opencv是一个开源的图形库，有针对java,c++,python的库依赖，它本身对模型训练支持的不好，但是可以加载其他框架训练的模型来进行预测。

这里举一个最简单的线性回归的例子，使用深度学习框架pytorch训练模型，最后保存模型为onnx格式。最后使用opencv-python库来进行加载预测。

这里准备的线性回归模型数据如下：

直观的看，这里其实就是一个 y = 2x的线性方程。但是机器学习里面，它是通过不断迭代的方式求得最终的系数，w,b的值。

本文使用过的python库版本:

• torch:1.13.0
• opencv-python: 4.5.5
• numpy 1.24.2
• python: 3.10

show me the code:

import torch
x_data = torch.Tensor([[1.0], [2.0], [3.0]])
y_data = torch.Tensor([[2.0], [4.0], [6.0]])
class LinearModel(torch.nn.Module):
    def __init__(self):
        super(LinearModel, self).__init__()
        self.linear = torch.nn.Linear(1, 1)
    def forward(self, x):
        return self.linear(x)
model = LinearModel()
criterion = torch.nn.MSELoss(reduction='sum')
optimizer = torch.optim.SGD(model.parameters(), lr=0.02)
for epoch in range(1000):
    y_pred = model(x_data)
    loss = criterion(y_pred, y_data)
    if epoch % 100 == 0:
        print(epoch + 1, loss)
    optimizer.zero_grad()
    loss.backward()
    optimizer.step()
print('w = {}'.format(model.linear.weight.item()))
print('b = {}'.format(model.linear.bias.item()))
x_test = torch.Tensor([[4.0]])
y_test = model(x_test)
print('y_pred(4.0) = ', y_test.data)
x_test = torch.Tensor([[8.0]])
y_test = model(x_test)
print('y_pred(8.0) = ', y_test.data)
x_test = torch.Tensor([[10.0]])
y_test = model(x_test)
print('y_pred(10.0) = ', y_test.data)
x_test = torch.Tensor([[15.0]])
y_test = model(x_test)
print('y_pred(15.0) = ', y_test.data)
model.eval()
dummy_input = torch.randn(1, 1)
input_name = ["input"]
output_name = ["output"]
onnx_name = "test.onnx"
torch.onnx.export(
    model,
    dummy_input,
    onnx_name,
    verbose=True,
    input_names=input_name,
    output_names=output_name
    运行，打印信息如下：
 
    这里重点关注线性回归系数，w = 1.99，b = 1.31。这里的w其实很接近2，毕竟是计算机算出来的，这里没有明确表示使用梯度下降算法，但是实际上在训练那部分，确实使用的是梯度下降法。
 
for epoch in range(1000):
    y_pred = model(x_data)
    loss = criterion(y_pred, y_data)
    if epoch % 100 == 0:
        print(epoch + 1, loss)
    optimizer.zero_grad()
    loss.backward()
    optimizer.step()
 
    最后，通过这个回归系数预测，符合预期。 
 
    算法最终会将模型保存在本地项目路径下的test.onnx文件中。
 
    上面算是模型准备好了，下面我们通过opencv-python来加载这个模型，并预测：
 
from cv2 import dnn
import numpy as np
net = dnn.readNetFromONNX("test.onnx")
matblob = np.full((1, 1), 1024, dtype=np.int32)
net.setInput(matblob)
print('input = {}'.format(matblob))
output = net.forward()
print('output = {}'.format(output))
 
    这里，matblob其实就是一个Mat，但是在opencv-python里面，它可以通过numpy来创建，这里在网上的都是通过读取一个图片来生成matblob对象，我个人觉着我们这里很明确，就是需要指定一个数字1024，我们通过np.full() 来设置cols,rows,type,value就成功创建了这个输入Mat对象。
 
    运行这个代码，我们期望得到的是2048，实际结果如下所示：
 
    其实和2048很接近了，这是python代码的结果。如果使用opencv-c++来编码，代码基本类似。我没有去试c++，主要是这个模型就是通过python代码实现并生成的，而且opencv有python依赖库，所以就想着直接用python实现了，没必要再去研究opencv-c++的实现了。
def mnist_onnx_demo():
    mnist_net = cv.dnn.readNetFromONNX("cnn_mnist.onnx")
    image = cv.imread("C:/Users/Administrator/Desktop/666.png")
    gray = cv.cvtColor(image, cv.COLOR_BGR2GRAY)
				
分别使用OpenCV与ONNXRuntime部署yolov5旋转目标检测源码+模型(c++和python两个版本程序).zip
分别使用OpenCV、ONNXRuntime部署yolov5旋转目标检测，包含C++和Python两个版本的程序。
使用OpenCV部署yolov5旋转目标检测，包含C++和Python两个版本的程序
2.使用ONNXRuntime部署yolov5旋转目标检测，包含C++和Python两个版本的程序
程序输出矩形框的中心点坐标(x, y)，矩形框的高宽(h, w)，矩形框的倾斜角。
1. vs2019配置opencv4.4和libtorch1.7.1
https://download.pytorch.org/libtorch/cu110/libtorch-win-shared-with-deps-1.7.1%2Bcu110.zip
libtorch的GPU release版本。
下载完成后解压在任意地址即可，这里假定文件在F:\libtorch中。libtorch文件夹内容如下。
				
opencv-contrib-python和opencv-python都是针对OpenCV计算机视觉库的Python接口。opencv-python是OpenCV的Python接口的官方版本，提供了基本的计算机视觉功能，包括图像处理、目标检测、视频分析等。opencv-contrib-python是OpenCV的Python扩展包，提供一些额外的计算机视觉功能。这些功能包括3D重建、特征检测、跟踪、人脸识别等。
OpenCV-contrib-python是OpenCV的扩展包，在opencv-python的基础上添加了很多额外的功能，由OpenCV社区其他开发者贡献，它提供了更多的识别和跟踪算法，如SIFT、SURF等，还提供了更多的人脸检测算法，如Facedetect和Cascade_classifier等。不过，使用OpenCV-contrib-python需要注意版本的兼容性问题，因为其版本更新频率比OpenCV-python高，需要根据自己的需求来选择适合的版本。
总之，opencv-contrib-python是opencv-python的扩展，提供了更多的计算机视觉功能，需要注意版本兼容性问题。用户可以根据实际需求，选择相应的版本，或者根据自己的开发需求进行选择。