opencv_dnn

### OpenCV DNN 模块的使用与文档说明 OpenCV 的 Deep Neural Network (DNN) 模块是一个强大的工具集，用于加载和运行预训练模型。它支持多种框架导出的网络结构，例如 TensorFlow、Caffe 和 PyTorch 等。以下是关于如何配置和使用该模块的一些关键点。 #### 配置支持 CUDA 的 OpenCV DNN 模块 如果希望利用 GPU 加速，则需要启用 CUDA 支持。这通常涉及编译时设置 `OPENCV_DNN_CUDA` 参数为 ON，并确保系统已安装兼容版本的 NVIDIA CUDA 工具链[^2]。如果没有正确配置 CUDA 或者未找到所需的库，可能会遇到如下错误： ``` CMake Error at modules/dnn/CMakeLists.txt:41 (message): DNN: CUDA backend requires CUDA Toolkit. Please resolve dependency or disable OPENCV_DNN_CUDA=OFF ``` 解决方法包括确认 CUDA 安装路径已被加入环境变量以及调整 CMake 命令中的选项来匹配实际硬件条件。 #### 使用 DNN 模块读取并执行神经网络模型 要通过 Python API 调用 DNN 功能可以按照下面的方式操作: ```python import cv2 as cv # 初始化 net 对象, 这里我们假设已经有一个名为 'model.pb' 的 Tensorflow Protobuf 文件存在 net = cv.dnn.readNetFromTensorflow('model.pb') # 设置目标设备 ('CPU', 'OPENCL_FP16', 'MYRIAD') net.setPreferableBackend(cv.dnn.DNN_BACKEND_OPENCV) net.setPreferableTarget(cv.dnn.DNN_TARGET_CPU) image = cv.imread('input_image.jpg') # 替换为你自己的图片名称 blob = cv.dnn.blobFromImage(image, scalefactor=1.0, size=(300, 300), mean=(104.0, 177.0, 123.0)) # 将输入数据传递给网络进行推理计算 net.setInput(blob) detections = net.forward() print(detections.shape) ``` 上述脚本展示了基本流程：创建 dnn.Net 实例 -> 准备图像作为输入张量 -> 执行前向传播获取预测结果[^1]^。 对于更复杂的场景识别任务或者文字检测应用案例，可以从 opencv_contrib 库内的 samples 中寻找灵感。比如 end_to_end_recognition.cpp 提供了一个完整的 OCR 流程演示[^3]^。 #### Ubuntu 下的标准构建过程概述 在 Linux 平台上完成带有额外功能扩展（如 contrib 模块）的支持自定义参数重新编译整个项目的过程大致如下所示： ```bash cd ~/Downloads/ tar xf opencv-*.tgz && tar xf opencv_contrib-*.tgz mkdir -p /opt/opencv/build && cd $_ cmake \ -D WITH_TBB=ON \ -D BUILD_EXAMPLES=ON \ -D INSTALL_PYTHON_EXAMPLES=ON \ -D OPENCV_EXTRA_MODULES_PATH=/path/to/opencv_contrib/modules \ ../opencv/ time make -j$(nproc --all) sudo make install ldconfig ``` 注意这里 `-D OPENCV_EXTRA_MODULES_PATH=` 行指定的是贡献版组件所在位置；而具体的 cmake flags 可能依据个人需求有所变化[^4]^。 ---