OpenCV中的深度神经网络（DNN）模块，现在已经支持图像风格迁移、图像分类、对象检测、语义分割、实例分割、图像变换等。

只支持推理，不支持训练

支持主流的深度学习框架生成模型

推荐使用pytorch/onnx/tensorflow

ResNet18的图像分类

        模型来自torchvision框架预训练模型

        通过脚本转换为onnx格式，转换脚本：

YOLOv5对象检测

        主流的对象检测模型

        支持导出ONNX格式

        

YOLOv5推理后处理-非最大抑制

非最大抑制（Non-Maximum Suppression，NMS）来处理重叠的检测框，以提高检测结果的准确性。NMS通过在重叠的检测框中选择具有最高置信度的框，然后消除其他与该框重叠度高于某个阈值的框，从而避免同一个目标被多次检测。

UNet语义分割

语义分割与实例分割 - 道路裂纹检测模型

UNet在医学图像分割等领域取得广泛成功应用。

该模型的特点是具有对称的编码器（下采样路径）和解码器（上采样路径），以及跳跃连接（skip connections）。编码器部分负责从输入图像中提取特征，并将其压缩成较小的表示，而解码器部分负责将这些特征映射回原始输入图像的大小，并生成像素级的预测结果。

人脸+landmark检测

使用的模型YUNet，超轻量极速人脸检测

模型的输入支持动态图像大小

模型输出是Nx15，最后一个是得分，1~4是矩形框xywh，中间十个数是landmark的五点坐标信息。

SSD对象检测

        SSD（Single Shot Multibox Detector）能够在单个前向传递中直接预测目标的位置和类别。SSD结合了高效的区域建议（region proposal）和全卷积网络（fully convolutional network）的优势。

基于CRNN实现英文与中文识别支持