使用OpenCV调用Caffe-SSD训练好的模型

前言

1.OpenCV3之后的dnn模型可以可以调用好多用深度学习框架的训练好的模型。
2.这里我演示是我自己训练的一个围棋棋盘识别模型，使用的神经网络是VGG16,OpenCV3.3,IDE是VS2015。
3.训练好模型之后把标签文件，模型文件，配置文件复制到当前工程目录方便调用。

代码

1.标签文件内容：

label: 0
display_name: "background"
label:1
display_name: "B"
label:2
display_name: "H"

2.代码

#pragma once
#include <opencv2/opencv.hpp>
#include <opencv2/dnn.hpp>
#include <iostream>using namespace cv;
using namespace cv::dnn;
using namespace std;
const int meanValues[3] = { 104, 117, 123 };
const size_t width = 300;
const size_t height = 300;
//得到标签名
static Mat getMean(const size_t &w, const size_t &h);
static Mat preprocess(const Mat &frame);
vector<string> readLabels(string label_file);
//得到棋盘
void getBarod(Mat &src, Mat &go_barod,  string model_file, string model_text_file, string label_file);static Mat getMean(const size_t &w, const size_t &h)
{Mat mean;vector<Mat> channels;for (int i = 0; i < 3; i++){Mat channel(h, w, CV_32F, Scalar(meanValues[i]));channels.push_back(channel);}merge(channels, mean);return mean;
}static Mat preprocess(const Mat &frame)
{Mat preprocessed;frame.convertTo(preprocessed, CV_32F);resize(preprocessed, preprocessed, Size(width, height));Mat mean = getMean(width, height);subtract(preprocessed, mean, preprocessed);return preprocessed;
}void getBarod(Mat &src, Mat &go_barod, string model_file, string model_text_file, string label_file)
{Rect rect;vector<string> obj_names = readLabels(label_file);Ptr<dnn::Importer> importer;try{importer = createCaffeImporter(model_text_file, model_file);}catch (const cv::Exception &err){cerr << err.msg << endl;}Net net;importer->populateNet(net);importer.release();Mat input_image = preprocess(src);Mat blobImage = blobFromImage(input_image);net.setInput(blobImage, "data");Mat detection = net.forward("detection_out");Mat detectionMat(detection.size[2], detection.size[3], CV_32F, detection.ptr<float>());float confidence_threshold = 0.2;for (int i = 0; i < detectionMat.rows; i++){float confidence = detectionMat.at<float>(i, 2);if (confidence > confidence_threshold){size_t objIndex = (size_t)(detectionMat.at<float>(i, 1));float tl_x = detectionMat.at<float>(i, 3) * src.cols;float tl_y = detectionMat.at<float>(i, 4) * src.rows;float br_x = detectionMat.at<float>(i, 5) * src.cols;float br_y = detectionMat.at<float>(i, 6) * src.rows;rect = Rect((int)tl_x, (int)tl_y, (int)(br_x - tl_x), (int)(br_y - tl_y));rectangle(src, rect, Scalar(i * 10, 0, 255), 2, 8, 0);putText(src, format("%s", obj_names[objIndex].c_str()), Point(tl_x, tl_y), FONT_HERSHEY_SIMPLEX, 1.0, Scalar(255, 0, 0), 2);}}namedWindow("src", 0);imshow("src",src);
}//得到标签名
void readLabels(vector<string> obj_names, string label_file)
{ifstream fp(label_file);if (!fp.is_open()){printf("could not open the file...\n");exit(-1);}string name;while (!fp.eof()){getline(fp, name);if (name.length() && (name.find("display_name:") == 0)){string temp = name.substr(15);temp.replace(temp.end() - 1, temp.end(), "");obj_names.push_back(temp);}}
}void adaptiveLogarithmicMapping(const Mat& img, Mat &dst)
{Mat ldrDrago;img.convertTo(ldrDrago, CV_32FC3, 1.0f / 255);cvtColor(ldrDrago, ldrDrago, cv::COLOR_BGR2XYZ);Ptr<TonemapDrago> tonemapDrago = createTonemapDrago(1.f, 1.f, 0.85f);tonemapDrago->process(ldrDrago, dst);cvtColor(dst, dst, cv::COLOR_XYZ2BGR);dst.convertTo(dst, CV_8UC3, 255);
}vector<string> readLabels(string label_file)
{vector<string> objNames;ifstream fp(label_file);if (!fp.is_open()) {printf("could not open the file...\n");exit(-1);}string name;while (!fp.eof()){getline(fp, name);if (name.length() && (name.find("display_name:") == 0)){string temp = name.substr(15);temp.replace(temp.end() - 1, temp.end(), "");objNames.push_back(temp);}}return objNames;
}

主函数：

#include "function.h"string label_file = "weiqi.txt";
string model_file = "weiqi.caffemodel";
string model_text_file = "weiqi.prototxt";int main(void)
{Mat backbackground = imread("b1.jpg");if (backbackground.empty()){cout<<"could not load image...\n")<<endl;return -1;}Mat frame, go_barod,standard_barod;getBarod(backbackground, go_barod,model_file,model_text_file, label_file);waitKey(0);return 0;
}

测试结果：

使用OpenCV调用Caffe-SSD训练好的模型相关推荐

opencv调用TensorFlow1.x训练的pb模型
文章目录前言一.搭建虚拟环境二.通过frozen_pb来生成pbtxt文件 1.获取opencv官方的转化文件 2.生成pbtxt文件三.OpenCV调用pb模型前言通过opencv读取p ...
【opencv】调用caffe、tensorflow、darknet模型
本文参考自:opencv调用cCaffe.TensorFlow.Torch.PyTorch训练好的模型往往,当我们训练好一个模型后,就可以通过OpenCV加载模型使用该模型,完成分类和实时预测的任务 ...
caffe开始训练自己的模型（转载并验证过）
学习caffe中踩了不少坑,这里我参考了此博主的文章,并体会到了如何训练自己的模型:http://www.cnblogs.com/denny402/p/5083300.html 学习caffe的目的, ...
caffe使用训练好的模型对自己的一张图片进行测试
前面学习了如何训练模型,也学了如何用测试集测试模型.但是好像还不会拿一张自己的图片去模型中进行测试.这篇文章就主要聊聊如何使用训练好的模型对自己的一张图片进行测试!(前面提到了做的项目是藏文识别, ...
使用SSD训练自己的模型（从图片标注开始）
此文章参考了https://blog.csdn.net/zzZ_CMing/article/details/81131101 在此表示感谢,如果有侵权的地方可联系本人删除训练手表模型步骤未经允许 ...
caffe 使用训练好的模型进行测试
1.准备所需文件在caffe/examples 新建一个文件夹 1.1 文件清单模型:train_iter_xxxx.caffemodel deploy.prototxt python 均值文件: ...
Java如何跨语言调用Python/R训练的模型
在如何使用sklearn进行在线实时预测(构建真实世界中可用的模型) 这篇文章中,我们使用 sklearn + flask 构建了一个实时预测的模型应用.无论是 sklearn 还是 flask,都 ...
机器学习——Java调用sklearn生成好的Logistic模型进行鸢尾花的预测
机器学习是python语言的长处,而Java在web开发方面更具有优势,如何通过java来调用python中训练好的模型进行在线的预测呢?在java语言中去调用python构建好的模型主要有三种方法: ...
8_用opencv调用深度学习框架tenorflow、Pytorch、Torch、caffe训练好的模型（20190212）
用opencv调用深度学习框架tenorflow.Pytorch.Torch.caffe训练好模型(20190212) 文章目录: https://blog.csdn.net/hust_bochu_x ...
OpenCV的dnn模块调用TesorFlow训练的MoblieNet模型
七月上海| 高性能计算之GPU CUDA培训 7月27-29日三天密集式学习快速带你入门阅读全文> 正文共2073个字,2张图,预计阅读时间10分钟. 一.初得模型那是一个月之前的事情了 ...

使用OpenCV调用Caffe-SSD训练好的模型

前言

代码

使用OpenCV调用Caffe-SSD训练好的模型相关推荐

最新文章

热门文章