
6個文件,看看在最新的OpenCV中,它們是如何發揮作用的。
在配置使用的過程中,需要注意使用較高版本的VS避免編譯器兼容問題;由於DNN程序的運行依賴於訓練成功的模型,因此需要預先下載准備;此外如果出現各種報錯,需要對症下葯。
此外,由於需要使用common.hpp文件,所以需要引入dnn目錄到include中

用到的數據集都放在:
鏈接:https://pan.baidu.com/s/1WPoXU3VodErPHZo6Yc21xA
提取碼:01no
如果你沒找到,那一定是我忘了。
=====================================================================================友善的分割線============================

教程給出了調用方法:
Usage examples
Execute in webcam:
$ example_dnn_object_detection
--config
=[PATH
-TO
-DARKNET]
/cfg
/yolo.cfg
--model
=[PATH
-TO
-DARKNET]
/yolo.weights
--classes
=object_detection_classes_pascal_voc.txt
--width
=
416
--height
=
416
--scale
=
0.
00392
--rgb
Execute with image or video file:
$ example_dnn_object_detection
--config
=[PATH
-TO
-DARKNET]
/cfg
/yolo.cfg
--model
=[PATH
-TO
-DARKNET]
/yolo.weights
--classes
=object_detection_classes_pascal_voc.txt
--width
=
416
--height
=
416
--scale
=
0.
00392
--input
=[PATH
-TO
-IMAGE
-OR
-VIDEO
-FILE]
--rgb
參考這個 方法,修改我們的調用參數
--config=e:/template/yolov3.cfg --model=e:/template/yolov3.weights --classes=e:/template/object_detection_classes_pascal_voc.txt --width=416 --height=416 --scale=0.00392 --input=e:/template/bike.avi --rgb
所以我們需要先准備的是yolo.weights 和 yolo.cfg,
wget https
:
//pjreddie.com/media/files/yolov3.weights
wget https
:
//github.com/pjreddie/darknet/blob/master/cfg/yolov3.cfg?raw=true -O ./yolov3.cfg
wget https
:
//github.com/pjreddie/darknet/blob/master/data/coco.names?raw=true -O ./coco.names

對象識別是CV和DL的經典問題,看看OpenCV自己提供了什么。
本來我使用的是OpenCV4,但是例子代碼使用的是最新從網上下載的,開頭直接給報了個錯

根據我多年程序設計的經驗(其實是瞎猜),我認為是不是我的OpenCV版本低了,感覺更新到最新版本(這里注意一下,對於vs2015和2017,opencv提供了prebuild版本,比如叫opencv-4.1.0-vc14_vc15.exe這樣的名字,可以從官網直接下載)

注意prebuild是64位的,需要注意選擇。然后就可以了,當然由於參數問題,仍然是需要進行修改的。(果然猜對了)
因為已經出現了能夠正確運行的命令行,所以這里直接修改即可。

將汽車識別成bird肯定是錯誤的,但是object detection和class的區別在於跟蹤,從顯示的結果上來看,就是畫框。
這個地方,就體現出了OpenCV DNN的黑盒特性,就是模型訓練中的東西,可能是效果非常好的,也可能是效果不好的。
對這塊的調節,不是OpenCV的工作,而是深度學習系統的工作—不管它是用什么訓練出來的,我們都希望OpenCV能夠提供一個接入現有系統的接口。
在深度學習這里,這才是OpenCV的價值。
參考資料:
附件列表