杂例 01=VS 2019配置QT和Opencv调用DNN模块进行图像分类

Posted 2022-08-12 伤心兮

前言

最近学习了一点点C++知识，想巩固一下之前的知识。

一、开发环境

1.1 软件

• Pycharm
• Visual Studio 2019
• QT 5.12
• Opencv 4.6.0

1.2 Python所需库

• Pytorch
• torchvision

二、VS 2019 环境的配置

2.1 VS 2019 配置opencv 4.6.0

见《VS2019中配置OpenCv4.5.5，保姆级教程》.

2.2 VS 2019配置QT 5.12

见《vs2019配置Qt5开发环境》.

三、数据集的介绍

• 参考博客：遥感场景识别数据集（场景分类）.

• UC Merced 场景识别数据集

  • 2010年10月，加利福尼亚加州大学默塞德分校计算机视觉实验室发布UC Merced数据集。

• 数据来源

  • 数据集影像来源于美国国家地质调查局(USGS)国家地图城市地区影像集合(National Map Urban Area Imagery)中的大影像的手动提取，图像用于全国各地的城市地区。

• 数据集介绍

  • 数据类别：共21类，包含农业区域、飞机、棒球场、海滩、建筑群、丛林、密集住宅、森林、高速公路、高尔夫球场、港口、交叉路口、中心住宅、移动住房公园、立交桥、停车场、河流、跑道、稀疏住宅、储油罐和网球场。

• 图像尺寸

  • 256×256像元。

• 像素分辨率

  • 1英尺。

• 数据集规模

  • 每类100张影像样本，共2100张影像。

• 下载地址

  • 地址

四、设计原理

设计流程如下：

1. 训练网络：卷积网络的使用的是何凯明大神团队的的ResNet，框架使用的是FaceBook的Pytorch。
2. 模型保存为便于部署的ONNX（开放神经网络交换格式，Open Neural Network Exchange）模型。
3. 界面设计使用的QT。
4. 模型载入使用的是Opencv中的DNN模块。

五、结果展示

六、总结与不足

• 初步将VS 2019、Opencv、QT和深度学习联系在一起，对遥感图像进行分类。
• 在VS 2019进行分类时，发现准确率并没有达到训练时准确率。怀疑是图像问题，遂上网查了查.tif图片文件共有24个通道，这波是大意了。因为只是做一个例子玩玩。今后可能会查阅相关知识进行修改测试。