OpenCV3.3中的DNN模块实现实例
来源:互联网 发布:全球能源数据 编辑:程序博客网 时间:2024/05/24 07:35
上篇博客中完成了OpenCV3.3的安装,这篇文章就来跑个实例测试一下
第一步:下载DNN模型
链接: https://pan.baidu.com/s/1qYyVYnM 密码: ej3t
下载完成以后解压,里面包含了示例程序、GoogLeNet模型和测试图片
第二步:打开Anaconda Navigator中的OpenCV终端
如下图所示,红框中的路径是我存放下载模型的文件路径
在终端中输入如下命令(测试示例图片中的交通灯图片):
python deep_learning_with_opencv.py --image images/traffic_light.png --prototxt bvlc_googlenet.prototxt --model bvlc_googlenet.caffemodel --labels synset_words.txt
如下图所示,可以看到排名第一的识别率是1
至此,测试完成。有兴趣的朋友也可以加载其它的图片测试下。
第三步:简单介绍一下本次测试所用的DNN模型-GoogLeNet
GoogLeNet,2014年ILSVRC挑战赛冠军,将Top5 的错误率降低到6.67%,拥有22层的深度网络。
原文:http://arxiv.org/pdf/1409.4842v1.pdf。
具体细节下面这几篇文章介绍的很详细,可以参考:
http://www.cnblogs.com/Allen-rg/p/5833919.html
http://blog.csdn.net/shuzfan/article/details/50738394
- OpenCV3.3中的DNN模块实现实例
- opencv实现opencv3.3.0的DNN模块功能
- OpenCV3.3深度学习模块(DNN)应用-图像分类
- OpenCV3.3 DNN简介
- OpenCV3.3 DNN
- 【opencv】opencv3.3的DNN模块调用caffe训练结果——【caffe学习五】
- ARM架构下安装tensorflow与opencv3.2DNN模块
- Opencv最新版本Opencv3.3.0集成了DNN神经网络模块
- OpenCV3.3出炉,DNN为最大亮点
- opencv3.3+dnn+caffe深度学习来实现图片的分类识别
- OpenCv3.0架构的详细解释以及新增新功能的说明(当然OpenCv3.2.0中的很多新功能更加强大,比如CNN,DNN的实现)
- 初学者,DNN 模块间通信实现的总结
- opencv3模块
- 使用opencv3.20编译dnn模块,生成的库来加载caffe模型,从而在VS工程上跑。避坑锦集。
- DNN 模块开发
- DNN模块开发
- DNN摸索系列3:DNN 6 安装永日新闻模块
- [DNN模块开发]如何写dnn文件
- Scale-Aware Face Detection阅读笔记
- 常用权限与常用依赖
- Java语言与C语言混合编程(1)--Java native 关键字
- Android webview加载html自适应屏幕
- Android 7.0下拍照和裁剪图片
- OpenCV3.3中的DNN模块实现实例
- Java读取txt文件和写入txt文件
- [python]截取字符串
- webrtc中的码率控制
- 第2步:程序安装代码
- Java语言与C语言混合编程(2)--在Java中调用C语言本地库
- jenkins+Docker+maven项目持续构建及docker化
- python 发送邮件
- 判断checkbox 是否选中