GENERIC  Python: cv.dnn.DNN_MODEL_GENERIC	何らかの汎用的なモデル形式。
DNN_MODEL_ONNX  Python: cv.dnn.DNN_MODEL_ONNX	ONNX モデル。
DNN_MODEL_TF  Python: cv.dnn.DNN_MODEL_TF	TF モデル。
DNN_MODEL_TFLITE  Python: cv.dnn.DNN_MODEL_TFLITE	TFLite モデル。

ProfilingMode

enum cv::dnn::ProfilingMode

#include <opencv2/dnn/dnn.hpp>

列挙値
DNN_PROFILE_NONE  Python: cv.dnn.DNN_PROFILE_NONE	プロファイリングを行わない。
DNN_PROFILE_SUMMARY  Python: cv.dnn.DNN_PROFILE_SUMMARY	レイヤー種別ごと（例: すべての「Conv2D」やすべての「Add」）に集計統計を収集し、実行時間順（最も高コストなレイヤーが先頭）にソートして最後に出力する。これによりオーバーヘッドが生じ、特に非CPUバックエンドの場合に処理が遅くなる可能性がある点に注意すること。
DNN_PROFILE_DETAILED  Python: cv.dnn.DNN_PROFILE_DETAILED	個々のレイヤーの実行時間を出力する。これによりオーバーヘッドが生じ、特に非CPUバックエンドの場合に処理が遅くなる可能性がある点に注意すること。

SoftNMSMethod

enum class cv::dnn::SoftNMSMethod

strong

#include <opencv2/dnn/dnn.hpp>

Soft NMS手法のenum。

参照

softNMSBoxes

列挙値
SOFTNMS_LINEAR
SOFTNMS_GAUSSIAN

Target

enum cv::dnn::Target

#include <opencv2/dnn/dnn.hpp>

計算に用いるターゲットデバイスのenum。

参照

Net::setPreferableTarget

列挙値
DNN_TARGET_CPU  Python: cv.dnn.DNN_TARGET_CPU
DNN_TARGET_OPENCL  Python: cv.dnn.DNN_TARGET_OPENCL
DNN_TARGET_OPENCL_FP16  Python: cv.dnn.DNN_TARGET_OPENCL_FP16
DNN_TARGET_MYRIAD  Python: cv.dnn.DNN_TARGET_MYRIAD
DNN_TARGET_VULKAN  Python: cv.dnn.DNN_TARGET_VULKAN
DNN_TARGET_FPGA  Python: cv.dnn.DNN_TARGET_FPGA	Inference EngineのHeterogeneousプラグインを用い、CPUフォールバックを伴うFPGAデバイス。
DNN_TARGET_CUDA  Python: cv.dnn.DNN_TARGET_CUDA
DNN_TARGET_CUDA_FP16  Python: cv.dnn.DNN_TARGET_CUDA_FP16
DNN_TARGET_HDDL  Python: cv.dnn.DNN_TARGET_HDDL
DNN_TARGET_NPU  Python: cv.dnn.DNN_TARGET_NPU
DNN_TARGET_CPU_FP16  Python: cv.dnn.DNN_TARGET_CPU_FP16

TracingMode

enum cv::dnn::TracingMode

#include <opencv2/dnn/dnn.hpp>

列挙値
DNN_TRACE_NONE  Python: cv.dnn.DNN_TRACE_NONE	何もトレースしない。
DNN_TRACE_ALL  Python: cv.dnn.DNN_TRACE_ALL	実行されたすべての演算を出力テンソルとともに表示する。おおむね ONNX Runtime と互換性がある。
DNN_TRACE_OP  Python: cv.dnn.DNN_TRACE_OP	実行されたすべての演算を表示する。すべての入力と出力の型と形状が表示されるが、内容は表示されない。

関数詳解

argKindToString()

std::string cv::dnn::argKindToString

(

ArgKind

kind

)

#include <opencv2/dnn/dnn.hpp>

blobFromImage() [1/2]

Mat cv::dnn::blobFromImage	(	InputArray	image,
		double	scalefactor = 1.0,
		const Size &	size = Size(),
		const Scalar &	mean = Scalar(),
		bool	swapRB = false,
		bool	crop = false,
		int	ddepth = CV_32F )

Python:
	cv.dnn.blobFromImage(	image[, scalefactor[, size[, mean[, swapRB[, crop[, ddepth]]]]]]	) ->	retval

#include <opencv2/dnn/dnn.hpp>

画像から4次元のblobを生成する。省略可能で image を中心からリサイズおよびクロップし、mean 値を減算し、scalefactor で値をスケーリングし、青と赤のチャンネルを入れ替える。

引数

image	入力画像（1、3、または 4 チャンネル）。
scalefactor	images の値に対する乗数。
size	出力画像の空間サイズ
mean	チャンネルから減算される平均値を持つスカラー。image が BGR 順で swapRB が true の場合、値は (mean-R, mean-G, mean-B) の順であることを想定している。
swapRB	3 チャンネル画像において、最初と最後のチャンネルを入れ替える必要があることを示すフラグ。
crop	リサイズ後に画像をクロップするかどうかを示すフラグ
ddepth	出力 blob のビット深度。CV_32F または CV_8U を選択する。

crop がtrueの場合、リサイズ後に一方の辺が size の対応する次元と等しくなり、もう一方の辺がそれ以上となるように入力画像がリサイズされる。その後、中心からクロップが行われる。crop がfalseの場合は、クロップを行わずアスペクト比を保持した直接的なリサイズが行われる。

戻り値

NCHW の次元順を持つ4次元の Mat。

覚え書き

scalefactor と mean の順序および用法は (input - mean) * scalefactor である。

blobFromImage() [2/2]

void cv::dnn::blobFromImage	(	InputArray	image,
		OutputArray	blob,
		double	scalefactor = 1.0,
		const Size &	size = Size(),
		const Scalar &	mean = Scalar(),
		bool	swapRB = false,
		bool	crop = false,
		int	ddepth = CV_32F )

Python:
	cv.dnn.blobFromImage(	image[, scalefactor[, size[, mean[, swapRB[, crop[, ddepth]]]]]]	) ->	retval

#include <opencv2/dnn/dnn.hpp>

画像から4次元のblobを生成する。

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。

blobFromImages() [1/2]

Mat cv::dnn::blobFromImages	(	InputArrayOfArrays	images,
		double	scalefactor = 1.0,
		Size	size = Size(),
		const Scalar &	mean = Scalar(),
		bool	swapRB = false,
		bool	crop = false,
		int	ddepth = CV_32F )

Python:
	cv.dnn.blobFromImages(	images[, scalefactor[, size[, mean[, swapRB[, crop[, ddepth]]]]]]	) ->	retval

#include <opencv2/dnn/dnn.hpp>

一連の画像から4次元のblobを生成する。省略可能で images を中心からリサイズおよびクロップし、mean 値を減算し、scalefactor で値をスケーリングし、青と赤のチャンネルを入れ替える。

引数

images	入力画像群（すべて 1、3、または 4 チャンネル）。
size	出力画像の空間サイズ
mean	チャンネルから減算される平均値を持つスカラー。image が BGR 順で swapRB が true の場合、値は (mean-R, mean-G, mean-B) の順であることを想定している。
scalefactor	images の値に対する乗数。
swapRB	3 チャンネル画像において、最初と最後のチャンネルを入れ替える必要があることを示すフラグ。
crop	リサイズ後に画像をクロップするかどうかを示すフラグ
ddepth	出力 blob のビット深度。CV_32F または CV_8U を選択する。

crop がtrueの場合、リサイズ後に一方の辺が size の対応する次元と等しくなり、もう一方の辺がそれ以上となるように入力画像がリサイズされる。その後、中心からクロップが行われる。crop がfalseの場合は、クロップを行わずアスペクト比を保持した直接的なリサイズが行われる。

戻り値

NCHW の次元順を持つ4次元の Mat。

覚え書き

scalefactor と mean の順序および用法は (input - mean) * scalefactor である。

blobFromImages() [2/2]

void cv::dnn::blobFromImages	(	InputArrayOfArrays	images,
		OutputArray	blob,
		double	scalefactor = 1.0,
		Size	size = Size(),
		const Scalar &	mean = Scalar(),
		bool	swapRB = false,
		bool	crop = false,
		int	ddepth = CV_32F )

Python:
	cv.dnn.blobFromImages(	images[, scalefactor[, size[, mean[, swapRB[, crop[, ddepth]]]]]]	) ->	retval

#include <opencv2/dnn/dnn.hpp>

一連の画像から4次元のblobを生成する。

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。

blobFromImagesWithParams() [1/2]

Mat cv::dnn::blobFromImagesWithParams	(	InputArrayOfArrays	images,
		const Image2BlobParams &	param = Image2BlobParams() )

Python:
	cv.dnn.blobFromImagesWithParams(	images[, param]	) ->	retval
	cv.dnn.blobFromImagesWithParams(	images[, blob[, param]]	) ->	blob

#include <opencv2/dnn/dnn.hpp>

指定したパラメータを用いて一連の画像から4次元のblobを生成する。

この関数は、より多様な画像前処理のニーズに応えるための blobFromImages の拡張である。入力画像と前処理パラメータを与えると、関数はblobを出力する。

引数

images	入力画像（すべて 1、3、または 4 チャンネル）。
param	Image2BlobParams 構造体。画像から blob への処理に必要なすべての引数を含む。

戻り値

4次元の Mat。

blobFromImagesWithParams() [2/2]

void cv::dnn::blobFromImagesWithParams	(	InputArrayOfArrays	images,
		OutputArray	blob,
		const Image2BlobParams &	param = Image2BlobParams() )

Python:
	cv.dnn.blobFromImagesWithParams(	images[, param]	) ->	retval
	cv.dnn.blobFromImagesWithParams(	images[, blob[, param]]	) ->	blob

#include <opencv2/dnn/dnn.hpp>

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。

blobFromImageWithParams() [1/2]

Mat cv::dnn::blobFromImageWithParams	(	InputArray	image,
		const Image2BlobParams &	param = Image2BlobParams() )

Python:
	cv.dnn.blobFromImageWithParams(	image[, param]	) ->	retval
	cv.dnn.blobFromImageWithParams(	image[, blob[, param]]	) ->	blob

#include <opencv2/dnn/dnn.hpp>

指定したパラメータを用いて画像から4次元のblobを生成する。

この関数は、より多様な画像前処理のニーズに応えるための blobFromImage の拡張である。入力画像と前処理パラメータを与えると、関数はblobを出力する。

引数

image	入力画像（すべて 1、3、または 4 チャンネル）。
param	Image2BlobParams 構造体。画像から blob への処理に必要なすべての引数を含む。

戻り値

4次元の Mat。

blobFromImageWithParams() [2/2]

void cv::dnn::blobFromImageWithParams	(	InputArray	image,
		OutputArray	blob,
		const Image2BlobParams &	param = Image2BlobParams() )

Python:
	cv.dnn.blobFromImageWithParams(	image[, param]	) ->	retval
	cv.dnn.blobFromImageWithParams(	image[, blob[, param]]	) ->	blob

#include <opencv2/dnn/dnn.hpp>

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。

enableModelDiagnostics()

void cv::dnn::enableModelDiagnostics

(

bool

isDiagnosticsMode

)

#include <opencv2/dnn/dnn.hpp>

CV DNN APIによるDNNモデル読み込みの詳細なロギングを有効にする。

引数

[in]

isDiagnosticsMode

診断モードを設定すべきかどうかを示す。

診断モードは、潜在的な問題（例: 未実装のレイヤー型）を調査するために、モデル読み込み段階の詳細なロギングを提供する。

覚え書き

診断モードでは一連のアサーションがスキップされるため、想定外のアプリケーションのクラッシュにつながる可能性がある。

getAvailableBackends()

std::vector< std::pair< Backend, Target > > cv::dnn::getAvailableBackends

(

)

#include <opencv2/dnn/dnn.hpp>

getAvailableTargets()

std::vector< Target > cv::dnn::getAvailableTargets

(

dnn::Backend

be

)

Python:
	cv.dnn.getAvailableTargets(	be	) ->	retval

#include <opencv2/dnn/dnn.hpp>

getLayerFactoryImpl()

LayerFactory_Impl & cv::dnn::getLayerFactoryImpl

(

)

#include <opencv2/dnn/layer_reg.private.hpp>

DNNモデルのレイヤー型を登録する。

覚え書き

ファクトリにスレッドセーフにアクセスするには、getLayerFactoryMutex() 関数を参照すること。

getLayerFactoryMutex()

Mutex & cv::dnn::getLayerFactoryMutex

(

)

#include <opencv2/dnn/layer_reg.private.hpp>

LayerFactory_Impl を保護するミューテックスを取得する。getLayerFactoryImpl() 関数を参照すること。

imagesFromBlob()

void cv::dnn::imagesFromBlob	(	const cv::Mat &	blob_,
		OutputArrayOfArrays	images_ )

Python:
	cv.dnn.imagesFromBlob(	blob_[, images_]	) ->	images_

#include <opencv2/dnn/dnn.hpp>

4次元のblobをパースし、それが含む画像をより単純なデータ構造 (std::vector<cv::Mat>) として2次元配列で出力する。

引数

[in]	blob_	画像を抽出する元となる、浮動小数点精度 (CV_32F) の 4 次元配列 (images, channels, height, width)。
[out]	images_	blob から抽出された画像を浮動小数点精度 (CV_32F) で格納した2Dの Mat の配列。正規化も平均値の加算も行われていない。返される画像の枚数は blob の第1次元（バッチサイズ）と等しい。各画像のチャンネル数は blob の第2次元（深さ）と等しい。

modelFormatToString()

std::string cv::dnn::modelFormatToString

(

ModelFormat

modelFormat

)

#include <opencv2/dnn/dnn.hpp>

NMSBoxes() [1/3]

void cv::dnn::NMSBoxes	(	const std::vector< Rect > &	bboxes,
		const std::vector< float > &	scores,
		const float	score_threshold,
		const float	nms_threshold,
		std::vector< int > &	indices,
		const float	eta = 1.f,
		const int	top_k = 0 )

Python:
	cv.dnn.NMSBoxes(	bboxes, scores, score_threshold, nms_threshold[, eta[, top_k]]	) ->	indices
	cv.dnn.NMSBoxesRotated(	bboxes, scores, score_threshold, nms_threshold[, eta[, top_k]]	) ->	indices

#include <opencv2/dnn/dnn.hpp>

ボックスと対応するスコアを与えて非最大抑制 (non maximum suppression) を実行する。

引数

bboxes	NMS を適用するバウンディングボックスの集合。
scores	対応する信頼度の集合。
score_threshold	スコアでボックスをフィルタリングするために使用するしきい値。
nms_threshold	非最大抑制 (non maximum suppression) で使用するしきい値。
indices	NMS 後に保持される bbox のインデックス。
eta	適応的しきい値の式における係数: \(nms\_threshold_{i+1}=eta\cdot nms\_threshold_i\)。
top_k	>0 の場合、選択されたインデックスを最大でも top_k 個まで保持する。

NMSBoxes() [2/3]

void cv::dnn::NMSBoxes	(	const std::vector< Rect2d > &	bboxes,
		const std::vector< float > &	scores,
		const float	score_threshold,
		const float	nms_threshold,
		std::vector< int > &	indices,
		const float	eta = 1.f,
		const int	top_k = 0 )

Python:
	cv.dnn.NMSBoxes(	bboxes, scores, score_threshold, nms_threshold[, eta[, top_k]]	) ->	indices
	cv.dnn.NMSBoxesRotated(	bboxes, scores, score_threshold, nms_threshold[, eta[, top_k]]	) ->	indices

#include <opencv2/dnn/dnn.hpp>

NMSBoxes() [3/3]

void cv::dnn::NMSBoxes	(	const std::vector< RotatedRect > &	bboxes,
		const std::vector< float > &	scores,
		const float	score_threshold,
		const float	nms_threshold,
		std::vector< int > &	indices,
		const float	eta = 1.f,
		const int	top_k = 0 )

Python:
	cv.dnn.NMSBoxes(	bboxes, scores, score_threshold, nms_threshold[, eta[, top_k]]	) ->	indices
	cv.dnn.NMSBoxesRotated(	bboxes, scores, score_threshold, nms_threshold[, eta[, top_k]]	) ->	indices

#include <opencv2/dnn/dnn.hpp>

NMSBoxesBatched() [1/2]

void cv::dnn::NMSBoxesBatched	(	const std::vector< Rect > &	bboxes,
		const std::vector< float > &	scores,
		const std::vector< int > &	class_ids,
		const float	score_threshold,
		const float	nms_threshold,
		std::vector< int > &	indices,
		const float	eta = 1.f,
		const int	top_k = 0 )

Python:
	cv.dnn.NMSBoxesBatched(	bboxes, scores, class_ids, score_threshold, nms_threshold[, eta[, top_k]]	) ->	indices

#include <opencv2/dnn/dnn.hpp>

与えられたボックスと対応するスコアに対し、異なるクラスをまたいでバッチ化された非最大抑制を実行する。

引数

bboxes	NMS を適用するバウンディングボックスの集合。
scores	対応する信頼度の集合。
class_ids	対応するクラス ID の集合。ID は整数で、通常は 0 から始まる。
score_threshold	スコアでボックスをフィルタリングするために使用するしきい値。
nms_threshold	非最大抑制 (non maximum suppression) で使用するしきい値。
indices	NMS 後に保持される bbox のインデックス。
eta	適応的しきい値の式における係数: \(nms\_threshold_{i+1}=eta\cdot nms\_threshold_i\)。
top_k	>0 の場合、選択されたインデックスを最大でも top_k 個まで保持する。

NMSBoxesBatched() [2/2]

void cv::dnn::NMSBoxesBatched	(	const std::vector< Rect2d > &	bboxes,
		const std::vector< float > &	scores,
		const std::vector< int > &	class_ids,
		const float	score_threshold,
		const float	nms_threshold,
		std::vector< int > &	indices,
		const float	eta = 1.f,
		const int	top_k = 0 )

Python:
	cv.dnn.NMSBoxesBatched(	bboxes, scores, class_ids, score_threshold, nms_threshold[, eta[, top_k]]	) ->	indices

#include <opencv2/dnn/dnn.hpp>

readNet() [1/2]

Net cv::dnn::readNet	(	const String &	framework,
		const std::vector< uchar > &	bufferModel,
		const std::vector< uchar > &	bufferConfig = std::vector< uchar >(),
		int	engine = ENGINE_AUTO )

Python:
	cv.dnn.readNet(	model[, config[, framework[, engine]]]	) ->	retval
	cv.dnn.readNet(	framework, bufferModel[, bufferConfig[, engine]]	) ->	retval

#include <opencv2/dnn/dnn.hpp>

サポートされている形式のいずれかで表現された深層学習ネットワークを読み込む。

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。

引数

[in]	framework	元のフレームワーク名。
[in]	bufferModel	重みを格納したバイナリファイルの内容を持つバッファ
[in]	bufferConfig	ネットワーク構成を含むテキストファイルの内容を持つバッファ。
	engine	使用する DNN エンジンを選択する。自動選択では新しいエンジンが優先的に使用され、利用できない場合は従来版にフォールバックする。新しい DNN は現時点で非CPUバックエンドをサポートしていない点に注意すること。他のバックエンドを使用したい場合は ENGINE_CLASSIC を使用すること。

戻り値

Net オブジェクト。

readNet() [2/2]

Net cv::dnn::readNet	(	CV_WRAP_FILE_PATH const String &	model,
		CV_WRAP_FILE_PATH const String &	config = "",
		const String &	framework = "",
		int	engine = ENGINE_AUTO )

Python:
	cv.dnn.readNet(	model[, config[, framework[, engine]]]	) ->	retval
	cv.dnn.readNet(	framework, bufferModel[, bufferConfig[, engine]]	) ->	retval

#include <opencv2/dnn/dnn.hpp>

サポートされている形式のいずれかで表現された深層学習ネットワークを読み込む。

引数

[in]	model	学習済みの重みを含むバイナリファイル。異なるフレームワークのモデルでは、以下のファイル拡張子が想定される: *.pb (TensorFlow, https://www.tensorflow.org/) *.bin | *.onnx (OpenVINO, https://software.intel.com/openvino-toolkit) *.onnx (ONNX, https://onnx.ai/)
[in]	config	ネットワーク構成を含むテキストファイル。以下の拡張子を持つファイルが該当する: *.pbtxt (TensorFlow, https://www.tensorflow.org/) *.xml (OpenVINO, https://software.intel.com/openvino-toolkit)
[in]	framework	フォーマットを判別するための明示的なフレームワーク名タグ。
[in]	engine	使用する DNN エンジンを選択する。自動選択では新しいエンジンが優先的に使用され、利用できない場合は従来版にフォールバックする。新しい DNN は現時点で非CPUバックエンドをサポートしていない点に注意すること。他のバックエンドを使用したい場合は ENGINE_CLASSIC を使用すること。

戻り値

Net オブジェクト。

この関数は学習済みモデルの元のフレームワークを自動的に検出し、readNetFromTensorflow や readNetFromONNX といった適切な関数を呼び出す。model と config の引数の順序は問わない。

readNetFromModelOptimizer() [1/3]

Net cv::dnn::readNetFromModelOptimizer	(	const std::vector< uchar > &	bufferModelConfig,
		const std::vector< uchar > &	bufferWeights )

Python:
	cv.dnn.readNetFromModelOptimizer(	xml[, bin]	) ->	retval
	cv.dnn.readNetFromModelOptimizer(	bufferModelConfig, bufferWeights	) ->	retval

#include <opencv2/dnn/dnn.hpp>

Intelの Model Optimizerの中間表現からネットワークを読み込む。

引数

[in]	bufferModelConfig	ネットワークのトポロジーを記述した XML 構成を含むバッファ。
[in]	bufferWeights	学習済みの重みを持つバイナリデータを含むバッファ。

戻り値

Net オブジェクト。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。

readNetFromModelOptimizer() [2/3]

Net cv::dnn::readNetFromModelOptimizer	(	const uchar *	bufferModelConfigPtr,
		size_t	bufferModelConfigSize,
		const uchar *	bufferWeightsPtr,
		size_t	bufferWeightsSize )

Python:
	cv.dnn.readNetFromModelOptimizer(	xml[, bin]	) ->	retval
	cv.dnn.readNetFromModelOptimizer(	bufferModelConfig, bufferWeights	) ->	retval

#include <opencv2/dnn/dnn.hpp>

Intelの Model Optimizerの中間表現からネットワークを読み込む。

引数

[in]	bufferModelConfigPtr	ネットワークのトポロジーを記述した XML 構成を含むバッファへのポインタ。
[in]	bufferModelConfigSize	XML 構成データのバイナリサイズ。
[in]	bufferWeightsPtr	学習済みの重みを持つバイナリデータを含むバッファへのポインタ。
[in]	bufferWeightsSize	学習済みの重みデータのバイナリサイズ。

戻り値

Net オブジェクト。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。

readNetFromModelOptimizer() [3/3]

Net cv::dnn::readNetFromModelOptimizer	(	CV_WRAP_FILE_PATH const String &	xml,
		CV_WRAP_FILE_PATH const String &	bin = "" )

Python:
	cv.dnn.readNetFromModelOptimizer(	xml[, bin]	) ->	retval
	cv.dnn.readNetFromModelOptimizer(	bufferModelConfig, bufferWeights	) ->	retval

#include <opencv2/dnn/dnn.hpp>

Intelの Model Optimizerの中間表現からネットワークを読み込む。

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	学習済みの重みを持つバイナリファイル。

戻り値

Net オブジェクト。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。

readNetFromONNX() [1/3]

Net cv::dnn::readNetFromONNX	(	const char *	buffer,
		size_t	sizeBuffer,
		int	engine = ENGINE_AUTO )

Python:
	cv.dnn.readNetFromONNX(	onnxFile[, engine]	) ->	retval
	cv.dnn.readNetFromONNX(	buffer[, engine]	) ->	retval

#include <opencv2/dnn/dnn.hpp>

ONNX のメモリ上バッファからネットワークモデルを読み込む。

引数

buffer	バッファの先頭バイトのメモリアドレス。
sizeBuffer	バッファのサイズ。
engine	使用する DNN エンジンを選択する。自動選択では新しいエンジンが優先的に使用され、利用できない場合は従来版にフォールバックする。

戻り値

フォワード処理の準備が整ったネットワークオブジェクト。失敗時には例外をスローする。

readNetFromONNX() [2/3]

Net cv::dnn::readNetFromONNX	(	const std::vector< uchar > &	buffer,
		int	engine = ENGINE_AUTO )

Python:
	cv.dnn.readNetFromONNX(	onnxFile[, engine]	) ->	retval
	cv.dnn.readNetFromONNX(	buffer[, engine]	) ->	retval

#include <opencv2/dnn/dnn.hpp>

ONNX のメモリ上バッファからネットワークモデルを読み込む。

引数

buffer	ONNX モデルのバイト列を格納するメモリ内バッファ。
engine	使用する DNN エンジンを選択する。自動選択では新しいエンジンが優先的に使用され、利用できない場合は従来版にフォールバックする。新しい DNN は現時点で非CPUバックエンドをサポートしていない点に注意すること。

戻り値

フォワード処理の準備が整ったネットワークオブジェクト。失敗時には例外をスローする。

readNetFromONNX() [3/3]

Net cv::dnn::readNetFromONNX	(	CV_WRAP_FILE_PATH const String &	onnxFile,
		int	engine = ENGINE_AUTO )

Python:
	cv.dnn.readNetFromONNX(	onnxFile[, engine]	) ->	retval
	cv.dnn.readNetFromONNX(	buffer[, engine]	) ->	retval

#include <opencv2/dnn/dnn.hpp>

ONNX のネットワークモデルを読み込む。

引数

onnxFile	ネットワークアーキテクチャのテキスト記述を含む .onnx ファイルへのパス。
engine	使用する DNN エンジンを選択する。自動選択では新しいエンジンが優先的に使用され、利用できない場合は従来版にフォールバックする。新しい DNN は現時点で非CPUバックエンドをサポートしていない点に注意すること。

戻り値

フォワード処理の準備が整ったネットワークオブジェクト。失敗時には例外をスローする。

readNetFromTensorflow() [1/3]

Net cv::dnn::readNetFromTensorflow	(	const char *	bufferModel,
		size_t	lenModel,
		const char *	bufferConfig = NULL,
		size_t	lenConfig = 0,
		int	engine = ENGINE_AUTO,
		const std::vector< String > &	extraOutputs = std::vector< String >() )

Python:
	cv.dnn.readNetFromTensorflow(	model[, config[, engine[, extraOutputs]]]	) ->	retval
	cv.dnn.readNetFromTensorflow(	bufferModel[, bufferConfig[, engine[, extraOutputs]]]	) ->	retval

#include <opencv2/dnn/dnn.hpp>

TensorFlow フレームワークの形式で格納されたネットワークモデルを読み込む。

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。

引数

bufferModel	pb ファイルの内容を含むバッファ
lenModel	bufferModel の長さ
bufferConfig	pbtxt ファイルの内容を含むバッファ
lenConfig	bufferConfig の長さ
engine	使用する DNN エンジンを選択する。自動選択では新しいエンジンが使用される。
extraOutputs	グラフ解析器が見つける出力に加えて、モデルの出力を明示的に指定する。新しい DNN は現時点で非CPUバックエンドをサポートしていない点に注意すること。

readNetFromTensorflow() [2/3]

Net cv::dnn::readNetFromTensorflow	(	const std::vector< uchar > &	bufferModel,
		const std::vector< uchar > &	bufferConfig = std::vector< uchar >(),
		int	engine = ENGINE_AUTO,
		const std::vector< String > &	extraOutputs = std::vector< String >() )

Python:
	cv.dnn.readNetFromTensorflow(	model[, config[, engine[, extraOutputs]]]	) ->	retval
	cv.dnn.readNetFromTensorflow(	bufferModel[, bufferConfig[, engine[, extraOutputs]]]	) ->	retval

#include <opencv2/dnn/dnn.hpp>

TensorFlow フレームワークの形式で格納されたネットワークモデルを読み込む。

引数

bufferModel	pb ファイルの内容を含むバッファ
bufferConfig	pbtxt ファイルの内容を含むバッファ
engine	使用する DNN エンジンを選択する。自動選択では新しいエンジンが使用される。
extraOutputs	グラフ解析器が見つける出力に加えて、モデルの出力を明示的に指定する。新しい DNN は現時点で非CPUバックエンドをサポートしていない点に注意すること。

戻り値

Net オブジェクト。

readNetFromTensorflow() [3/3]

Net cv::dnn::readNetFromTensorflow	(	CV_WRAP_FILE_PATH const String &	model,
		CV_WRAP_FILE_PATH const String &	config = String(),
		int	engine = ENGINE_AUTO,
		const std::vector< String > &	extraOutputs = std::vector< String >() )

Python:
	cv.dnn.readNetFromTensorflow(	model[, config[, engine[, extraOutputs]]]	) ->	retval
	cv.dnn.readNetFromTensorflow(	bufferModel[, bufferConfig[, engine[, extraOutputs]]]	) ->	retval

#include <opencv2/dnn/dnn.hpp>

TensorFlow フレームワークの形式で格納されたネットワークモデルを読み込む。

引数

model	ネットワークアーキテクチャのバイナリ protobuf 記述を含む .pb ファイルへのパス
config	protobuf 形式のテキストグラフ定義を含む .pbtxt ファイルへのパス。結果として得られる Net オブジェクトは、バイナリファイルの重みを用いてテキストグラフから構築される。これによってより柔軟に扱えるようになる。
engine	使用する DNN エンジンを選択する。自動選択では新しいエンジンが使用される。
extraOutputs	グラフ解析器が見つける出力に加えて、モデルの出力を明示的に指定する。新しい DNN は現時点で非CPUバックエンドをサポートしていない点に注意すること。

戻り値

Net オブジェクト。

readNetFromTFLite() [1/3]

Net cv::dnn::readNetFromTFLite	(	const char *	bufferModel,
		size_t	lenModel,
		int	engine = ENGINE_AUTO )

Python:
	cv.dnn.readNetFromTFLite(	model[, engine]	) ->	retval
	cv.dnn.readNetFromTFLite(	bufferModel[, engine]	) ->	retval

#include <opencv2/dnn/dnn.hpp>

TFLite フレームワークの形式で格納されたネットワークモデルを読み込む。

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。

引数

bufferModel	tflite ファイルの内容を含むバッファ
lenModel	bufferModel の長さ
engine	使用する DNN エンジンを選択する。自動選択では新しいエンジンが優先的に使用され、利用できない場合は従来版にフォールバックする。新しい DNN は現時点で非CPUバックエンドをサポートしていない点に注意すること。

readNetFromTFLite() [2/3]

Net cv::dnn::readNetFromTFLite	(	const std::vector< uchar > &	bufferModel,
		int	engine = ENGINE_AUTO )

Python:
	cv.dnn.readNetFromTFLite(	model[, engine]	) ->	retval
	cv.dnn.readNetFromTFLite(	bufferModel[, engine]	) ->	retval

#include <opencv2/dnn/dnn.hpp>

TFLite フレームワークの形式で格納されたネットワークモデルを読み込む。

引数

bufferModel	tflite ファイルの内容を含むバッファ
engine	使用する DNN エンジンを選択する。自動選択では新しいエンジンが優先的に使用され、利用できない場合は従来版にフォールバックする。新しい DNN は現時点で非CPUバックエンドをサポートしていない点に注意すること。

戻り値

Net オブジェクト。

readNetFromTFLite() [3/3]

Net cv::dnn::readNetFromTFLite	(	CV_WRAP_FILE_PATH const String &	model,
		int	engine = ENGINE_AUTO )

Python:
	cv.dnn.readNetFromTFLite(	model[, engine]	) ->	retval
	cv.dnn.readNetFromTFLite(	bufferModel[, engine]	) ->	retval

#include <opencv2/dnn/dnn.hpp>

TFLite フレームワークの形式で格納されたネットワークモデルを読み込む。

引数

model	ネットワークアーキテクチャのバイナリ flatbuffers 記述を含む .tflite ファイルへのパス
engine	使用する DNN エンジンを選択する。自動選択では新しいエンジンが優先的に使用され、利用できない場合は従来版にフォールバックする。新しい DNN は現時点で非CPUバックエンドをサポートしていない点に注意すること。

戻り値

Net オブジェクト。

readTensorFromONNX()

Mat cv::dnn::readTensorFromONNX

(

CV_WRAP_FILE_PATH const String &

path

)

Python:
	cv.dnn.readTensorFromONNX(	path	) ->	retval

#include <opencv2/dnn/dnn.hpp>

.pbファイルからblobを生成する。

引数

path	入力テンソルを含む.pbファイルへのパス。

戻り値

Mat.

softNMSBoxes()

void cv::dnn::softNMSBoxes	(	const std::vector< Rect > &	bboxes,
		const std::vector< float > &	scores,
		std::vector< float > &	updated_scores,
		const float	score_threshold,
		const float	nms_threshold,
		std::vector< int > &	indices,
		size_t	top_k = 0,
		const float	sigma = 0.5,
		SoftNMSMethod	method = SoftNMSMethod::SOFTNMS_GAUSSIAN )

Python:
	cv.dnn.softNMSBoxes(	bboxes, scores, score_threshold, nms_threshold[, top_k[, sigma[, method]]]	) ->	updated_scores, indices

#include <opencv2/dnn/dnn.hpp>

ボックスと対応するスコアを与えてsoft非最大抑制 (soft non maximum suppression) を実行する。参考: https://arxiv.org/abs/1704.04503。

引数

bboxes	Soft NMSを適用するバウンディングボックスの集合。
scores	対応する信頼度の集合。
updated_scores	対応する更新後の信頼度の集合。
score_threshold	スコアでボックスをフィルタリングするために使用するしきい値。
nms_threshold	非最大抑制 (non maximum suppression) で使用するしきい値。
indices	NMS 後に保持される bbox のインデックス。
top_k	選択するインデックスを最大でもtop_k個に保持する。
sigma	ガウス重み付けのパラメータ。
method	ガウス型または線形型。

参照

SoftNMSMethod

writeTextGraph()

void cv::dnn::writeTextGraph	(	CV_WRAP_FILE_PATH const String &	model,
		CV_WRAP_FILE_PATH const String &	output )

Python:
	cv.dnn.writeTextGraph(	model, output	) ->	None

#include <opencv2/dnn/dnn.hpp>

プロトコルバッファ形式で格納されたバイナリネットワークのテキスト表現を生成する。

引数

[in]	model	バイナリネットワークへのパス。
[in]	output	作成する出力テキストファイルへのパス。

覚え書き

出力ファイルのサイズを削減するため、学習済みの重みは含まれない。