Aprender OpenCV Deep learning con OpenCV DNN

El módulo cv2.dnn permite ejecutar redes neuronales preentrenadas directamente desde OpenCV sin depender de TensorFlow ni PyTorch en tiempo de inferencia. Admite múltiples formatos: ONNX (.onnx), Caffe (.prototxt + .caffemodel), TensorFlow (.pb) y Darknet (.cfg + .weights).

El proceso de inferencia sigue tres pasos: (1) crear el blob de entrada con cv2.dnn.blobFromImage() especificando el escalado, tamaño y medias de sustracción; (2) establecer la entrada con net.setInput(blob); (3) ejecutar la pasada hacia adelante con net.forward(). El backend puede configurarse para usar CPU, OpenCL o CUDA.

La detección de rostros puede hacerse con Haar Cascades (CascadeClassifier) para una solución rápida y sencilla, o con el modelo DNN SSD ResNet-10 para mayor robustez ante ángulos, oclusiones y variaciones de iluminación.

La clasificación de imágenes con GoogLeNet o MobileNet sobre las 1000 clases de ImageNet produce una distribución softmax. El modelo devuelve un vector de probabilidades del que se extraen las top-K predicciones.

La detección de objetos con YOLO procesa la imagen completa en una sola pasada y devuelve bounding boxes para múltiples clases. cv2.dnn.NMSBoxes() aplica Non-Maximum Suppression para eliminar detecciones redundantes. SSD MobileNet es la alternativa más ligera para dispositivos con recursos limitados.