本文来自AI新媒体量子位（QbitAI）
OpenCV是一个2000年发布的开源计算机视觉库，有进行物体识别、图像分割、人脸识别、动作识别等多种功能，可以在Linux、Windows、Android、Mac OS等操作系统上运行，以轻量级、高效著称，且提供多种语言接口。
而OpenCV最近一次版本更新，为我们带来了更好的深度学习支持，在OpenCV中使用预训练的深度学习模型变得非常容易。
pyimagesearch网站今天发布了一份用OpenCV+深度学习预训练模型做图像识别的教程，量子位编译整理如下：
最近，OpenCV 3.3刚刚正式发布，对深度学习（dnn模块）提供了更好的支持，dnn模块目前支持Caffe、TensorFlow、Torch、PyTorch等深度学习框架。
另外，新版本中使用预训练深度学习模型的API同时兼容C++和Python，让系列操作变得非常简便：
从硬盘加载模型；
对输入图像进行预处理；
将图像输入网络，获取输出的分类。
当然，我们不能、也不该用OpenCV训练深度学习模型，但这个新版本让我们能把用深度学习框架训练好了的模型拿来，高效地用在OpenCV之中。
这篇文章就展示了如何用ImageNet上预训练的深度学习模型来识别图像。
自OpenCV 3.1版以来，dnn模块一直是opencv_contrib库的一部分，在3.3版中，它被提到了主仓库中。
用OpenCV 3.3，可以很好地利用深度学习预训练模型，将它们作为分类器。
新版OpenCV兼容以下热门网络架构：
AlexNet
GoogLeNet v1（也叫Inception-5h）
ResNet-34/50/…
SqueezeNet v1.1
VGG-based FCN
ENet
VGG-based SSD
MobileNet-based SSD
该模块的主要贡献者Rynikov Alexander，对这个模块有远大的计划，不过，他写的release notes是俄语的，感兴趣的同学请自行谷歌翻译着读：https://habrahabr.ru/company/intel/blog/333612/
我认为，dnn模块会对OpenCV社区产生很大的影响。
在OpenCV中使用深度学习预训练模型，首先要安装OpenCV 3.3，安装过程量子位就不再详细描述了……
下面是我们将用到的一些函数。
在dnn中从磁盘加载图片：
<code></code><code>cv2.dnn.blobFromImage cv2.dnn.blobFromImages</code>
用“create”方法直接从各种框架中导出模型：
cv2.dnn.createCaffeImporter
cv2.dnn.createTensorFlowImporter
cv2.dnn.createTorchImporter
使用“读取”方法从磁盘直接加载序列化模型：
cv2.dnn.readNetFromCaffe
cv2.dnn.readNetFromTensorFlow
cv2.dnn.readNetFromTorch
cv2.dnn.readhTorchBlob
从磁盘加载完模型之后，可以用.forward方法来向前传播我们的图像，获取分类结果。
接下来，我们来学习如何用Python、OpenCV和一个预训练过的Caffe模型来进行图像识别。
下文用到的深度学习模型是在ImageNet上预训练过的GoogleLeNet。GoogleLeNet出自Szegedy等人2014年的论文Going Deeper with Convolutions，详情见：https://arxiv.org/abs/1409.4842
首先，打开一个新文件，将其命名为deep_learning_with_opencv.py，插入如下代码，来导入我们需要的包：
然后拆解命令行参数：
其中第8行ap = argparse.ArgumentParser()是用来创建参数解析器的，接下来的代码用来创建4个命令行参数：
—image：输入图像的路径；
—prototxt：Caffe部署prototxt的路径
—model：预训练的Caffe模型，例如网络权重等；
—labels：ImageNet标签的路径，例如syn-sets。
我们在创建参数之后，将它们解析并存在一个变量args中，供稍后使用。
接下来，加载输入图像和标签：
第20行从磁盘加载了图像，第23行和24行加载了这些标签：
搞定了标签之后，我们来看一下dnn模块：
注意上面代码中的注释，我们使用cv2.dnn.blobFromImage执行mean subtraction来对输入图像进行归一化，从而产生一个已知的blob形状。
然后从磁盘加载我们的模型：
我们用cv2.dnn.readNetFromCaffe来加载Caffe模型定义prototxt，以及预训练模型。
接下来，我们以blob为输入，在神经网络中完成一次正向传播：
请注意：我们不是在训练CNN，而是在使用预训练模型，因此只需要将blob从网络中传递过去，来获取结果，不需要反向传播。
最后，我们来为输入图像取出5个排名最高的预测结果：
我们可以用NumPy来选取排名前5的结果，然后将他们显示出来：
我们已经在OpenCV中用Python代码实现了深度学习图像识别，现在，可以拿一些图片来试一试。
打开你的终端，执行以下命令：
就会得到这样的结果：
OpenCV和GoogleLeNet正确地认出了比格小猎犬，排名第一的结果是正确的，之后的4项结果相关度也很高。
在CPU上运行这个算法，得到结果也只需要不到一秒钟。
再来一张：
结果如下：
再来：
结果依然不错：
最后一个例子：
也认得不错：
教程原文：
http://www.pyimagesearch.com/2017/08/21/deep-learning-with-opencv/
相关代码：
在原文下填邮箱获取，或在量子位公众号(QbitAI)对话界面回复“OpenCV”获取。
— 完 —
本文作者： Adrian Rosebrock
原文发布时间：2017-08-22