该项目现已托管在 Hugging Face 上。请访问 https://huggingface.co/opencv 获取模型和在线演示！

OpenCV Zoo 与基准测试

一个为 OpenCV DNN 调优的模型动物园，并在不同平台上提供基准测试。

使用指南：

• 安装最新版 opencv-python：

  python3 -m pip install opencv-python
  # 或升级到最新版本
  python3 -m pip install --upgrade opencv-python
  

• 克隆本仓库以下载所有模型和示例脚本：

  # 从 https://git-lfs.github.com/ 安装 git-lfs
  git clone https://github.com/opencv/opencv_zoo && cd opencv_zoo
  git lfs install
  git lfs pull
  

• 如需在您的硬件环境下运行基准测试，请参阅 benchmark/README。

模型与基准测试结果

硬件配置：

x86-64：

• Intel Core i7-12700K：8 个性能核心（3.60 GHz，睿频最高 4.90 GHz），4 个能效核心（2.70 GHz，睿频最高 3.80 GHz），20 线程。

ARM：

• Khadas VIM3：Amlogic A311D SoC，包含 2.2GHz 四核 ARM Cortex-A73 + 1.8GHz 双核 Cortex-A53 CPU，以及 5 TOPS 的 NPU。基准测试采用 逐张量量化 模型进行。请按照 此指南 构建启用 TIM-VX 后端的 OpenCV。
• Khadas VIM4：Amlogic A311D2 SoC，配备 2.2GHz 四核 ARM Cortex-A73 和 2.0GHz 四核 Cortex-A53 CPU，内置 3.2 TOPS 的 NPU。
• Khadas Edge 2：Rockchip RK3588S SoC，包含 2.25 GHz 四核 ARM Cortex-A76 + 1.8 GHz 四核 Cortex-A55，以及 6 TOPS 的 NPU。
• Atlas 200 DK：Ascend 310 NPU，INT8 下可达 22 TOPS。请按照 此指南 构建启用 CANN 后端的 OpenCV。
• Atlas 200I DK A2：SoC 配备 1.0GHz 四核 CPU 和 Ascend 310B NPU，INT8 下可达 8 TOPS。
• NVIDIA Jetson Nano B01：四核 ARM A57 处理器，主频 1.43 GHz，以及 128 核 NVIDIA Maxwell GPU。
• NVIDIA Jetson Nano Orin：六核 Arm® Cortex®-A78AE v8.2 64 位处理器，以及 1024 核 NVIDIA Ampere 架构 GPU，配备 32 个 Tensor Core（最高频率 625MHz）。
• Raspberry Pi 4B：Broadcom BCM2711 SoC，四核 Cortex-A72（ARM v8）64 位处理器，主频 1.5 GHz。
• Horizon Sunrise X3：来自 Horizon Robotics 的 SoC，配备四核 ARM Cortex-A53 1.2 GHz CPU 和 5 TOPS 的 BPU（即 NPU）。
• MAIX-III AXera-Pi：Axera AX620A SoC，包含四核 ARM Cortex-A7 CPU 和 3.6 TOPS @ int8 的 NPU。
• Toybrick RV1126：Rockchip RV1126 SoC，配备四核 ARM Cortex-A7 CPU 和 2.0 TOPS 的 NPU。

RISC-V：

• StarFive VisionFive 2：StarFive JH7110 SoC，搭载 RISC-V 四核处理器，可睿频至 1.5GHz，以及 Imagination 公司的 IMG BXE-4-32 MC1 GPU，工作频率最高可达 600MHz。
• Allwinner Nezha D1：Allwinner D1 SoC，配备 1.0 GHz 单核 RISC-V Xuantie C906 CPU，支持 RVV 0.7.1。目前仅对 YuNet 进行了测试。更多详情请访问 此处。

重要提示：

• 上表中各硬件配置列下的数据表示一次推理（预处理、前向传播和后处理）所用的时间。
• 时间数据为经过若干次预热后 10 次运行的平均值。针对某些特定模型可能会采用不同的度量标准。
• 所有基准测试结果的批大小均为 1。
• --- 表示该模型无法在该设备上运行。
• 更多关于不同模型基准测试的详细信息，请查看 benchmark/config。

示例展示

以下列出部分示例。更多内容可在各模型目录中找到！

人脸检测：YuNet

人脸识别：SFace

面部表情识别：Progressive Teacher

人体分割：PP-HumanSeg

图像分割：EfficientSAM

车牌检测：LPD_YuNet

物体检测：NanoDet 和 YOLOX

物体跟踪：VitTrack

手掌检测：MP-PalmDet

手部姿态估计：MP-HandPose

人员检测：MP-PersonDet

姿态估计：MP-Pose

QR码检测与解析：WeChatQRCode

中文文本检测：PPOCR-Det

英文文本检测 PPOCR-Det

使用 CRNN 进行文本检测

许可证

OpenCV Zoo 采用 Apache 2.0 许可证 许可。请参阅各模型的许可证信息。

OpenCV Zoo 快速上手指南

OpenCV Zoo 是一个专为 OpenCV DNN 模块优化的模型库，提供了多种计算机视觉任务（如人脸检测、物体识别、图像分割等）的预训练模型及多平台性能基准测试。

1. 环境准备

• 操作系统：支持 Linux, Windows, macOS (x86-64, ARM, RISC-V 架构均经过测试)。
• Python 版本：建议 Python 3.6 及以上。
• 前置依赖：
  • git 和 git-lfs (用于下载大文件模型)。
  • pip (Python 包管理工具)。

注意：部分高性能硬件（如华为 Ascend NPU、Amlogic NPU 等）需要编译开启特定后端（CANN 或 TIM-VX）的 OpenCV 版本，普通用户直接使用 CPU/GPU 后端即可。

2. 安装步骤

第一步：安装/升级 OpenCV Python 包

建议使用国内镜像源加速安装：

python3 -m pip install opencv-python -i https://pypi.tuna.tsinghua.edu.cn/simple
# 若已安装，请升级至最新版
python3 -m pip install --upgrade opencv-python -i https://pypi.tuna.tsinghua.edu.cn/simple

第二步：克隆项目并下载模型

本项目使用 Git LFS 存储模型文件，需确保已安装 git-lfs。

# 1. 安装 git-lfs (Ubuntu/Debian 示例)
sudo apt-get install git-lfs

# 2. 初始化 git-lfs
git lfs install

# 3. 克隆仓库 (推荐使用国内镜像或代理加速，若网络通畅可直接使用官方地址)
git clone https://github.com/opencv/opencv_zoo && cd opencv_zoo

# 4. 拉取模型文件
git lfs pull

3. 基本使用

每个模型目录下都包含独立的演示脚本。以下以 YuNet 人脸检测 为例展示最简使用流程。

运行示例脚本

进入对应模型目录并运行演示代码：

cd models/face_detection_yunet
python3 demo.py --input ../../images/selfie.jpg

代码调用示例

你也可以在自己的 Python 项目中直接调用模型。以下是加载 YuNet 并进行推理的最小化代码示例：

import cv2 as cv
import cv2.dnn as dnn

# 1. 加载模型文件路径
model_path = "models/face_detection_yunet/face_detection_yunet_2023mar.onnx"
config_path = "models/face_detection_yunet/face_detection_yunet_2023mar.py"

# 2. 创建检测器对象 (OpenCV Zoo 提供的辅助类通常在模型目录的 python 文件夹中，或直接使用 DNN 接口)
# 这里展示通用的 DNN 加载方式
net = cv.dnn.readNetFromONNX(model_path)

# 3. 读取图像
img = cv.imread("images/selfie.jpg")
h, w = img.shape[:2]

# 4. 预处理 (具体参数需参考各模型的文档，此处为 YuNet 典型配置)
blob = cv.dnn.blobFromImage(img, 1.0, (w, h), (104, 117, 123), swapRB=False)

# 5. 推理
net.setInput(blob)
outputs = net.forward()

# 6. 后处理与结果解析
# (具体解码逻辑请参考 models/face_detection_yunet/demo.py 中的实现)
print("Inference completed. Check demo.py for full post-processing logic.")

提示：为了获得最佳体验，建议直接阅读各模型文件夹下的 demo.py 脚本，其中包含了完整的预处理、推理和后处理逻辑。所有支持的模型列表及详细用法请参阅项目根目录下的 models 文件夹。