opencv中国团队知乎地址：
https://www.zhihu.com/org/opencvzhong-guo-tuan-dui
最新的opencv版本、特性更新信息。
关注opencv4.5.1DNN模块更新：
-
DNN模块：
-
改进layers/activations，支持更多模型：
-
优化1D卷积和1D池化
-
fixed：Resize，ReduceMean，多输出， Faster RCNN ONNX模型导入
-
增加对INT32 ONNX张量的支持
-
OpenVINO：
-
增加对OpenVINO 2021.2的支持
-
增加HDDL的预览支持
-
修复和优化DNN CUDA后端
OpenCV中的dnn（Deep Neural Network module）模块是专门用来实现深度神经网络相关功能的模块。OpenCV自己并不能训练神经网络模型，但是它可以载入别的深度学习框架（例如TensorFlow、Caffe等等）训练好的模型，然后使用该模型做inference（预测）。而且OpenCV在载入模型时会使用自己的dnn模块对模型重写，使得模型的运行效率更高。所以如果你想在OpenCV项目中融入深度学习模型，可以先用自己熟悉的深度学习框架训练好，然后使用OpenCV的dnn模块载入。
OpenCV支持的深度学习框架和相关模型可在这个网站查询：
https://github.com/opencv/opencv/wiki/Deep-Learning-in-OpenCV
opencv官方教程：
https://docs.opencv.org/4.5.0/d2/d58/tutorial_table_of_content_dnn.html
dnn模块：
https://docs.opencv.org/4.5.0/d6/d0f/group__dnn.html
samples：
https://docs.opencv.org/4.5.0/examples.html
github示例：
https://github.com/opencv/opencv/tree/master/samples/dnn
OpenCV中文官方文档：
http://www.woshicver.com/
DNN学习日志：
https://www.cnblogs.com/dzybk/p/13894384.html
视频教程：
https://edu.csdn.net/course/detail/26686/339000
OpenCV
官方从3.3版本开始将改进后的
DNN
模块从
opencv
_contrib仓库移入主仓库并正式发布。从4.1.0版本开始支持CUDA加速，
DNN
模块与NVIDIA GPU、CUDA和cu
DNN
结合使用，可使推理速度提高2～15倍。目前，
DNN
模块支持的
深度学习
框架包括Caffe、TensorFlow、Torch、PyTorch和Darknet，另外，还支持开放神经网络交换（ONNX）格式的模型。
在实际利用
opencv
提供的
dnn
模块部署onnx格式的模型的时候，一些
python
端利用numpy可以简单轻易实现的操作，在C++端就得仔细考虑下实现的策略了。因为大多数并没有非常简单方便地使用形式，甚至可能需要自己去实现。这里做一个记录。
计算机视觉领域自20世纪60年代末就存在了。图像分类和目标检测是计算机视觉领域的一些最古老的问题，研究人员几十年来一直试图解决这些问题。利用神经网络和
深度学习
，我们已经达到了一个阶段，计算机可以开始真正理解和识别一个物体，准确率很高，在很多情况下甚至超过了人类。要了解神经网络和计算机视觉
深度学习
，
OpenCV
的
DNN
模块是一个很好的起点。于其高度优化的CPU性能，初学者也可以轻松入门，即使他们没有一个非常强大的GPU。
不仅是理论部分，我们还涵盖了
OpenCV
DNN
的实践经验。我们将详细讨论图像和实时视频
最近在微信公众号里看到多篇讲解yolov5在openvino部署做目标检测文章，但是没看到过用
opencv
的
dnn
模块做yolov5目标检测的。于是，我就想着编写一套用
opencv
的
dnn
模块做yolov5目标检测的程序。在编写这套程序时，遇到的bug和解决办法，在这篇文章里讲述一下。
在yolov5之前的yolov3和yolov4的官方代码都是基于darknet框架的实现的，因此
opencv
的
dnn
模块做目标检测时，读取的是.cfg和.weight文件，那时候编写程序很顺畅，没有遇到bug。但是yolo
理解卷积神经网络基本原理，熟练掌握
OpenCV
深度神经网络模块API开发技术，学会加载模型，解析模型输出结果；学会如何把正常的tensorflow对象检测模型转化为
OpenCV
可以接受的模型，实时人脸检测与识别案例。学会使用
OpenCV
DNN
模块解决实际问题。部分课程代码演示效果如下：
我又来了。刚刚还带着有点兴奋的心情，现在又有些郁闷。因为想到深入编程技能的话，还需要付出非常多的努力，而自己年纪真是不小了，真是后悔为何十几年前没有坚持下来。
最近在学习设计模式，单例模式、工厂模式等。农场游戏原来说不上有设计模式，现在又改一遍，把单例模式，抽象工厂模式，简单工厂模式都用上了。基本架构已完成，功能参考之前的也进展很快。再有两天应该就可以完成了。
不过这次想把网页版界面做出来，（还需要去复习HTML，JavaScript）另外还有点想把MySQL学一下，改成用关系数据库。以后用这种数据库做的项
#mermaid-svg-HvXaayCEbHoE2yKF .label{font-family:'trebuchet ms', verdana, arial;font-family:var(--mermaid-font-family);fill:#333;color:#333}#mermaid-svg-HvXaayCEbHoE2yKF .label text{fill:#333}#mermaid-svg-HvXaayCEbHoE2yKF .node rect,#mermaid-svg-HvXaayCEb.
yolov5 6.1同时支持
Opencv
dnn
、TensorRT、Edge TPU和OpenVINO模块部署，在工程实现上就方便多了。
TFLite, ONNX, CoreML, TensorRT Export · Issue #251 · ultralytics/yolov5 · GitHub
首先要将pt文件导出为onnx模型文件
运行export.py，--weights参数后加pt模型文件路径，结束后得到.onnx后缀的文件。
python
export.py --weights yol
项目由两个py文件组成，一个是bolb_from_images.py这个是主函数，另一个是utils_paths.py这个py文件会在主函数中调用
utils_paths只在bolb_from_images.py调用了一次，我们先看一下utils_p..
