C++ 基于预训练caffe模型的图像分类

我正在visual studio中做一个关于使用预先训练好的caffe模型进行图像分类的项目，openCV3.4.0，C++

我面临着一些错误：

readNet:Identifier

未找到

blobFromImage:function

不接受7个参数

我从你的电脑上复制了代码

请帮帮我，因为我是新手。提前谢谢

代码：

const char* keys =
"{ help  h     | | Print help message. }"
"{ input i     | | Path to input image or video file. Skip this argument to capture frames from a camera.}"
"{ model m     | | Path to a binary file of model contains trained weights. "
"It could be a file with extensions .caffemodel (Caffe), "
".pb (TensorFlow), .t7 or .net (Torch), .weights (Darknet) }"
"{ config c    | | Path to a text file of model contains network configuration. "
"It could be a file with extensions .prototxt (Caffe), .pbtxt (TensorFlow), .cfg (Darknet) }"
"{ framework f | | Optional name of an origin framework of the model. Detect it automatically if it does not set. }"
"{ classes     | | Optional path to a text file with names of classes. }"
"{ mean        | | Preprocess input image by subtracting mean values. Mean values should be in BGR order and delimited by spaces. }"
"{ scale       | 1 | Preprocess input image by multiplying on a scale factor. }"
"{ width       |   | Preprocess input image by resizing to a specific width. }"
"{ height      |   | Preprocess input image by resizing to a specific height. }"
"{ rgb         |   | Indicate that model works with RGB input images instead BGR ones. }"
"{ backend     | 0 | Choose one of computation backends: "
"0: default C++ backend, "
"1: Halide language (http://halide-lang.org/), "
"2: Intel's Deep Learning Inference Engine (https://software.seek.intel.com/deep-learning-deployment)}"
"{ target      | 0 | Choose one of target computation devices: "
"0: CPU target (by default),"
"1: OpenCL }";


using namespace cv;
using namespace dnn;
std::vector<std::string> classes;


int main(int argc, char** argv)
{
    CommandLineParser parser(argc, argv, keys);
    parser.about("Use this script to run classification deep learning networks using OpenCV.");
    if (argc == 1 || parser.has("help"))
    {
        parser.printMessage();
        return 0;
    }
    float scale = parser.get<float>("scale");
    Scalar mean = parser.get<Scalar>("mean");
    bool swapRB = parser.get<bool>("rgb");
    CV_Assert(parser.has("width"), parser.has("height"));
    int inpWidth = parser.get<int>("width");
    int inpHeight = parser.get<int>("height");
    String model = parser.get<String>("model");
    String config = parser.get<String>("config");
    String framework = parser.get<String>("framework");
    int backendId = parser.get<int>("backend");
    int targetId = parser.get<int>("target");
    // Open file with classes names.
    if (parser.has("classes"))
    {
        std::string file = parser.get<String>("classes");
        std::ifstream ifs(file.c_str());
        if (!ifs.is_open())
            CV_Error(Error::StsError, "File " + file + " not found");
        std::string line;
        while (std::getline(ifs, line))
        {
            classes.push_back(line);
        }
    }
    CV_Assert(parser.has("model"));
    Net net = readNet(model, config, framework);
    net.setPreferableBackend(backendId);
    net.setPreferableTarget(targetId);
    // Create a window
    static const std::string kWinName = "Deep learning image classification in OpenCV";
    namedWindow(kWinName, WINDOW_NORMAL);
    VideoCapture cap;
    if (parser.has("input"))
        cap.open(parser.get<String>("input"));
    else
        cap.open(0);
    // Process frames.
    Mat frame, blob;
    while (waitKey(1) < 0)
    {
        cap >> frame;
        if (frame.empty())
        {
            waitKey();
            break;
        }
        blobFromImage(frame, blob, scale, Size(inpWidth, inpHeight), mean, swapRB, false);
        net.setInput(blob);
        Mat prob = net.forward();
        Point classIdPoint;
        double confidence;
        minMaxLoc(prob.reshape(1, 1), 0, &confidence, 0, &classIdPoint);
        int classId = classIdPoint.x;
        // Put efficiency information.
        std::vector<double> layersTimes;
        double freq = getTickFrequency() / 1000;
        double t = net.getPerfProfile(layersTimes) / freq;
        std::string label = format("Inference time: %.2f ms", t);
        putText(frame, label, Point(0, 15), FONT_HERSHEY_SIMPLEX, 0.5, Scalar(0, 255, 0));
        // Print predicted class.
        label = format("%s: %.4f", (classes.empty() ? format("Class #%d", classId).c_str() :
            classes[classId].c_str()),
            confidence);
        putText(frame, label, Point(0, 40), FONT_HERSHEY_SIMPLEX, 0.5, Scalar(0, 255, 0));
        imshow(kWinName, frame);
    }
    return 0;
}

const char*键=
“{help h | |打印帮助消息。}”
“{input i | |输入图像或视频文件的路径。跳过此参数可从相机捕获帧。}”
{model m | |模型二进制文件的路径包含经过训练的权重
它可能是一个扩展名为.caffemodel（Caffe）的文件
.pb（TensorFlow）、.t7或.net（Torch）、.weights（Darknet）}
{config c | |模型的文本文件的路径包含网络配置
它可以是扩展名为.prototxt（Caffe）、.pbtxt（TensorFlow）、.cfg（Darknet）}的文件
“{framework f | |模型的原始框架的可选名称。如果未设置，则自动检测它。}”
“{classes | |具有类名称的文本文件的可选路径。}”
“{mean | |通过减去平均值预处理输入图像。平均值应按BGR顺序并用空格分隔。}”
“{scale | 1 |通过乘以比例因子对输入图像进行预处理。}”
“{width | |通过调整到特定宽度来预处理输入图像。}”
“{height | |通过调整到特定高度来预处理输入图像。}”
“{rgb | |表示模型使用rgb输入图像而不是BGR图像。}”
{后端| 0 |选择一个计算后端：
“0：默认C++后端”
“1：卤化物语言(http://halide-lang.org/), "
“2：英特尔的深度学习推理机(https://software.seek.intel.com/deep-learning-deployment)}"
{target | 0 |选择一个目标计算设备：
0:CPU目标（默认情况下）
“1:OpenCL}”；
使用名称空间cv；
使用名称空间dnn；
std：：向量类；
int main（int argc，字符**argv）
{
CommandLineParser解析器（argc、argv、键）；
about（“使用此脚本使用OpenCV运行分类深度学习网络”）；
if（argc==1 | | parser.has（“help”））
{
parser.printMessage（）；
返回0；
}
float scale=parser.get（“scale”）；
标量平均值=parser.get（“平均值”）；
boolswaprb=parser.get（“rgb”）；
CV_断言（parser.has（“宽度”）、parser.has（“高度”）；
int inpWidth=parser.get（“宽度”）；
int inpHeight=parser.get（“高度”）；
字符串模型=parser.get（“模型”）；
String config=parser.get（“config”）；
stringframework=parser.get（“framework”）；
int backendId=parser.get（“backend”）；
int targetId=parser.get（“target”）；
//打开具有类名称的文件。
if（parser.has（“类”））
{
std:：string file=parser.get（“类”）；
std:：ifstream ifs（file.c_str（））；
如果（！ifs.is_open（））
CV_错误（错误：：stror，“文件”+文件+“未找到”）；
std：：字符串行；
while（std:：getline（ifs，line））
{
类。推回（行）；
}
}
CV_断言（parser.has（“model”）；
Net=readNet（模型、配置、框架）；
net.setPreferableBackend（backendId）；
net.setPreferableTarget（targetId）；
//创建一个窗口
static const std:：string kWinName=“OpenCV中的深度学习图像分类”；
namedWindow（kWinName，窗口正常）；
视频捕捉帽；
if（parser.has（“输入”））
cap.open（parser.get（“input”）；
其他的
上限开放（0）；
//处理框架。
垫架，水滴；
while（等待键（1）<0）
{
cap>>框架；
if（frame.empty（））
{
waitKey（）；
打破
}
blobFromImage（帧、blob、比例、大小（inpWidth、inpHeight）、平均值、swapRB、false）；
net.setInput（blob）；
Mat prob=net.forward（）；
点分类点；
双重信心；
minMaxLoc（概率重塑（1，1），0和置信度，0和分类点）；
int classId=classIdPoint.x；
//把效率信息放进去。
std：：向量分层时间；
double freq=getTickFrequency（）/1000；
double t=net.getPerfProfile（layersTimes）/freq；
std:：string label=格式（“推断时间：%.2f ms”，t）；
putText（帧、标签、点（0,15）、字体（HERSHEY）单纯形、0.5、标量（0,255,0））；
//打印预测类。
label=format（“%s:%.4f）”，（classes.empty（）？format（“Class#%d”，classId）。c#u str（）：
类[classId].c_str（）），
信心）；
putText（帧、标签、点（0,40）、字体（HERSHEY）单纯形、0.5、标量（0,255,0））；
imshow（kWinName，frame）；
}
返回0；
}

您复制的代码指的是开发分支3.4.1-dev，与您正在使用的版本（3.4.0）相比，该分支有相当大的差异

根据文档，只有一次方法readNet不可用（因此出现错误）

---

升级到branch 3.4.1-dev或使用为您的版本提供的示例。

您复制的代码指的是开发分支3.4.1-dev，与您使用的版本（3.4.0）相比，该分支有相当大的差异

根据文档，只有一次方法readNet不可用（因此出现错误）

---

升级到branch 3.4.1-dev或使用为您的版本提供的示例。

在机器学习中，使用经过训练的模型通常称为推理。在机器学习中，使用经过训练的模型通常称为推理。