OpenCV自带dnn的Example研究（1）— classification

​​https://docs.opencv.org/master/examples.html​​下的

6个文件，看看在最新的OpenCV中，它们是如何发挥作用的。

在配置使用的过程中，需要注意使用较高版本的VS避免编译器兼容问题；由于DNN程序的运行依赖于训练成功的模型，因此需要预先下载准备；此外如果出现各种报错，需要对症下药。

此外，由于需要使用common.hpp文件，所以需要引入dnn目录到include中

用到的数据集都放在：

链接：https://pan.baidu.com/s/1WPoXU3VodErPHZo6Yc21xA 

提取码：01no 

如果你没找到，那一定是我忘了。

=====================================================================================友善的分割线============================

注意，这个例子是有官方文档的

​​https://docs.opencv.org/master/d5/de7/tutorial_dnn_googlenet.html​​

它推荐的调用的模式为：

​​/example_dnn_classification      --model     =bvlc_googlenet.caffemodel 
     --config
     =bvlc_googlenet.prototxt 
     --width
     =
     224 
     --height
     =
     224 
     --classes
     =classification_classes_ILSVRC2012.txt 
     --input
     =space_shuttle.jpg 
     --mean
     =
     "104 117 123"​​

从参数中，我们可以看出，这里的模型为caffemodel，模型的参数配置为prototxt,而 classification_classes_ILSVRC2012.txt应该是和训练类型相关的，它长这样：

按照文档中说明，打开参数配置

在当前项目属性页->调试->命令参数下面：

​​--model     =e     :     /     template
     /bvlc_googlenet.caffemodel 
     --config
     =e
     :
     /
     template
     /bvlc_googlenet.prototxt 
     --width
     =
     224 
     --height
     =
     224 
     --classes
     =e
     :
     /
     template
     /classification_classes_ILSVRC2012.txt 
     --input
     =E
     :
     /
     template
     /dogvscat1K
     /cat.
     1.jpg 
     --mean
     =
     "104 117 123" 
     --rgb
    ​​

识别的结果，肯定是没有问题的。我没看看tabby cat这个来自哪里？

就来自上面的分类文件。

肯定是有正确的也会有失败的。我相信随着模型的不断完善，特别是对特定领域内数据的专门训练，肯定在判断的结果上能够有提升的方法。

仅仅凭借几张照片还看不出结果，必须依据科学的方法来做。

代码中

mean subtraction ​​(-104, -117, -123)​​ for each blue, green and red channels 

这句可能和项目本身是有关系的，这里先不做追究。