简要介绍：

DNN模块是OpenCV中专门用来实现DNN模块相关功能，其作用是载入别的深度学习框架（如TensorFlow、Caffe、Torch等）中已经训练好的模型，然后利用该模型完成预测等工作。

OpenCV中DNN模块不支持网络训练，只是用来加载和运行网络模型。

在使用过程中原格式无需考虑会被转换成统一内部模型。

四行语句：

net = cv2.dnn.readNet(model, config)
blob = cv2.dnn.blobFromImage(image)
net.setInput(blob)
detections = net.forward()

 第一行：模型导入

net = cv2.dnn.readNet(model [, config [, framework]])

• net：返回值，返回网络模型对象
• model：模型权重文件（模型参数文件）路径，二进制，文件较大
• config：模型配置文件（网络结构文件）路径，文本文件，文件较小
• framework：DNN框架（省略），自动配置

第二行：图像预处理

blob = cv2.blobFromImage(image [, scalefactor[, size [, mean [,swapRB 
[, crop [, ddepth]]]]]])

• blob：预处理（缩放、裁剪、减均值）后得到的符合人工神经网络输入的数据。四维数据，通常为N（每次输入图像数量）、C（图像通道数）、H（图像高度）、W（图像宽度）
• image：输入图像
• scalefactor：比例因子
• size：控制blob的宽度、高度
• mean：从每个通道减去的均值
• swapRB：是否交换R、B通道，默认False
• crop：image与size尺寸不一致时，对image进行调整，True（1.宽高比一致，直接缩放；2.宽高比不一致，缩放后从中心剪裁），False（直接缩放、保留纵横比）
• ddepth：控制输出格式

第三行：设置网格输入函数setInput

net.setInput(blob [, name [, scalefactor [, mean]]])

•  blob：blobFromImage返回值
• name：输出层名称
• scalefactor：缩放因子
• mean：均值

第四行：网格计算函数forward

result = net.forward()