​
#include < fstream>
#include < sstream>
#include < iostream>
#include < opencv2/dnn.hpp>
#include < opencv2/imgproc.hpp>
#include < opencv2/highgui.hpp>
#include“common.hpp”
std：：string 键 =
“{ 帮助 h | |打印帮助消息。}"
“{ @alias | |用于从 models.yml 文件中提取预处理参数的模型别名。}"
“{ 动物园 |模型.yml |带有预处理参数的文件的可选路径 }”
“{ 输入 i | |输入图像或视频文件的路径。跳过此参数以从相机捕获帧。
“{ initial_width |0 |通过初始调整大小到特定宽度来预处理输入图像。
“{ initial_height |0 |通过初始调整大小到特定高度来预处理输入图像。
“{ std |0.0 0.0 0.0 |通过除以标准差对输入图像进行预处理。
“{ 裁剪 |假 |通过中心裁剪对输入图像进行预处理。
“{ 框架 f | |模型的原始框架的可选名称。如果未设置，则自动检测它。}"
“{ 需要Softmax |假 |使用 Softmax 对网络的输出进行后处理。
“{ 类 | |包含类名称的文本文件的可选路径。}"
“{ 后端 |0 |选择计算后端之一：”
“0：自动（默认），”
“1：卤化物语（http://halide-lang.org/）， ”
“2：英特尔的深度学习推理引擎（https://software.intel.com/openvino-toolkit），
“3：OpenCV的实现，”
“4：VKCOM，”
“5：CUDA，”
“6：WebNN }”
“{ 目标 |0 |选择目标计算设备之一：”
“0：CPU 目标（默认）、”
“1：OpenCL，”
“2：OpenCL fp16（半浮点精度）， ”
“3：VPU，”
“4：Vulkan，”
“6：CUDA，”
“7：CUDA fp16（半浮点预处理）}”;
使用命名空间 CV;
使用命名空间 DNN;
std：：vector<std：：string> 类;
int main（int argc， char** argv）
{
CommandLineParser 解析器（argc， argv， keys）;
const std：：string modelName = parser.get<String>（“@alias”);
const std：：string zooFile = parser.get<String>（“zoo”);
键 += genPreprocArguments（modelName， zooFile）;
解析器 = CommandLineParser（argc， argv， keys）;
parser.about（“使用此脚本使用 OpenCV 运行分类深度学习网络。);
if （argc == 1 || parser.has（“帮助”))
{
解析器.printMessage（）;
返回 0;
}
int rszWidth = 解析器.get<int>（“initial_width”);
int rszHeight = 解析器.get<int>（“initial_height”);
浮点比例 = parser.get<float>（“scale”);
标量均值 = parser.get<Scalar>（“mean”);
标量标准 = parser.get<标量>（“标准”);
布尔交换RB = 解析器.get<布尔>（“rgb”);
bool 裁剪 = parser.get<bool>（“crop”);
int inpWidth = 解析器.get<int>（“宽度”);
int inpHeight = 解析器.get<int>（“高度”);
字符串模型 = findFile（parser.get<String>（“model”));
字符串配置 = findFile（parser.get<String>（“config”));
字符串框架 = parser.get<String>（“framework”);
int backendId = parser.get<int>（“后端”);
int targetId = 解析器.get<int>（“目标”);
bool needSoftmax = 解析器.get<bool>（“needSoftmax”);
std：：cout<<“mean： ”<<mean<<std：：endl;
std：：cout<<“std： ”<<std<<std：：endl;
打开带有类名称的文件。
if （parser.has（“类”))
{
std：：string 文件 = parser.get<String>（“类”);
标准：：ifstream ifs（file.c_str（））;
如果 （！ifs.is_open（））
CV_Error（错误：：StsError，“文件”+文件+“未找到”);
std：：string 行;
而 （std：：getline（ifs， line））
{
classes.push_back（线）;
}
}
如果 （！parser.check（））
{
解析器.printErrors（）;
返回 1;
}
CV_Assert（！model.empty（））;
Net net = readNet（model， config， framework）;
net.setPreferableBackend（backendId）;
net.setPreferableTarget（目标Id）;
创建窗口
static const std：：string kWinName = “OpenCV中的深度学习图像分类”;
namedWindow （kWinName， WINDOW_NORMAL);
VideoCapture 帽;
if （parser.has（“输入”))
帽。open（parser.get<String>（“输入”));
还
帽。打开（0）;
处理帧。
垫框，斑点;
而 （waitKey（1） < 0）
{
帽>>框架;
如果 （frame.empty（））
{
等待键();
破;
}
if （rszWidth ！= 0 && rszHeight ！= 0）
{
resize（frame， frame， Size（rszWidth， rszHeight））;
}
blobFromImage（frame， blob， scale， Size（inpWidth， inpHeight）， mean， swapRB， crop）;
检查 std 值。
if （std.val[0] ！= 0.0 && std.val[1] ！= 0.0 && std.val[2] ！= 0.0）
{
将 blob 除以 std。
除法（blob， std， blob）;
}
net.setInput（blob）;
双t_sum = 0.0;
双T;
int 类 Id;
双重置信度;
cv：：TickMeter 时间记录器;
timeRecorder。重置();
垫子概率 = net.forward（）;
双T1;
timeRecorder。开始();
prob = net.forward（）;
timeRecorder。停();
t1 = 时间记录器。getTimeMilli();
timeRecorder。重置();
for（int i = 0; i < 200; i++） {
timeRecorder。开始();
prob = net.forward（）;
timeRecorder。停();
点类IdPoint;
minMaxLoc（prob.reshape（1， 1）， 0， &confidence， 0， &classIdPoint）;
classId = classIdPoint。倍;
放置效率信息。
std：：vector<double> layersTimes;
double freq = getTickFrequency（） / 1000;
t = net.getPerfProfile（layersTimes） / freq;
t_sum += 吨;
}
如果 （needSoftmax == true)
{
浮点数 maxProb = 0.0;
浮点和 = 0.0;
垫子 softmaxProb;
maxProb = *std：：max_element（prob.begin<float>（）， prob.end<float>());
cv：：exp（prob-maxProb， softmaxProb）;
sum = （float）cv：：sum（softmaxProb）[0];
softmaxProb /= 总和;
点类IdPoint;
minMaxLoc（softmaxProb.reshape（1， 1）， 0， &confidence， 0， &classIdPoint）;
classId = classIdPoint。倍;
}
std：：string label = format（“1轮推理时间：%.2f ms”， t1）;
std：：string label2 = format（“200 轮的平均时间：%.2f ms”， timeRecorder.getTimeMilli（）/200）;
putText（frame， label， Point（0， 15）， FONT_HERSHEY_SIMPLEX， 0.5， Scalar（0， 255， 0））;
putText（frame， label2， Point（0， 35）， FONT_HERSHEY_SIMPLEX， 0.5， Scalar（0， 255， 0））;
打印预测的类。
label = format（“%s： %.4f”， （classes.empty（） ？format（“类 #%d”， classId）.c_str（） ：
类[classId].c_str（）），
信心）;
putText（frame， label， Point（0， 55）， FONT_HERSHEY_SIMPLEX， 0.5， Scalar（0， 255， 0））;
imshow（kWinName， 帧）;
}
返回 0;
}
​