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============================
教程给出了调用方法：
Usage examples
Execute in webcam:
$ example_dnn_object_detection
--config
=[PATH
-TO
-DARKNET]
/cfg
/yolo.cfg
--model
=[PATH
-TO
-DARKNET]
/yolo.weights
--classes
=object_detection_classes_pascal_voc.txt
--width
=
416
--height
=
416
--scale
=
0.
00392
--rgb
Execute with image or video file:
$ example_dnn_object_detection
--config
=[PATH
-TO
-DARKNET]
/cfg
/yolo.cfg
--model
=[PATH
-TO
-DARKNET]
/yolo.weights
--classes
=object_detection_classes_pascal_voc.txt
--width
=
416
--height
=
416
--scale
=
0.
00392
--input
=[PATH
-TO
-IMAGE
-OR
-VIDEO
-FILE]
--rgb
参考这个 方法，修改我们的调用参数
--config=e:/template/yolov3.cfg --model=e:/template/yolov3.weights --classes=e:/template/object_detection_classes_pascal_voc.txt --width=416 --height=416 --scale=0.00392 --input=e:/template/bike.avi --rgb
所以我们需要先准备的是yolo.weights 和 yolo.cfg,
wget https
:
//pjreddie.com/media/files/yolov3.weights
wget https
:
//github.com/pjreddie/darknet/blob/master/cfg/yolov3.cfg?raw=true -O ./yolov3.cfg
wget https
:
//github.com/pjreddie/darknet/blob/master/data/coco.names?raw=true -O ./coco.names
对象识别是CV和DL的经典问题，看看OpenCV自己提供了什么。
本来我使用的是OpenCV4，但是例子代码使用的是最新从网上下载的，开头直接给报了个错
根据我多年程序设计的经验（其实是瞎猜），我认为是不是我的OpenCV版本低了，感觉更新到最新版本（这里注意一下，对于vs2015和2017，opencv提供了prebuild版本，比如叫opencv-4.1.0-vc14_vc15.exe这样的名字，可以从官网直接下载）
注意prebuild是64位的，需要注意选择。然后就可以了，当然由于参数问题，仍然是需要进行修改的。（果然猜对了）
因为已经出现了能够正确运行的命令行，所以这里直接修改即可。
将汽车识别成bird肯定是错误的，但是object detection和class的区别在于跟踪，从显示的结果上来看，就是画框。
这个地方，就体现出了OpenCV DNN的黑盒特性，就是模型训练中的东西，可能是效果非常好的，也可能是效果不好的。
对这块的调节，不是OpenCV的工作，而是深度学习系统的工作—不管它是用什么训练出来的，我们都希望OpenCV能够提供一个接入现有系统的接口。
在深度学习这里，这才是OpenCV的价值。
参考资料：
