#include
#include
#include
#include
#include
using namespace cv;
using namespace inferenceengine;
using namespace std;
int main(int argc, char** ar**)
namedwindow("input", window_normal);
namedwindow("ssd-model optimizer demo", window_normal);
imshow("input", src);
int image_width = src.cols;
int image_height = src.rows;
vectordirs;
std::string s("c:\\intel\\openvino_2019.1.148\\deployment_tools\\inference_engine\\bin\\intel64\\debug");
std::string ws;
ws.assign(s.begin(), s.end());
dirs.push_back(ws);
// 建立ie外掛程式
inferenceenginepluginptr engine_ptr = plugindispatcher(dirs).getsuitableplugin(targetdevice::ecpu);
inferenceplugin plugin(engine_ptr);
// 載入cpu擴充套件支援
plugin.addextension(std::make_shared());
// 載入網路
cnnnetreader network_reader;
network_reader.readnetwork(xml);
network_reader.readweights(bin);
// 獲取輸入輸出
auto network = network_reader.getnetwork();
inferenceengine::inputsdatamap input_info(network.getinputsinfo());
inferenceengine::outputsdatamap output_info(network.getoutputsinfo());
// 設定輸入輸出
for (auto& item : input_info)
for (auto& item : output_info)
// 建立可執行網路
auto exec_network = plugin.loadnetwork(network, {});
// 請求推斷
auto infer_request = exec_network.createinferrequest();
// 設定輸入資料
for (auto& item : input_info) }}
}// 執行**
infer_request.infer();
// 處理**結果 [1x1xnx7]
for (auto& item : output_info) }}
imshow("ssd-model optimizer demo", src);
waitkey(0);
destroyallwindows();
return 0;
}
計算機視覺 回歸模型
本文仍然是基於computer vision models,learning,and inference這本書的閱讀筆記與心得。雖然看的雲裡霧裡的,但不寫下來恐怕很快一點都不記得了。看的過程還是很吃力,感覺自己在學機器學習與概率論,在公式中掙扎。本章講的是機器學習兩大問題之一的回歸模型,討論的主要是...
計算機視覺 生成模型
給定訓練集,產生與訓練集同分布的新樣本。希望學到乙個模型,其與訓練樣本的分布相近。無監督學習裡的乙個核心問題 密度估計問題。典型思路 利用鏈式準則將影象x的生成概率轉變為每個畫素生成概率的乘積。缺點是 畫素的生成是序列的進行訓練,生成整張的效率太慢了。二者的優點 似然函式可以精確計算 利用似然函式的...
(計算機視覺)計算機視覺基礎
opencv cximage cimg freeimage opencv中vc庫的版本與visual studio版本的對應關係 vc8 2005 vc9 2008 vc10 2010 vc11 2012 vc12 2013 vc14 2015 vc15 2017 visual studio中的輔助...