OpenCV3.3的釋出帶來的深度學習dnn模組的支援，模組支援

• Caffe
• Tensorflow
• Torch

等多個深度學習框架，並且有多個網路API介面

• GoogleLeNet
• AlexNet
• SqueezeNet
• VGGNet
• ResNet

等等。貢獻者Rynikov Alexander對專案的詳細介紹可以點選：這裡檢視。但是是用俄語寫的，可以谷歌翻譯來看。以下是不同網路的效能對比（翻譯的不太好），另有官方連結,有很詳細的功能說明和程式碼解釋。

廢話不多說，以下是我Anaconda(Python3.6)中配置OpenCV3.3的過程，以及深度神經網路示例程式的實現。

一、Anaconda安裝

windows中安裝十分簡單，下載對應版本，根據官網指南安裝即可，不再贅述。

二、opencv3.3安裝

要在Anaconda中安裝opencv3.3需要先下載安裝包，然後啟動Anaconda虛擬環境，利用pip命令即可安裝。

• 選擇相應版本，我根據系統選擇64位python3.6的
  
• 剛才已經安裝好了Anaconda，現在在win程式啟動處開啟Anaconda Navigatro
  
• 建立一個執行環境，選擇python對應版本，起名opencv，我這裡選擇python3.6
  
• 在新建的opencv環境中開啟一個命令終端
  
• 在新開啟的終端中，進入下載的opencv安裝檔案，執行pip安裝，安裝成功，沒有什麼問題
  
  
• 接下來要安裝numpy和matplotlib，分別執行下列程式碼進行安裝
  

   
  
  pip install numpy 
  
  pip install matplotlib 
  
  

  
  
• 目前位置，已經完成了Anaconda的opencv3.3的安裝，在終端中執行測試，可以看出，連結庫成功，打印出了3.3版本
  

   
  
  import cv2 
  
  

  
  
  注：這種安裝方式，只能在剛才建立的名為opencv的Anaconda環境中能使用，在普通cmd命令視窗不能使用opencv，原因是要另外配置環境變數，因為我的電腦裡已經有一個opencv2.4.13了，為了避免兩者混淆，我只在這個環境裡使用。

三、深度神經網路的實現

官網給出了示例程式碼，下載下來，跑一跑。

• 在頁面最下面填寫郵箱地址，根據提示步驟可以直接獲取示例程式原始碼
• 獲取原始碼以後，解壓，可以看到裡面有寫好的示例程式和測試圖片
• 開啟新建的名為opencv的環境裡的終端，進入剛才下載的資料夾內，執行以下命令：
  

python deep_learning_with_opencv.py --image images/vending_machine.png --prototxt bvlc_googlenet.prototxt --model bvlc_googlenet.caffemodel --labels synset_words.txt

• 可以看到，終端上輸出了對物體識別的得分情況，並且在圖片上打上了識別效果。
  
  

• 我在網上下載了一個圖片，放在資料夾裡面，再進行一波測試
  

python deep_learning_with_opencv.py --image images/dog.png --prototxt bvlc_googlenet.prototxt --model bvlc_googlenet.caffemodel --labels synset_words.txt

• 可見竟然將這隻狗識別成了狼，輸出的第二排名才是狗。
  
• 再試一波：
  
  
  
  

可見，有些識別的效果有點不忍直視，但是有些結果還是很不錯了。而且速度也很快，這次識別所用的是googlelenet的caffe模型，也只能用跑好的網路來forward，想用opencv來訓練估計還是不太行。總之，opencv提供的這個介面算是給全民ai做了不小貢獻呢！

四、函式框架簡介

• 在dnn中從磁碟載入圖片：
  cv2.dnn.blobFromImage
  cv2.dnn.blobFromImages
• 用“create”方法直接從各種框架中匯出模型：
  cv2.dnn.createCaffeImporter
  cv2.dnn.createTensorFlowImporter
  cv2.dnn.createTorchImporter
• 使用“讀取”方法從磁碟直接載入序列化模型：
  cv2.dnn.readNetFromCaffe
  cv2.dnn.readNetFromTensorFlow
  cv2.dnn.readNetFromTorch
  cv2.dnn.readhTorchBlob

從磁碟載入完模型之後，可以用.forward方法來向前傳播我們的影象，獲取分類結果

參考：