这篇博文将会展示如何采用一个预训练的深度学习网络（模型）在ImageNet的数据集并把它当作输入图像。
首先说明，运行环境为Ubuntu16.04（或者MacOS），windows暂不支持，已经编译好的OpenCV3.3.0，如何查看以及是否编译OpenCV3.3.0成功，请看博文：http://www.cnblogs.com/wmr95/p/7638985.html
OpenCV并不是（也不打算）作为一个工具来训练网络，这里已经有更伟大的框架来完成这件事情。新版OpenCV兼容以下热门网络架构：
OpenCV并不是（也不打算）作为一个工具来训练网络，这里已经有更伟大的框架来完成这件事情。新版OpenCV兼容以下热门网络架构：
GoogleLeNet (used in this blog post)
AlexNet
SqueezeNet
VGGNet (and associated flavors)
ResNet
用OpenCV和深度学习给图像分类
接下来，我们将创建一个Python脚本，该脚本可用于使用Caffe框架使用OpenCV和GoogLeNet（在ImageNet上进行预培训）对输入图像进行分类。
同时，让我们学习如何加载预先训练好的Caffe模型，并使用它来使用OpenCV对图像进行分类。
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：
然后我们解析命令行参数：
--image : The path to the input image.
--prototxt : The path to the Caffe “deploy” prototxt file.
--model : The pre-trained Caffe model (i.e,. the network weights themselves).
--labels : The path to ImageNet labels (i.e., “syn-sets”).
然后加载输入图像和标签：
接下来，让我们看下OpenCV3.3的dnn模块：
然后，我们从磁盘加载预训练好的模型：
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：
最后，我们来为输入图像取出5个排名最高的预测结果：
我们来选取排名前5的结果，然后将他们显示出来：
以上是关于OpenCV3.3的dnn模型的介绍，下面在本地上完成模型的输出：
1.首先下载源代码以及预训练的GoogleNet架构以及示例图片，链接我在下面的原文链接中给出，直接找到”Downloads“输入邮箱获取；
2.打开ternimal，cd到你下载的路径下，输入下面的命令：
$ python deep_learning_with_opencv.py --image images/jemma.png
--prototxt bvlc_googlenet.prototxt
--model bvlc_googlenet.caffemodel --labels synset_words.txt
运行成功的话会在ternimal下显示：
[INFO] loading model...
[INFO] classification took 0.075035 seconds
[INFO] 1. label: beagle, probability: 0.81137
[INFO] 2. label: Labrador retriever, probability: 0.031416
[INFO] 3. label: bluetick, probability: 0.023929
[INFO] 4. label: EntleBucher, probability: 0.017507
[INFO] 5. label: Greater Swiss Mountain dog, probability: 0.01444
当然你还可以尝试其他图片，现在你已经成功运用预训练的模型实现图像分类啦。
附上原文链接：https://www.pyimagesearch.com/2017/08/21/deep-learning-with-opencv/
项目地址：https://github.com/wanglaotou/deeplearning-opencv
版权声明：
作者：王老头
出处：http://www.cnblogs.com/wmr95/p/7640017.html
本文版权归作者和博客园共有，欢迎转载，但未经作者同意必须保留此段声明，并在文章页面明显位置给出原文链接，否则，作者将保留追究法律责任的权利。