优势

轻量级
方便
通用
适用于CPU/GPU 设备
适用于Android、Linux、Win、Mac 系统

架构与机理

1. 基本步骤

1.1. 加载模型

因为OpenCV只支持推理，所以首先你需要有一个训练好的模型。OpenCV支持所有主流框架的大部分模型。从OpenCV的readNet系列函数就可以看出来：

net=cv2.dnn.readNetFromCaffe()
net=cv2.dnn.readNetFromTensorflow()
net=cv2.dnn.readNetFromTorch()
net=cv2.dnn.readNetFromDarknet()
net=cv2.dnn.readNetFromONNX()
net=cv2.dnn.readNetFromModelOptimizer()

1.2. 图像预处理

在OpenCV中，输入给模型的图像需要首先被构建成一个4维的Blob，看到Blob这个词感觉是收到了Caffe的影响。在构建Blob的时候会做一些诸如resize、归一化和缩放之类的简单预处理。OpenCV提供的函数为:

blob=cv2.dnn.blobFromImage(image, scalefactor=None, size=None, mean=None, swapRB=None, crop=None, ddepth=None)

type(blob)
>>> 
np.array


blob.shape
>>>
(1,w,h,4)

这个函数在构建Blob的之前会先做如下计算：

(image - mean) * scalefactor。

# 功能差不多
blob=cv2.dnn.blobFromImages(
    image, scalefactor=1.0, size, mean, swapRB=True,crop=False,ddepth = CV_32F )

参数说明
1. image :这是传入的，需要进行处理的图像。
2. scalefactor: 执行完减均值后，需要缩放图像，默认是1，需要注意，$scalefactor = \frac{1}{\sigma}1 / $,这是真正乘上的值。

size,这是神经网络，真正支持输入的值。
mean, 这是我们要减去的均值，可以是R,G,B均值三元组，或者是一个值，每个通道都减这值。如果执行减均值，通道顺序是RGB。如果，输入图像通道顺序是BGR，那么请确保swapRB = True，交换通道。
swapRB, swap Blue and Red channels
干的是cv2.cvtColor(image, cv2.COLOR_BGR2RGB)的事情。
OpenCV认为图像通道顺序是BGR，而减均值时顺序是RGB，为了解决这个矛盾，设置swapRB=True即可。
crop
如果crop==True，则调整输入图像的大小，使调整大小后的一侧等于相应的尺寸，另一侧等于或大于。然后，从中心进行裁剪。
如果crop==False，则直接调整大小而不进行裁剪并保留纵横比。
ddepth, 输出blob的深度，选则cv2.CV_32F or cv2.CV_8U。

1.3. 模型推理

模型推理过程就是神经网络模型进行一次前向传播，在OpenCV中，用以下可读性非常强的两行代码即可完成：

net.setInput(blob)
output = net.forward()

把第一节构建的blob输入给模型，然后执行一次前向传播。

得到输出output再做一些处理使得我们可以更好的可视化图像