OpenCV 是一个跨平台的开源的计算机视觉库，提供了 Python、Ruby、MATLAB 等语言的接口。下一个版本OpenCV 5.0 不仅仅支持常规的图像分类、目标检测、图像分割和风格迁移功能，还引入上百个的CV方向任务。

飞桨(PaddlePaddle)以百度多年的深度学习技术研究和业务应用为基础，集深度学习核心训练和推理框架、基础模型库、端到端开发套件和丰富的工具组件于一体，是中国首个自主研发、功能丰富、开源开放的产业级深度学习平台。飞桨目前官方模型库支持300+个产业级开源算法，覆盖语音、视觉、NLP、推荐等领域大规模应用。

随着人工智能及深度学习视觉技术的快速发展，OpenCV从3.3版本就开始引入DNN模块，通过ONNX等多种格式支持对深度学习模型的加载和推理，并且支持OpenCL加速，非常方便用户使用，后端的推理引擎也支持多种选择。

应广大开发者的要求，飞桨社区和OpenCV社区双方启动合作，在OpenCV DNN模块中增加PaddlePaddle飞桨模型的支持。飞桨一系列特色模型可快速通过OpenCV进行加载和推理，极大方便了应用开发者，大大加速开发流程。

下面详细跟大家介绍OpenCV DNN模块以及如何通过 OpenCV DNN模块进行飞桨PaddlePaddle模型的加载和预测。

什么是DNN模块？

OpenCV中的DNN（Deep Neural Network）模块是专门用于实现深度学习预测推理功能的模块，包括目标检测、图像分割任务等。OpenCV可以载入其他深度学习框架（例如PaddlePaddle、PyTorch等等）训练好的模型，并使用该模型进行预测。

为什么要用DNN模块？

OpenCV的DNN模块主要有以下三点优势：

1、轻量，由于DNN模块只实现了推理功能，它的代码量、编译运行开销与其他深度学习框架比起来会少很多。

2、方便，DNN模块提供了内建的CPU和GPU加速且无须依赖第三方库。

3、通用，DNN模块支持多种网络模型格式，因此用户无须额外进行网络模型的转换就可以直接使用，同时它还支持多种运算设备和操作系统。

除此之外，DNN模块还在网络层面做了一些优化，包括层融合、内存复用等。下图为不同框架在 CPU 上使用Tiny YOLOV4算法进行目标检测任务时速度的比较。（图片来自LearnOpenCV.com）

可以看到在相同视频下，OpenCV的DNN模块可以达到35FPS，而使用OpenMP和AVX编译的Darknet只有15FPS，速度提升了足足1.3倍！

如何利用DNN模块部署飞桨模型？

目前DNN模块部署支持ONNX模型，而飞桨开源框架在升级2.0之后也支持模型导出为ONNX格式。框架内置paddle.onnx.export接口(https://www.paddlepaddle.org.cn/documentation/docs/zh/develop/api/paddle/onnx/export_cn.html)，用户在代码中可以调用接口以ONNX协议格式保存模型。此外，对于用户已经保存的飞桨模型，也可以通过Paddle2ONNX加载后进行转换。Paddle2ONNX为飞桨与ONNX开源组织合作的项目。不了解的童鞋快戳链接，了解Paddle2ONNX项目。

项目链接：

https://github.com/PaddlePaddle/Paddle2ONNX

整体流程图如下图所示：

下面将向大家展示如何将PaddleSeg的人像分割模型导出为 ONNX 格式的模型，并使用OpenCV的DNN模块进行部署。

环境准备

pip install paddlepaddle-gpu
pip install paddlehub
pip install paddle2onnx

将人像分割模型导出为ONNX格式

1、获得PaddleSeg人像分割的预测模型

wget
https://x2paddle.bj.bcebos.com/inference/models/humanseg_hrnet18_small_v1.zip
unzip humanseg_hrnet18_small_v1.zip

2、通过Paddle2ONNX导出ONNX模型

paddle2onnx --model_dir humanseg_hrnet18_small_v1 \
--model_filename model.pdmodel \
--params_filename model.pdiparams \
--opset_version 11 \
--save_file humanseg_hrnet18_tiny.onnx

这样在当前路径就能获得名为humanseg_hrnet18_tiny.onnx的ONNX模型

OpenCV DNN模块加载模型

运行如下代码：

上述代码主要分为三个步骤：

1、通过cv2.dnn.readNetFromONNX接口加载ONNX模型

2、对图片进行预处理并进行预测

3、对预测结果后处理并可视化

完整代码在如下链接：

https://github.com/opencv/opencv/blob/master/samples/dnn/dnn_model_runner/dnn_conversion/paddlepaddle/paddle_humanseg.py

最终就可以得到下图所示的分割结果啦!

是不是很方便呢，想体验的小伙伴赶紧上手试试吧！

未来，飞桨社区将与OpenCV在技术和社区上展开更深入合作，在现有基础上支持更多飞桨模型；同时原生支持飞桨模型的加载和推理，并通过更深层次的优化获得极佳的推理性能。欢迎大家持续关注飞桨。

直播预告

10.20号，我们还将邀请OpenCV中文社区的负责人于仕琪老师给大家介绍下一个版本OpenCV5.0规划以及如何使用OpenCV部署飞桨模型。敬请期待！