前言
今天这个例子用来学习一下在OpenCVSharp中如何使用caffemodel。
首先需要了解一下Caffe是什么？
Caffe是一个快速的开源深度学习框架。
GitHub地址：https://github.com/BVLC/caffe
Caffe 是一个以表达性、速度和模块化为核心设计的深度学习框架。它由伯克利人工智能研究（BAIR）/伯克利视觉与学习中心（BVLC）及社区贡献者共同开发。
caffemodel在这里指的就是使用这个框架训练的模型。
先来看下这个Demo的效果：
实践
在使用这个模型之前需要先了解这三个东西：
一个.prototxt文件、一个caffemodel文件与一个txt文件。
caffmodl下载地址：http://dl.caffe.berkeleyvision.org/bvlc_googlenet.caffemodel
另外两个文件在OpencvSharp仓库中有了，地址：https://github.com/shimat/opencvsharp_samples/tree/master/SampleBase/Data/Text
来看看.prototxt文件是什么？
打开之后是这样的：
.prototxt文件是一种文本格式的模型配置文件，主要用于Caffe深度学习框架。它用于定义神经网络结构与定义训练配置。
synset_words.txt打开是这样的：
synset_words.txt 是一个 标签文件。它包含了ImageNet数据集中所有 1000 个类别的人类可读的名称。
在OpenCVSharp加载CaffeModel就一行代码：
using var net = CvDnn.ReadNetFromCaffe(ProtoTxt, CaffeModel); OpenCVSharp封装了一个CvDnn静态类，现在看看这个函数签名：
public static Net? ReadNetFromCaffe(string prototxt, string? caffeModel = null) { return Net.ReadNetFromCaffe(prototxt, caffeModel); } public static Net? ReadNetFromCaffe(string prototxt, string? caffeModel = null) { if (prototxt is null) throw new ArgumentNullException(nameof(prototxt)); NativeMethods.HandleException( NativeMethods.dnn_readNetFromCaffe(prototxt, caffeModel, out var p)); return (p == IntPtr.Zero) ? null : new Net(p); } OpenCVSharp中创建了一个Net类用于创建和操作复杂的人工神经网络。
在C#中这样写就会调用OpenCV对应的C++接口，要注意OpenCVSharp并不是OpenCV的C#实现，而是充当了C#与C++代码之间的一层桥接。
现在就是看怎么使用了。
首先需要将图片处理成神经网络需要的形式：
using var img = new Mat(ImagePath); using var inputBlob = CvDnn.BlobFromImage(img, 1, new Size(224, 224), new Scalar(104, 117, 123)); public static Mat BlobFromImage( Mat image, double scaleFactor = 1.0, Size size = default, Scalar mean = default, bool swapRB = true, bool crop = true) { if (image is null) throw new ArgumentNullException(nameof(image)); NativeMethods.HandleException( NativeMethods.dnn_blobFromImage( image.CvPtr, scaleFactor, size, mean, swapRB ? 1 : 0, crop ? 1 : 0, out var ret)); return new Mat(ret); } BlobFromImage是OpenCV中用于深度学习图像预处理的关键方法，它将输入图像转换为神经网络可处理的 4 维张量（blob）。主要功能包括：图像尺寸调整、中心裁剪、通道交换（BGR↔RGB）、均值减法和像素值缩放。输出为 NCHW 维度顺序的 4D Mat 对象，适用于 CNN 等深度学习模型的输入预处理。
net.SetInput(inputBlob, "data"); using var prob = net.Forward("prob"); // 找到最佳类别 GetMaxClass(prob, out int classId, out double classProb); private void GetMaxClass(Mat probBlob, out int classId, out double classProb) { // 将blob重塑为1x1000矩阵 using var probMat = probBlob.Reshape(1, 1); Cv2.MinMaxLoc(probMat, out _, out classProb, out _, out var classNumber); classId = classNumber.X; } SetInput将预处理后的Blob数据设置为网络的输入层，"data"是网络配置文件中定义的输入层名称。
Forward执行完整的前向传播过程，"prob"是输出层名称，通常对应softmax概率输出，返回一个包含1000个类别概率值的Mat对象，输出形状为[1, 1000]，表示ImageNet的1000个类别。
查看MinMaxLoc方法的定义：
/// <summary> /// finds global minimum and maximum array elements and returns their values and their locations /// </summary> /// <param name="src">The source single-channel array</param> /// <param name="minVal">Pointer to returned minimum value</param> /// <param name="maxVal">Pointer to returned maximum value</param> /// <param name="minLoc">Pointer to returned minimum location</param> /// <param name="maxLoc">Pointer to returned maximum location</param> /// <param name="mask">The optional mask used to select a sub-array</param> public static void MinMaxLoc(InputArray src, out double minVal, out double maxVal, out Point minLoc, out Point maxLoc, InputArray? mask = null) { if (src is null) throw new ArgumentNullException(nameof(src)); src.ThrowIfDisposed(); NativeMethods.HandleException( NativeMethods.core_minMaxLoc2( src.CvPtr, out minVal, out maxVal, out minLoc, out maxLoc, ToPtr(mask))); GC.KeepAlive(src); GC.KeepAlive(mask); } 通过这个方法我们可以找到最大值如下所示：
与最大值的位置，如下所示：
然后这个X坐标值812就是对应类别的ID，可以根据这个ID找到对应的类别名称。
