modules/dnn/src/onnx/onnx_importer.cpp

   1 // This file is part of OpenCV project.
   2 // It is subject to the license terms in the LICENSE file found in the top-level directory
   3 // of this distribution and at http://opencv.org/license.html.
   4
   5 // Copyright (C) 2018, Intel Corporation, all rights reserved.
   6 // Third party copyrights are property of their respective owners.
   7
   8 #include "../precomp.hpp"
   9 #include <opencv2/dnn/shape_utils.hpp>
  10
  11 #include <opencv2/dnn/layer_reg.private.hpp>
  12
  13 #include <opencv2/core/utils/fp_control_utils.hpp>
  14
  15 #include <opencv2/core/utils/logger.defines.hpp>
  16 #undef CV_LOG_STRIP_LEVEL
  17 #define CV_LOG_STRIP_LEVEL CV_LOG_LEVEL_VERBOSE + 1
  18 #include <opencv2/core/utils/logger.hpp>
  19
  20 #include <opencv2/core/utils/configuration.private.hpp>
  21
  22
  23 #ifdef HAVE_PROTOBUF
  24
  25 #include <iostream>
  26 #include <fstream>
  27 #include <string>
  28 #include <limits>
  29 #include <algorithm>
  30
  31 #if defined _MSC_VER && _MSC_VER < 1910/*MSVS 2017*/
  32 #pragma warning(push)
  33 #pragma warning(disable: 4503)  // decorated name length exceeded, name was truncated
  34 #endif
  35
  36 #if defined(__GNUC__) && __GNUC__ >= 5
  37 #pragma GCC diagnostic push
  38 #pragma GCC diagnostic ignored "-Wsuggest-override"
  39 #endif
  40 #include "opencv-onnx.pb.h"
  41 #if defined(__GNUC__) && __GNUC__ >= 5
  42 #pragma GCC diagnostic pop
  43 #endif
  44
  45 #include "onnx_graph_simplifier.hpp"
  46
  47 namespace cv {
  48 namespace dnn {
  49 CV__DNN_INLINE_NS_BEGIN
  50
  51 extern bool DNN_DIAGNOSTICS_RUN;
  52
  53 class ONNXLayerHandler;
  54
  55 class ONNXImporter
  56 {
  57     FPDenormalsIgnoreHintScope fp_denormals_ignore_scope;
  58
  59     opencv_onnx::ModelProto model_proto;
  60     struct LayerInfo {
  61         int layerId;
  62         int outputId;
  63         LayerInfo(int _layerId = 0, int _outputId = 0) : layerId(_layerId), outputId(_outputId) {}
  64     };
  65
  66     std::map<std::string, Mat> getGraphTensors(
  67                                     const opencv_onnx::GraphProto& graph_proto);
  68     Mat getBlob(const opencv_onnx::NodeProto& node_proto, int index);
  69     Mat getBlob(const std::string& input_name);
  70
  71     LayerParams getLayerParams(const opencv_onnx::NodeProto& node_proto);
  72
  73     void addConstant(const std::string& name, const Mat& blob);
  74     void addLayer(LayerParams& layerParams,
  75                   const opencv_onnx::NodeProto& node_proto);
  76     void handleQuantizedNode(LayerParams& layerParams,
  77                              const opencv_onnx::NodeProto& node_proto);
  78
  79     void expandMid(const std::string& prefix, opencv_onnx::NodeProto& node_proto,
  80                    const std::string& input, size_t n);
  81     void addNegation(const LayerParams& layerParams, opencv_onnx::NodeProto& node_proto, int input_id);
  82     void lstm_extractConsts(LayerParams& layerParams, const opencv_onnx::NodeProto& lstm_proto, size_t idx, int* blobShape_, int size);
  83     void lstm_add_reshape(const std::string& input_name, const std::string& output_name, int* layerShape, size_t n);
  84     std::string lstm_add_slice(int index, const std::string& input_name, int* begin, int* end, size_t n);
  85     std::string lstm_fix_dims(LayerParams& layerParams, const opencv_onnx::NodeProto& lstm_proto,
  86                               int batch_size, int num_directions, int hidden_size, bool need_y, const std::string& y_name,
  87                               const int index);
  88     void lstm_add_transform(int num_directions, int batch_size, int hidden_size,
  89                             int index, const std::string& input_name, const std::string& output_name);
  90 public:
  91     ONNXImporter(Net& net, const char *onnxFile);
  92     ONNXImporter(Net& net, const char* buffer, size_t sizeBuffer);
  93
  94     void populateNet();
  95
  96 protected:
  97     std::unique_ptr<ONNXLayerHandler> layerHandler;
  98     Net& dstNet;
  99
 100     opencv_onnx::GraphProto graph_proto;
 101     std::string framework_name;
 102
 103     std::map<std::string, Mat> constBlobs;
 104
 105     std::map<std::string, MatShape> outShapes;  // List of internal blobs shapes.
 106     bool hasDynamicShapes;  // Whether the model has inputs with dynamic shapes
 107     typedef std::map<std::string, MatShape>::iterator IterShape_t;
 108
 109     std::map<std::string, LayerInfo> layer_id;
 110     typedef std::map<std::string, LayerInfo>::iterator IterLayerId_t;
 111     typedef std::map<std::string, LayerInfo>::const_iterator ConstIterLayerId_t;
 112
 113     void handleNode(const opencv_onnx::NodeProto& node_proto);
 114
 115 private:
 116     friend class ONNXLayerHandler;
 117     typedef void (ONNXImporter::*ONNXImporterNodeParser)(LayerParams& layerParams, const opencv_onnx::NodeProto& node_proto);
 118     typedef std::map<std::string, ONNXImporterNodeParser> DispatchMap;
 119     typedef std::map<std::string, DispatchMap> DomainDispatchMap;
 120
 121     DomainDispatchMap domain_dispatch_map;
 122     std::string getLayerTypeDomain(const opencv_onnx::NodeProto& node_proto);
 123     const DispatchMap& getDispatchMap(const opencv_onnx::NodeProto& node_proto);
 124     void buildDispatchMap_ONNX_AI(int opset_version);
 125     void buildDispatchMap_COM_MICROSOFT(int opset_version);
 126
 127     // Domain: 'ai.onnx' (default)
 128     // URL: https://github.com/onnx/onnx/blob/master/docs/Operators.md
 129     void parseArg                  (LayerParams& layerParams, const opencv_onnx::NodeProto& node_proto);
 130     void parseMaxUnpool            (LayerParams& layerParams, const opencv_onnx::NodeProto& node_proto);
 131     void parseMaxPool              (LayerParams& layerParams, const opencv_onnx::NodeProto& node_proto);
 132     void parseAveragePool          (LayerParams& layerParams, const opencv_onnx::NodeProto& node_proto);
 133     void parseGlobalPool           (LayerParams& layerParams, const opencv_onnx::NodeProto& node_proto);
 134     void parseReduce               (LayerParams& layerParams, const opencv_onnx::NodeProto& node_proto);
 135     void parseSlice                (LayerParams& layerParams, const opencv_onnx::NodeProto& node_proto);
 136     void parseSplit                (LayerParams& layerParams, const opencv_onnx::NodeProto& node_proto);
 137     void parseBias                 (LayerParams& layerParams, const opencv_onnx::NodeProto& node_proto);
 138     void parsePow                  (LayerParams& layerParams, const opencv_onnx::NodeProto& node_proto);
 139     void parseMinMax               (LayerParams& layerParams, const opencv_onnx::NodeProto& node_proto);
 140     void parseNeg                  (LayerParams& layerParams, const opencv_onnx::NodeProto& node_proto);
 141     void parseConstant             (LayerParams& layerParams, const opencv_onnx::NodeProto& node_proto);
 142     void parseLSTM                 (LayerParams& layerParams, const opencv_onnx::NodeProto& node_proto);
 143     void parseGRU                  (LayerParams& layerParams, const opencv_onnx::NodeProto& node_proto);
 144     void parseImageScaler          (LayerParams& layerParams, const opencv_onnx::NodeProto& node_proto);
 145     void parseClip                 (LayerParams& layerParams, const opencv_onnx::NodeProto& node_proto);
 146     void parseLeakyRelu            (LayerParams& layerParams, const opencv_onnx::NodeProto& node_proto);
 147     void parseRelu                 (LayerParams& layerParams, const opencv_onnx::NodeProto& node_proto);
 148     void parseElu                  (LayerParams& layerParams, const opencv_onnx::NodeProto& node_proto);
 149     void parseTanh                 (LayerParams& layerParams, const opencv_onnx::NodeProto& node_proto);
 150     void parseAbs                  (LayerParams& layerParams, const opencv_onnx::NodeProto& node_proto);
 151     void parseCompare              (LayerParams& layerParams, const opencv_onnx::NodeProto& node_proto);
 152     void parsePRelu                (LayerParams& layerParams, const opencv_onnx::NodeProto& node_proto);
 153     void parseLRN                  (LayerParams& layerParams, const opencv_onnx::NodeProto& node_proto);
 154     void parseInstanceNormalization(LayerParams& layerParams, const opencv_onnx::NodeProto& node_proto);
 155     void parseBatchNormalization   (LayerParams& layerParams, const opencv_onnx::NodeProto& node_proto);
 156     void parseGemm                 (LayerParams& layerParams, const opencv_onnx::NodeProto& node_proto);
 157     void parseMatMul               (LayerParams& layerParams, const opencv_onnx::NodeProto& node_proto);
 158     void parseMul                  (LayerParams& layerParams, const opencv_onnx::NodeProto& node_proto);
 159     void parseConv                 (LayerParams& layerParams, const opencv_onnx::NodeProto& node_proto);
 160     void parseConvTranspose        (LayerParams& layerParams, const opencv_onnx::NodeProto& node_proto);
 161     void parseTranspose            (LayerParams& layerParams, const opencv_onnx::NodeProto& node_proto);
 162     void parseSqueeze              (LayerParams& layerParams, const opencv_onnx::NodeProto& node_proto);
 163     void parseFlatten              (LayerParams& layerParams, const opencv_onnx::NodeProto& node_proto);
 164     void parseUnsqueeze            (LayerParams& layerParams, const opencv_onnx::NodeProto& node_proto);
 165     void parseExpand               (LayerParams& layerParams, const opencv_onnx::NodeProto& node_proto);
 166     void parseReshape              (LayerParams& layerParams, const opencv_onnx::NodeProto& node_proto);
 167     void parsePad                  (LayerParams& layerParams, const opencv_onnx::NodeProto& node_proto);
 168     void parseShape                (LayerParams& layerParams, const opencv_onnx::NodeProto& node_proto);
 169     void parseCast                 (LayerParams& layerParams, const opencv_onnx::NodeProto& node_proto);
 170     void parseConstantFill         (LayerParams& layerParams, const opencv_onnx::NodeProto& node_proto);
 171     void parseGather               (LayerParams& layerParams, const opencv_onnx::NodeProto& node_proto);
 172     void parseConcat               (LayerParams& layerParams, const opencv_onnx::NodeProto& node_proto);
 173     void parseResize               (LayerParams& layerParams, const opencv_onnx::NodeProto& node_proto);
 174     void parseUpsample             (LayerParams& layerParams, const opencv_onnx::NodeProto& node_proto);
 175     void parseSoftMax              (LayerParams& layerParams, const opencv_onnx::NodeProto& node_proto);
 176     void parseDetectionOutput      (LayerParams& layerParams, const opencv_onnx::NodeProto& node_proto);
 177     void parseCumSum               (LayerParams& layerParams, const opencv_onnx::NodeProto& node_proto);
 178     void parseDepthToSpace         (LayerParams& layerParams, const opencv_onnx::NodeProto& node_proto);
 179     void parseSimpleLayers         (LayerParams& layerParams, const opencv_onnx::NodeProto& node_proto);
 180
 181     // Domain: com.microsoft
 182     // URL: https://github.com/microsoft/onnxruntime/blob/master/docs/ContribOperators.md
 183     void parseQuantDequant         (LayerParams& layerParams, const opencv_onnx::NodeProto& node_proto);
 184     void parseQConv                (LayerParams& layerParams, const opencv_onnx::NodeProto& node_proto);
 185     void parseQMatMul              (LayerParams& layerParams, const opencv_onnx::NodeProto& node_proto);
 186     void parseQEltwise             (LayerParams& layerParams, const opencv_onnx::NodeProto& node_proto);
 187     void parseQLeakyRelu           (LayerParams& layerParams, const opencv_onnx::NodeProto& node_proto);
 188     void parseQSigmoid             (LayerParams& layerParams, const opencv_onnx::NodeProto& node_proto);
 189     void parseQAvgPool             (LayerParams& layerParams, const opencv_onnx::NodeProto& node_proto);
 190     void parseQConcat              (LayerParams& layerParams, const opencv_onnx::NodeProto& node_proto);
 191
 192     // '???' domain or '???' layer type
 193     void parseCustomLayer          (LayerParams& layerParams, const opencv_onnx::NodeProto& node_proto);
 194
 195     int onnx_opset;  // OperatorSetIdProto for 'onnx' domain
 196     std::map<std::string, int> onnx_opset_map;  // map from OperatorSetIdProto
 197     void parseOperatorSet();
 198
 199     const std::string str_domain_ai_onnx = "ai.onnx";
 200
 201
 202     bool useLegacyNames;
 203     bool getParamUseLegacyNames()
 204     {
 205         bool param = utils::getConfigurationParameterBool("OPENCV_DNN_ONNX_USE_LEGACY_NAMES", false);
 206         return param;
 207     }
 208     std::string extractNodeName(const opencv_onnx::NodeProto& node_proto);
 209 };
 210
 211
 212 class ONNXLayerHandler : public detail::LayerHandler
 213 {
 214 public:
 215     explicit ONNXLayerHandler(ONNXImporter* importer_);
 216
 217     void fillRegistry(const opencv_onnx::GraphProto& net);
 218
 219 protected:
 220     ONNXImporter* importer;
 221 };
 222
 223 ONNXLayerHandler::ONNXLayerHandler(ONNXImporter* importer_) : importer(importer_){}
 224
 225 void ONNXLayerHandler::fillRegistry(const opencv_onnx::GraphProto &net)
 226 {
 227     int layersSize = net.node_size();
 228     for (int li = 0; li < layersSize; li++) {
 229         const opencv_onnx::NodeProto &node_proto = net.node(li);
 230         const std::string& name = node_proto.output(0);
 231         const std::string& type = node_proto.op_type();
 232         const std::string& layer_type_domain = importer->getLayerTypeDomain(node_proto);
 233         const auto& dispatch = importer->getDispatchMap(node_proto);
 234         if (dispatch.find(type) == dispatch.end())
 235         {
 236             addMissing(name, cv::format("%s.%s", layer_type_domain.c_str(), type.c_str()));
 237         }
 238     }
 239     printMissing();
 240 }
 241
 242 ONNXImporter::ONNXImporter(Net& net, const char *onnxFile)
 243     : layerHandler(DNN_DIAGNOSTICS_RUN ? new ONNXLayerHandler(this) : nullptr)
 244     , dstNet(net)
 245     , onnx_opset(0)
 246     , useLegacyNames(getParamUseLegacyNames())
 247 {
 248     hasDynamicShapes = false;
 249     CV_Assert(onnxFile);
 250     CV_LOG_DEBUG(NULL, "DNN/ONNX: processing ONNX model from file: " << onnxFile);
 251
 252     std::fstream input(onnxFile, std::ios::in | std::ios::binary);
 253     if (!input)
 254     {
 255         CV_Error(Error::StsBadArg, cv::format("Can't read ONNX file: %s", onnxFile));
 256     }
 257
 258     if (!model_proto.ParseFromIstream(&input))
 259     {
 260         CV_Error(Error::StsUnsupportedFormat, cv::format("Failed to parse ONNX model: %s", onnxFile));
 261     }
 262
 263     populateNet();
 264 }
 265
 266 ONNXImporter::ONNXImporter(Net& net, const char* buffer, size_t sizeBuffer)
 267     : layerHandler(DNN_DIAGNOSTICS_RUN ? new ONNXLayerHandler(this) : nullptr)
 268     , dstNet(net)
 269     , onnx_opset(0)
 270     , useLegacyNames(getParamUseLegacyNames())
 271 {
 272     hasDynamicShapes = false;
 273     CV_LOG_DEBUG(NULL, "DNN/ONNX: processing in-memory ONNX model (" << sizeBuffer << " bytes)");
 274
 275     struct _Buf : public std::streambuf
 276             {
 277         _Buf(const char* buffer, size_t sizeBuffer)
 278         {
 279             char* p = const_cast<char*>(buffer);
 280             setg(p, p, p + sizeBuffer);
 281         }
 282             };
 283
 284     _Buf buf(buffer, sizeBuffer);
 285     std::istream input(&buf);
 286
 287     if (!model_proto.ParseFromIstream(&input))
 288         CV_Error(Error::StsUnsupportedFormat, "Failed to parse onnx model from in-memory byte array.");
 289
 290     populateNet();
 291 }
 292
 293
 294 inline void replaceLayerParam(LayerParams& layerParams, const String& oldKey, const String& newKey)
 295 {
 296     if (layerParams.has(oldKey)) {
 297         layerParams.set(newKey, layerParams.get(oldKey));
 298         layerParams.erase(oldKey);
 299     }
 300 }
 301
 302 static
 303 void dumpValueInfoProto(int i, const opencv_onnx::ValueInfoProto& valueInfoProto, const std::string& prefix)
 304 {
 305     CV_Assert(valueInfoProto.has_name());
 306     CV_Assert(valueInfoProto.has_type());
 307     const opencv_onnx::TypeProto& typeProto = valueInfoProto.type();
 308     CV_Assert(typeProto.has_tensor_type());
 309     const opencv_onnx::TypeProto::Tensor& tensor = typeProto.tensor_type();
 310     CV_Assert(tensor.has_shape());
 311     const opencv_onnx::TensorShapeProto& tensorShape = tensor.shape();
 312
 313     int dim_size = tensorShape.dim_size();
 314     CV_CheckGE(dim_size, 0, "");
 315     MatShape shape(dim_size);
 316     for (int j = 0; j < dim_size; ++j)
 317     {
 318         const opencv_onnx::TensorShapeProto_Dimension& dimension = tensorShape.dim(j);
 319         if (dimension.has_dim_param())
 320         {
 321             CV_LOG_DEBUG(NULL, "DNN/ONNX: " << prefix << "[" << i << "] dim[" << j << "] = <" << dimension.dim_param() << "> (dynamic)");
 322         }
 323         // https://github.com/onnx/onnx/blob/master/docs/DimensionDenotation.md#denotation-definition
 324         if (dimension.has_denotation())
 325         {
 326             CV_LOG_INFO(NULL, "DNN/ONNX: " << prefix << "[" << i << "] dim[" << j << "] denotation is '" << dimension.denotation() << "'");
 327         }
 328         shape[j] = dimension.dim_value();
 329     }
 330     CV_LOG_DEBUG(NULL, "DNN/ONNX: " << prefix << "[" << i << " as '" << valueInfoProto.name() << "'] shape=" << toString(shape));
 331 }
 332
 333 static
 334 void dumpTensorProto(int i, const opencv_onnx::TensorProto& tensorProto, const std::string& prefix)
 335 {
 336     if (utils::logging::getLogLevel() < utils::logging::LOG_LEVEL_VERBOSE)
 337         return;
 338     int dim_size = tensorProto.dims_size();
 339     CV_CheckGE(dim_size, 0, "");
 340     MatShape shape(dim_size);
 341     for (int j = 0; j < dim_size; ++j)
 342     {
 343         int sz = static_cast<int>(tensorProto.dims(j));
 344         shape[j] = sz;
 345     }
 346     CV_LOG_VERBOSE(NULL, 0, "DNN/ONNX: " << prefix << "[" << i << " as '" << tensorProto.name() << "'] shape=" << toString(shape) << " data_type=" << (int)tensorProto.data_type());
 347 }
 348
 349 void releaseONNXTensor(opencv_onnx::TensorProto& tensor_proto)
 350 {
 351     if (!tensor_proto.raw_data().empty()) {
 352         delete tensor_proto.release_raw_data();
 353     }
 354 }
 355
 356 void runLayer(LayerParams& params, const std::vector<Mat>& inputs,
 357               std::vector<Mat>& outputs)
 358 {
 359     Ptr<Layer> layer = LayerFactory::createLayerInstance(params.type, params);
 360     CV_Assert((bool)layer);
 361
 362     std::vector<MatShape> inpShapes(inputs.size());
 363     int ddepth = params.get<int>("depth", CV_32F);
 364     for (size_t i = 0; i < inputs.size(); ++i)
 365     {
 366         inpShapes[i] = shape(inputs[i]);
 367         if (i > 0 && ddepth != inputs[i].depth())
 368             CV_Error(Error::StsNotImplemented, "Mixed input data types.");
 369         ddepth = inputs[i].depth();
 370     }
 371
 372     std::vector<MatShape> outShapes, internalShapes;
 373     layer->getMemoryShapes(inpShapes, 0, outShapes, internalShapes);
 374
 375     std::vector<Mat> internals(internalShapes.size());
 376     outputs.resize(outShapes.size());
 377     for (size_t i = 0; i < outShapes.size(); ++i)
 378         outputs[i].create(outShapes[i], ddepth);
 379     for (size_t i = 0; i < internalShapes.size(); ++i)
 380         internals[i].create(internalShapes[i], ddepth);
 381
 382     layer->finalize(inputs, outputs);
 383     layer->forward(inputs, outputs, internals);
 384 }
 385
 386 std::map<std::string, Mat> ONNXImporter::getGraphTensors(
 387                                         const opencv_onnx::GraphProto& graph_proto)
 388 {
 389     std::map<std::string, Mat> layers_weights;
 390
 391     for (int i = 0; i < graph_proto.initializer_size(); i++)
 392     {
 393         const opencv_onnx::TensorProto& tensor_proto = graph_proto.initializer(i);
 394         dumpTensorProto(i, tensor_proto, "initializer");
 395         Mat mat = getMatFromTensor(tensor_proto);
 396         releaseONNXTensor(const_cast<opencv_onnx::TensorProto&>(tensor_proto));  // drop already loaded data
 397
 398         if (DNN_DIAGNOSTICS_RUN && mat.empty())
 399             continue;
 400
 401         layers_weights.insert(std::make_pair(tensor_proto.name(), mat));
 402     }
 403     return layers_weights;
 404 }
 405
 406 static DictValue parse(const ::google::protobuf::RepeatedField< ::google::protobuf::int64>& src) {
 407     std::vector<int32_t> dst(src.size());
 408     convertInt64ToInt32(src, dst, src.size());
 409     return DictValue::arrayInt(&dst[0], src.size());
 410 }
 411
 412 static DictValue parseStr(const ::google::protobuf::RepeatedPtrField< ::std::string>& src) {
 413     return DictValue::arrayString(src.begin(), static_cast<int>(src.size()));
 414 }
 415
 416 LayerParams ONNXImporter::getLayerParams(const opencv_onnx::NodeProto& node_proto)
 417 {
 418     LayerParams lp;
 419     for(int i = 0; i < node_proto.attribute_size(); i++)
 420     {
 421         opencv_onnx::AttributeProto attribute_proto = node_proto.attribute(i);
 422         std::string attribute_name = attribute_proto.name();
 423
 424         try
 425         {
 426             if(attribute_name == "kernel_shape")
 427             {
 428                 CV_Assert(attribute_proto.ints_size() == 1 || attribute_proto.ints_size() == 2 || attribute_proto.ints_size() == 3);
 429                 lp.set("kernel_size", parse(attribute_proto.ints()));
 430             }
 431             else if(attribute_name == "strides")
 432             {
 433                 CV_Assert(attribute_proto.ints_size() == 1 || attribute_proto.ints_size() == 2 || attribute_proto.ints_size() == 3);
 434                 lp.set("stride", parse(attribute_proto.ints()));
 435             }
 436             else if(attribute_name == "pads")
 437             {
 438                 if (node_proto.op_type() == "Pad")
 439                 {
 440                     // Padding layer.
 441                     // Paddings are in order begin0, begin1, .. beginN, end0, end1, ..., endN.
 442                     // We need to shuffle it to begin0, end0, begin1, end1, ...
 443                     CV_Assert(attribute_proto.ints_size() % 2 == 0);
 444                     const int dims = attribute_proto.ints_size() / 2;
 445                     std::vector<int32_t> paddings;
 446                     paddings.reserve(attribute_proto.ints_size());
 447                     for (int i = 0; i < dims; ++i)
 448                     {
 449                         paddings.push_back(attribute_proto.ints(i));
 450                         paddings.push_back(attribute_proto.ints(dims + i));
 451                     }
 452                     lp.set("paddings", DictValue::arrayInt(&paddings[0], paddings.size()));
 453                 }
 454                 else
 455                 {
 456                     // Convolution or pooling.
 457                     CV_Assert(attribute_proto.ints_size() == 2 || attribute_proto.ints_size() == 4 || attribute_proto.ints_size() == 6);
 458                     lp.set("pad", parse(attribute_proto.ints()));
 459                 }
 460             }
 461             else if(attribute_name == "auto_pad")
 462             {
 463                 if (attribute_proto.s() == "SAME_UPPER" || attribute_proto.s() == "SAME_LOWER") {
 464                     lp.set("pad_mode",  "SAME");
 465                 }
 466                 else if (attribute_proto.s() == "VALID") {
 467                     lp.set("pad_mode", "VALID");
 468                 }
 469             }
 470             else if(attribute_name == "dilations")
 471             {
 472                 CV_Assert(attribute_proto.ints_size() == 1 || attribute_proto.ints_size() == 2 || attribute_proto.ints_size() == 3);
 473                 lp.set("dilation", parse(attribute_proto.ints()));
 474             }
 475             else if(attribute_name == "activations" && node_proto.op_type() == "LSTM")
 476             {
 477                 lp.set(attribute_name, parseStr(attribute_proto.strings()));
 478             }
 479             else if (attribute_proto.has_i())
 480             {
 481                 ::google::protobuf::int64 src = attribute_proto.i();
 482                 if (src < std::numeric_limits<int32_t>::min() || src > std::numeric_limits<int32_t>::max())
 483                     CV_Error(Error::StsOutOfRange, "Input is out of OpenCV 32S range");
 484                 else
 485                     lp.set(attribute_name, saturate_cast<int32_t>(src));
 486             }
 487             else if (attribute_proto.has_f())
 488             {
 489                 lp.set(attribute_name, attribute_proto.f());
 490             }
 491             else if (attribute_proto.has_s())
 492             {
 493                 lp.set(attribute_name, attribute_proto.s());
 494             }
 495             else if (attribute_proto.floats_size() > 0)
 496             {
 497                 lp.set(attribute_name, DictValue::arrayReal(
 498                     attribute_proto.floats().data(), attribute_proto.floats_size()));
 499             }
 500             else if (attribute_proto.ints_size() > 0)
 501             {
 502                 lp.set(attribute_name, parse(attribute_proto.ints()));
 503             }
 504             else if (attribute_proto.has_t())
 505             {
 506                 opencv_onnx::TensorProto tensor = attribute_proto.t();
 507                 Mat blob = getMatFromTensor(tensor);
 508                 lp.blobs.push_back(blob);
 509             }
 510             else if (attribute_proto.has_g())
 511             {
 512                 CV_Error(Error::StsNotImplemented, cv::format("DNN/ONNX/Attribute[%s]: 'Graph' is not supported", attribute_name.c_str()));
 513             }
 514             else if (attribute_proto.graphs_size() > 0)
 515             {
 516                 CV_Error(Error::StsNotImplemented,
 517                         cv::format("DNN/ONNX/Attribute[%s]: 'Graphs' (%d) in attributes is not supported",
 518                                 attribute_name.c_str(), attribute_proto.graphs_size())
 519                 );
 520             }
 521             else if (attribute_proto.strings_size() > 0)
 522             {
 523                 std::string msg = cv::format("DNN/ONNX/Attribute[%s]: 'Strings' (%d) are not supported",
 524                         attribute_name.c_str(), attribute_proto.strings_size());
 525                 CV_LOG_ERROR(NULL, msg);
 526                 for (int i = 0; i < attribute_proto.strings_size(); i++)
 527                 {
 528                     CV_LOG_ERROR(NULL, "    Attribute[" << attribute_name << "].string(" << i << ") = '" << attribute_proto.strings(i) << "'");
 529                 }
 530                 CV_Error(Error::StsNotImplemented, msg);
 531             }
 532             else if (attribute_proto.tensors_size() > 0)
 533             {
 534                 CV_Error(Error::StsNotImplemented,
 535                         cv::format("DNN/ONNX/Attribute[%s]: 'Tensors' (%d) in attributes are not supported",
 536                                 attribute_name.c_str(), attribute_proto.tensors_size())
 537                 );
 538             }
 539             else
 540             {
 541                 CV_Error(Error::StsNotImplemented, cv::format("DNN/ONNX/Attribute[%s]: unsupported attribute format", attribute_name.c_str()));
 542             }
 543         }
 544         catch (const cv::Exception& e)
 545         {
 546             CV_UNUSED(e);
 547             if (DNN_DIAGNOSTICS_RUN)
 548             {
 549                 CV_LOG_ERROR(NULL, "DNN/ONNX: Potential problem with processing attributes for node " << node_proto.name() << " Attribute " << attribute_name.c_str()
 550                 );
 551                 continue;
 552             }
 553             throw;
 554         }
 555     }
 556     return lp;
 557 }
 558
 559 Mat ONNXImporter::getBlob(const opencv_onnx::NodeProto& node_proto, int index)
 560 {
 561     CV_Assert(index < node_proto.input_size());
 562     const std::string& input_name = node_proto.input(index);
 563     return getBlob(input_name);
 564 }
 565
 566 Mat ONNXImporter::getBlob(const std::string& input_name)
 567 {
 568     std::map<std::string, Mat>::const_iterator constBlob = constBlobs.find(input_name);
 569     if (constBlob == constBlobs.end())
 570     {
 571         CV_Error(Error::StsBadArg, std::string("Blob ") + input_name + " not found in const blobs");
 572     }
 573     return constBlob->second;
 574 }
 575
 576 void ONNXImporter::addLayer(LayerParams& layerParams,
 577                             const opencv_onnx::NodeProto& node_proto)
 578 {
 579     int depth = layerParams.get<int>("depth", CV_32F);
 580     int id = dstNet.addLayer(layerParams.name, layerParams.type, depth, layerParams);
 581     for (int i = 0; i < node_proto.output_size(); ++i)
 582     {
 583         const std::string& output_name = node_proto.output(i);
 584         if (!output_name.empty())
 585         {
 586             layer_id.insert(std::make_pair(output_name, LayerInfo(id, i)));
 587         }
 588     }
 589
 590     std::vector<MatShape> layerInpShapes, layerOutShapes, layerInternalShapes;
 591     int inpNum = 0;
 592     for (int j = 0; j < node_proto.input_size(); j++)
 593     {
 594         const std::string& input_name = node_proto.input(j);
 595         IterLayerId_t layerId = layer_id.find(input_name);
 596         if (layerId != layer_id.end()) {
 597             dstNet.connect(layerId->second.layerId, layerId->second.outputId, id, inpNum);
 598             ++inpNum;
 599             // Collect input shapes.
 600             IterShape_t shapeIt = outShapes.find(input_name);
 601             CV_Assert(shapeIt != outShapes.end());
 602             layerInpShapes.push_back(shapeIt->second);
 603         }
 604     }
 605     // Compute shape of output blob for this layer.
 606     Ptr<Layer> layer = dstNet.getLayer(id);  // FIXIT: avoid instantiation of layers during the import stage
 607     layer->getMemoryShapes(layerInpShapes, 0, layerOutShapes, layerInternalShapes);
 608     for (int i = 0; i < node_proto.output_size() && i < (int)layerOutShapes.size(); ++i)
 609     {
 610         const std::string& output_name = node_proto.output(i);
 611         if (!output_name.empty())
 612         {
 613             outShapes[node_proto.output(i)] = layerOutShapes[i];
 614         }
 615     }
 616 }
 617
 618 /** @brief Make N copies of input layer and set them as input to node_proto.
 619  * @param prefix prefix of new layers' names
 620  * @param node_proto node which will contain all copies as inputs
 621  * @param input name of the node to copy
 622  * @param n number of copies
 623  */
 624 void ONNXImporter::expandMid(const std::string& prefix, opencv_onnx::NodeProto& node_proto,
 625                              const std::string& input, size_t n)
 626 {
 627     std::vector<std::string> input_names;
 628     input_names.reserve(n);
 629     for (size_t j = 0; j < n; j++)
 630     {
 631         LayerParams copyLP;
 632         copyLP.name = format("%s/copy_%zu", prefix.c_str(), j);
 633         copyLP.type = "Identity";
 634         CV_Assert((layer_id.find(copyLP.name) == layer_id.end()) &&
 635             "Couldn't copy the node: generated name already exists in the graph.");
 636         input_names.push_back(copyLP.name);
 637
 638         node_proto.set_input(0, input);
 639         node_proto.set_output(0, copyLP.name);
 640         addLayer(copyLP, node_proto);
 641     }
 642     node_proto.clear_input();
 643     for (size_t i = 0; i < input_names.size(); i++)
 644     {
 645         node_proto.add_input(input_names[i]);
 646     }
 647 }
 648
 649 /** @brief Multiply one of node_proto inputs by -1
 650  * @param layerParams parameters of the node
 651  * @param node_proto node which input will be replaced
 652  * @param input_id id of input to be multiplied by -1
 653  */
 654 void ONNXImporter::addNegation(const LayerParams& layerParams, opencv_onnx::NodeProto& node_proto, int input_id)
 655 {
 656     LayerParams powerParams;
 657     powerParams.name = layerParams.name + "/neg";
 658     powerParams.type = "Power";
 659     powerParams.set("scale", -1.f);
 660
 661     //Create Power layer
 662     int id = dstNet.addLayer(powerParams.name, powerParams.type, powerParams);
 663     //Connect to input
 664     IterLayerId_t layerId = layer_id.find(node_proto.input(input_id));
 665     CV_Assert(layerId != layer_id.end());
 666     dstNet.connect(layerId->second.layerId, layerId->second.outputId, id, 0);
 667     //Add shape
 668     layer_id.insert(std::make_pair(powerParams.name, LayerInfo(id, 0)));
 669     outShapes[powerParams.name] = outShapes[node_proto.input(input_id)];
 670
 671     //Replace input to Power
 672     node_proto.set_input(input_id, powerParams.name);
 673 }
 674
 675 void ONNXImporter::addConstant(const std::string& name, const Mat& blob)
 676 {
 677     CV_LOG_DEBUG(NULL, "DNN/ONNX: add constant '" << name << "' shape=" << toString(shape(blob)) << ": " << toString(blob));
 678     constBlobs.insert(std::make_pair(name, blob));
 679     outShapes.insert(std::make_pair(name, shape(blob)));
 680 }
 681
 682 void ONNXImporter::parseOperatorSet()
 683 {
 684     int ir_version = model_proto.has_ir_version() ? static_cast<int>(model_proto.ir_version()) : -1;
 685     if (ir_version < 3)
 686         return;
 687
 688     int opset_size = model_proto.opset_import_size();
 689     if (opset_size <= 0)
 690     {
 691         CV_LOG_INFO(NULL, "DNN/ONNX: missing opset information")
 692         return;
 693     }
 694
 695     for (int i = 0; i < opset_size; ++i)
 696     {
 697         const ::opencv_onnx::OperatorSetIdProto& opset_entry = model_proto.opset_import(i);
 698         const std::string& domain = opset_entry.has_domain() ? opset_entry.domain() : std::string();
 699         int version = opset_entry.has_version() ? opset_entry.version() : -1;
 700         if (domain.empty() || domain == str_domain_ai_onnx)
 701         {
 702             // ONNX opset covered by specification: https://github.com/onnx/onnx/blob/master/docs/Operators.md
 703             onnx_opset = std::max(onnx_opset, version);
 704             onnx_opset_map[str_domain_ai_onnx] = onnx_opset;
 705         }
 706         else
 707         {
 708             CV_LOG_DEBUG(NULL, "DNN/ONNX: using non-standard ONNX opset[" << i << "]: domain='" << domain << "' version=" << version);
 709             onnx_opset_map[domain] = onnx_opset;
 710         }
 711     }
 712
 713     CV_LOG_INFO(NULL, "DNN/ONNX: ONNX opset version = " << onnx_opset);
 714
 715     buildDispatchMap_ONNX_AI(onnx_opset);
 716     for (const auto& pair : onnx_opset_map)
 717     {
 718         if (pair.first == str_domain_ai_onnx)
 719         {
 720             continue;  // done above
 721         }
 722         else if (pair.first == "com.microsoft")
 723         {
 724             buildDispatchMap_COM_MICROSOFT(pair.second);
 725         }
 726         else
 727         {
 728             CV_LOG_INFO(NULL, "DNN/ONNX: unknown domain='" << pair.first << "' version=" << pair.second << ". No dispatch map, you may need to register 'custom' layers.");
 729         }
 730     }
 731 }
 732
 733 void ONNXImporter::handleQuantizedNode(LayerParams& layerParams,
 734                                        const opencv_onnx::NodeProto& node_proto)
 735 {
 736     // Quantized nodes have output names ending with 'quantized'
 737     std::string outName = node_proto.output(0);
 738     int len = outName.length();
 739     if (len <= 9)
 740         return;
 741
 742     if (outName.substr(len - 9) == "quantized")
 743     {
 744         outName = outName.substr(0, len - 9);
 745         Mat scale, zeropoint;
 746
 747         if (constBlobs.find(outName + "scale") != constBlobs.end() &&
 748             constBlobs.find(outName + "zero_point") != constBlobs.end())
 749         {
 750             scale = getBlob(outName + "scale");
 751             zeropoint = getBlob(outName + "zero_point");
 752         }
 753         else
 754         {
 755             std::string inpName = node_proto.input(0);
 756             inpName = inpName.substr(0, inpName.length() - 9);
 757             scale = getBlob(inpName + "scale");
 758             zeropoint = getBlob(inpName + "zero_point");
 759
 760             for (int i = 0; i < node_proto.output_size(); i++)
 761             {
 762                 std::string out = node_proto.output(i);
 763                 out = out.substr(0, out.length() - 9);
 764                 addConstant(out + "scale", scale);
 765                 addConstant(out + "zero_point", zeropoint);
 766             }
 767         }
 768
 769         if (scale.total() != 1 || zeropoint.total() != 1)
 770             CV_Error(Error::StsNotImplemented, "Per-channel scales/zeropoints are not supported");
 771
 772         layerParams.set("depth", CV_8S);
 773         layerParams.set("scales", DictValue::arrayReal(scale.ptr<float>(), 1));
 774         layerParams.set("zeropoints", DictValue::arrayInt(zeropoint.ptr<int8_t>(), 1));
 775     }
 776 }
 777
 778 void ONNXImporter::populateNet()
 779 {
 780     CV_Assert(model_proto.has_graph());
 781     graph_proto = model_proto.graph();
 782
 783     std::string framework_version;
 784     if (model_proto.has_producer_name())
 785         framework_name = model_proto.producer_name();
 786     if (model_proto.has_producer_version())
 787         framework_version = model_proto.producer_version();
 788
 789     CV_LOG_INFO(NULL, "DNN/ONNX: loading ONNX"
 790             << (model_proto.has_ir_version() ? cv::format(" v%d", (int)model_proto.ir_version()) : cv::String())
 791             << " model produced by '" << framework_name << "'"
 792             << (framework_version.empty() ? cv::String() : cv::format(":%s", framework_version.c_str()))
 793             << ". Number of nodes = " << graph_proto.node_size()
 794             << ", initializers = " << graph_proto.initializer_size()
 795             << ", inputs = " << graph_proto.input_size()
 796             << ", outputs = " << graph_proto.output_size()
 797             );
 798
 799     parseOperatorSet();
 800
 801     simplifySubgraphs(graph_proto);
 802
 803     const int layersSize = graph_proto.node_size();
 804     CV_LOG_DEBUG(NULL, "DNN/ONNX: graph simplified to " << layersSize << " nodes");
 805
 806     constBlobs = getGraphTensors(graph_proto);  // scan GraphProto.initializer
 807     std::vector<String> netInputs;  // map with network inputs (without const blobs)
 808     // Add all the inputs shapes. It includes as constant blobs as network's inputs shapes.
 809     for (int i = 0; i < graph_proto.input_size(); ++i)
 810     {
 811         const opencv_onnx::ValueInfoProto& valueInfoProto = graph_proto.input(i);
 812         CV_Assert(valueInfoProto.has_name());
 813         const std::string& name = valueInfoProto.name();
 814         CV_Assert(valueInfoProto.has_type());
 815         const opencv_onnx::TypeProto& typeProto = valueInfoProto.type();
 816         CV_Assert(typeProto.has_tensor_type());
 817         const opencv_onnx::TypeProto::Tensor& tensor = typeProto.tensor_type();
 818         CV_Assert(tensor.has_shape());
 819         const opencv_onnx::TensorShapeProto& tensorShape = tensor.shape();
 820
 821         int dim_size = tensorShape.dim_size();
 822         CV_CheckGE(dim_size, 0, "");  // some inputs are scalars (dims=0), e.g. in Test_ONNX_nets.Resnet34_kinetics test
 823         MatShape inpShape(dim_size);
 824         for (int j = 0; j < dim_size; ++j)
 825         {
 826             const opencv_onnx::TensorShapeProto_Dimension& dimension = tensorShape.dim(j);
 827             if (dimension.has_dim_param())
 828             {
 829                 CV_LOG_DEBUG(NULL, "DNN/ONNX: input[" << i << "] dim[" << j << "] = <" << dimension.dim_param() << "> (dynamic)");
 830             }
 831             // https://github.com/onnx/onnx/blob/master/docs/DimensionDenotation.md#denotation-definition
 832             if (dimension.has_denotation())
 833             {
 834                 CV_LOG_INFO(NULL, "DNN/ONNX: input[" << i << "] dim[" << j << "] denotation is '" << dimension.denotation() << "'");
 835             }
 836             inpShape[j] = dimension.dim_value();
 837             // NHW, NCHW(NHWC), NCDHW(NDHWC); do not set this flag if only N is dynamic
 838             if (dimension.has_dim_param() && !(j == 0 && inpShape.size() >= 3))
 839             {
 840                 hasDynamicShapes = true;
 841             }
 842         }
 843         bool isInitialized = ((constBlobs.find(name) != constBlobs.end()));
 844         CV_LOG_IF_DEBUG(NULL, !isInitialized, "DNN/ONNX: input[" << i << " as '" << name << "'] shape=" << toString(inpShape));
 845         CV_LOG_IF_VERBOSE(NULL, 0, isInitialized, "DNN/ONNX: pre-initialized input[" << i << " as '" << name << "'] shape=" << toString(inpShape));
 846         if (dim_size > 0 && !hasDynamicShapes)  // FIXIT result is not reliable for models with multiple inputs
 847         {
 848             inpShape[0] = std::max(inpShape[0], 1); // It's OK to have undetermined batch size
 849         }
 850         outShapes[valueInfoProto.name()] = inpShape;
 851         // fill map: push layer name, layer id and output id
 852         if (!isInitialized)
 853         {
 854             netInputs.push_back(name);
 855             layer_id.insert(std::make_pair(name, LayerInfo(0, netInputs.size() - 1)));
 856         }
 857     }
 858
 859     dstNet.setInputsNames(netInputs);
 860
 861     // dump outputs
 862     for (int i = 0; i < graph_proto.output_size(); ++i)
 863     {
 864         dumpValueInfoProto(i, graph_proto.output(i), "output");
 865     }
 866
 867     if (DNN_DIAGNOSTICS_RUN) {
 868         CV_LOG_INFO(NULL, "DNN/ONNX: start diagnostic run!");
 869         layerHandler->fillRegistry(graph_proto);
 870     }
 871
 872     for(int li = 0; li < layersSize; li++)
 873     {
 874         const opencv_onnx::NodeProto& node_proto = graph_proto.node(li);
 875         handleNode(node_proto);
 876     }
 877
 878     // register outputs
 879     for (int i = 0; i < graph_proto.output_size(); ++i)
 880     {
 881         const std::string& output_name = graph_proto.output(i).name();
 882         if (output_name.empty())
 883         {
 884             CV_LOG_ERROR(NULL, "DNN/ONNX: can't register output without name: " << i);
 885             continue;
 886         }
 887         ConstIterLayerId_t layerIt = layer_id.find(output_name);
 888         if (layerIt == layer_id.end())
 889         {
 890             CV_LOG_ERROR(NULL, "DNN/ONNX: can't find layer for output name: '" << output_name << "'. Does model imported properly?");
 891             continue;
 892         }
 893
 894         const LayerInfo& li = layerIt->second;
 895         int outputId = dstNet.registerOutput(output_name, li.layerId, li.outputId); CV_UNUSED(outputId);
 896         // no need to duplicate message from engine: CV_LOG_DEBUG(NULL, "DNN/ONNX: registered output='" << output_name << "' with id=" << outputId);
 897     }
 898
 899     CV_LOG_DEBUG(NULL, (DNN_DIAGNOSTICS_RUN ? "DNN/ONNX: diagnostic run completed!" : "DNN/ONNX: import completed!"));
 900 }
 901
 902 std::string ONNXImporter::getLayerTypeDomain(const opencv_onnx::NodeProto& node_proto)
 903 {
 904     if (!node_proto.has_domain())
 905         return str_domain_ai_onnx;
 906     const std::string& domain = node_proto.domain();
 907     if (domain.empty())
 908         return str_domain_ai_onnx;
 909     return domain;
 910 }
 911
 912 const ONNXImporter::DispatchMap& ONNXImporter::getDispatchMap(const opencv_onnx::NodeProto& node_proto)
 913 {
 914     static DispatchMap empty_map;
 915     const std::string& layer_type_domain = getLayerTypeDomain(node_proto);
 916     auto it = domain_dispatch_map.find(layer_type_domain);
 917     if (it == domain_dispatch_map.end())
 918     {
 919         return empty_map;
 920     }
 921
 922     return it->second;
 923 }
 924
 925 std::string ONNXImporter::extractNodeName(const opencv_onnx::NodeProto& node_proto)
 926 {
 927     // We need to rework DNN outputs API, this is a workaround for #21698
 928     if (node_proto.has_name() && !node_proto.name().empty())
 929     {
 930         if (useLegacyNames)
 931             return node_proto.name();
 932         return cv::format("onnx_node!%s", node_proto.name().c_str());
 933     }
 934     for (int i = 0; i < node_proto.output_size(); ++i)
 935     {
 936         const std::string& name = node_proto.output(i);
 937         // There are two ways to leave an optional input or output unspecified:
 938         // the first, available only for trailing inputs and outputs, is to simply not provide that input;
 939         // the second method is to use an empty string in place of an input or output name.
 940         if (!name.empty())
 941         {
 942             if (useLegacyNames)
 943                 return name.c_str();
 944             return cv::format("onnx_node_output_%d!%s", i, name.c_str());
 945         }
 946     }
 947     CV_Error(Error::StsAssert, "Couldn't deduce Node name.");
 948 }
 949
 950 void ONNXImporter::handleNode(const opencv_onnx::NodeProto& node_proto)
 951 {
 952     CV_Assert(node_proto.output_size() >= 1);
 953     const std::string& name = extractNodeName(node_proto);
 954     const std::string& layer_type = node_proto.op_type();
 955     const std::string& layer_type_domain = getLayerTypeDomain(node_proto);
 956     const auto& dispatch = getDispatchMap(node_proto);
 957
 958     CV_LOG_DEBUG(NULL, "DNN/ONNX: processing node with " << node_proto.input_size() << " inputs and "
 959                                                          << node_proto.output_size() << " outputs: "
 960                                                          << cv::format("[%s]:(%s)", layer_type.c_str(), name.c_str())
 961                                                          << cv::format(" from %sdomain='", onnx_opset_map.count(layer_type_domain) == 1 ? "" : "undeclared ")
 962                                                          << layer_type_domain << "'"
 963     );
 964
 965     if (dispatch.empty())
 966     {
 967         CV_LOG_WARNING(NULL, "DNN/ONNX: missing dispatch map for domain='" << layer_type_domain << "'");
 968     }
 969
 970     LayerParams layerParams;
 971     try
 972     {
 973         // FIXIT not all cases can be repacked into "LayerParams". Importer should handle such cases directly for each "layer_type"
 974         layerParams = getLayerParams(node_proto);
 975
 976         layerParams.name = name;
 977         layerParams.type = layer_type;
 978         layerParams.set("has_dynamic_shapes", hasDynamicShapes);
 979
 980         handleQuantizedNode(layerParams, node_proto);
 981
 982         DispatchMap::const_iterator iter = dispatch.find(layer_type);
 983         if (iter != dispatch.end())
 984         {
 985             CALL_MEMBER_FN(*this, iter->second)(layerParams, node_proto);
 986         }
 987         else
 988         {
 989             parseCustomLayer(layerParams, node_proto);
 990         }
 991     }
 992     catch (const cv::Exception& e)
 993     {
 994         if (DNN_DIAGNOSTICS_RUN)
 995         {
 996             CV_LOG_ERROR(NULL, "DNN/ONNX: Potential problem during processing node with " << node_proto.input_size() << " inputs and " << node_proto.output_size() << " outputs: "
 997                     << cv::format("[%s]:(%s)", layer_type.c_str(), name.c_str())
 998                     << " from domain='" << layer_type_domain << "'"
 999                     << "\n" << e.msg
1000             );
1001             cv::AutoLock lock(getLayerFactoryMutex());
1002             auto registeredLayers = getLayerFactoryImpl();
1003             if (registeredLayers.find(layerParams.type) != registeredLayers.end())
1004             {
1005                 try
1006                 {
1007                     Ptr<Layer> layer = LayerFactory::createLayerInstance(layerParams.type, layerParams);
1008                 }
1009                 catch (const std::exception& e)
1010                 {
1011                     CV_LOG_ERROR(NULL, "DNN/ONNX: Layer of type " << layerParams.type << "(" << layer_type << ") cannot be created with parameters " << layerParams << ". Error: " << e.what()
1012                     );
1013                 }
1014             }
1015         }
1016         else
1017         {
1018             CV_LOG_ERROR(NULL, "DNN/ONNX: ERROR during processing node with " << node_proto.input_size() << " inputs and " << node_proto.output_size() << " outputs: "
1019                     << cv::format("[%s]:(%s)", layer_type.c_str(), name.c_str())
1020                     << " from domain='" << layer_type_domain << "'"
1021             );
1022         }
1023         for (int i = 0; i < node_proto.input_size(); i++)
1024         {
1025             CV_LOG_INFO(NULL, "    Input[" << i << "] = '" << node_proto.input(i) << "'");
1026         }
1027         for (int i = 0; i < node_proto.output_size(); i++)
1028         {
1029             CV_LOG_INFO(NULL, "    Output[" << i << "] = '" << node_proto.output(i) << "'");
1030         }
1031         if (DNN_DIAGNOSTICS_RUN)
1032         {
1033             for (int i = 0; i < node_proto.output_size(); ++i)
1034             {
1035                 layer_id.insert(std::make_pair(node_proto.output(i), LayerInfo(0, i)));
1036                 outShapes[node_proto.output(i)] = outShapes[node_proto.input(0)];
1037             }
1038         }
1039         else
1040             CV_Error(Error::StsError, cv::format("Node [%s@%s]:(%s) parse error: %s", layer_type.c_str(), layer_type_domain.c_str(), name.c_str(), e.what()));
1041     }
1042 }
1043
1044 void ONNXImporter::parseArg(LayerParams& layerParams, const opencv_onnx::NodeProto& node_proto)
1045 {
1046     const std::string& layer_type = node_proto.op_type();
1047     layerParams.type = "Arg";
1048     layerParams.set("op", layer_type == "ArgMax" ? "max" : "min");
1049     addLayer(layerParams, node_proto);
1050 }
1051
1052 void setCeilMode(LayerParams& layerParams)
1053 {
1054     // auto_pad attribute is deprecated and uses ceil
1055     if (layerParams.has("pad_mode"))
1056     {
1057         layerParams.set("ceil_mode", true);
1058     }
1059     else if (!layerParams.has("ceil_mode"))
1060     {
1061         layerParams.set("ceil_mode", false);
1062     }
1063 }
1064
1065 void ONNXImporter::parseMaxUnpool(LayerParams& layerParams, const opencv_onnx::NodeProto& node_proto)
1066 {
1067     layerParams.type = "MaxUnpool";
1068
1069     DictValue kernel_shape = layerParams.get("kernel_size");
1070     CV_Assert(kernel_shape.size() == 2);
1071     layerParams.set("pool_k_w", kernel_shape.get<int>(0));
1072     layerParams.set("pool_k_h", kernel_shape.get<int>(1));
1073
1074     int pool_pad_w = 0, pool_pad_h = 0;
1075     if (layerParams.has("pad"))
1076     {
1077         DictValue pads = layerParams.get("pad");
1078         CV_CheckEQ(pads.size(), 2, "");
1079         pool_pad_w = pads.get<int>(0);
1080         pool_pad_h = pads.get<int>(1);
1081     }
1082     layerParams.set("pool_pad_w", pool_pad_w);
1083     layerParams.set("pool_pad_h", pool_pad_h);
1084
1085
1086     int pool_stride_w = 1, pool_stride_h = 1;
1087     if (layerParams.has("stride"))
1088     {
1089         DictValue strides = layerParams.get("stride");
1090         CV_CheckEQ(strides.size(), 2, "");
1091         pool_stride_w = strides.get<int>(0);
1092         pool_stride_h = strides.get<int>(1);
1093     }
1094     layerParams.set("pool_stride_w", pool_stride_w);
1095     layerParams.set("pool_stride_h", pool_stride_h);
1096
1097     addLayer(layerParams, node_proto);
1098 }
1099
1100 void ONNXImporter::parseMaxPool(LayerParams& layerParams, const opencv_onnx::NodeProto& node_proto)
1101 {
1102     int depth = layerParams.get<int>("depth", CV_32F);
1103     layerParams.type = (depth == CV_8S) ? "PoolingInt8" : "Pooling";
1104     layerParams.set("pool", "MAX");
1105     setCeilMode(layerParams);
1106     addLayer(layerParams, node_proto);
1107 }
1108
1109 void ONNXImporter::parseAveragePool(LayerParams& layerParams, const opencv_onnx::NodeProto& node_proto)
1110 {
1111     layerParams.type = "Pooling";
1112     layerParams.set("pool", "AVE");
1113     setCeilMode(layerParams);
1114     layerParams.set("ave_pool_padded_area", framework_name == "pytorch");
1115     addLayer(layerParams, node_proto);
1116 }
1117
1118 void ONNXImporter::parseGlobalPool(LayerParams &layerParams, const opencv_onnx::NodeProto &node_proto_)
1119 {
1120     opencv_onnx::NodeProto node_proto = node_proto_;
1121     const std::string& layer_type = node_proto.op_type();
1122     const std::string output_name = node_proto.output(0);
1123
1124     CV_Assert(node_proto.input_size() == 1);
1125     layerParams.type = "Pooling";
1126     String pool;
1127     if (layer_type == "GlobalMaxPool")
1128         pool = "MAX";
1129     else if (layer_type == "GlobalAveragePool")
1130         pool = "AVE";
1131     else
1132         CV_Error(Error::StsNotImplemented, "Unsupported Pooling type of " + layer_type + " operation.");
1133
1134     CV_Assert(!layerParams.has("axes"));
1135     layerParams.set("global_pooling", true);
1136     layerParams.set("pool", pool);
1137     addLayer(layerParams, node_proto);
1138 }
1139
1140 void ONNXImporter::parseReduce(LayerParams& layerParams, const opencv_onnx::NodeProto& node_proto_)
1141 {
1142     opencv_onnx::NodeProto node_proto = node_proto_;
1143     const std::string& layer_type = node_proto.op_type();
1144     const std::string output_name = node_proto.output(0);
1145     int depth = layerParams.get<int>("depth", CV_32F);
1146
1147     CV_Assert(node_proto.input_size() <= 2);
1148     String reduceType;
1149
1150     if (layer_type == "ReduceMax")
1151         reduceType = "MAX";
1152     else if (layer_type == "ReduceMin")
1153         reduceType = "MIN";
1154     else if (layer_type == "ReduceSum")
1155         reduceType = "SUM";
1156     else if (layer_type == "ReduceSumSquare")
1157         reduceType = "SUM_SQUARE";
1158     else if (layer_type == "ReduceProd")
1159         reduceType = "PROD";
1160     else if (layer_type == "ReduceL1")
1161         reduceType = "L1";
1162     else if (layer_type == "ReduceL2")
1163         reduceType = "L2";
1164     else if (layer_type == "ReduceLogSum")
1165         reduceType = "LOG_SUM";
1166     else if (layer_type == "ReduceLogSumExp")
1167         reduceType = "LOG_SUM_EXP";
1168     else if (layer_type == "ReduceMean")
1169         reduceType = "AVE";
1170     else
1171         CV_Error(Error::StsNotImplemented, "Unsupported Pooling type of " + layer_type + " operation.");
1172
1173     // The ReduceInt8 can only support "MAX" and "MIN".
1174     if (depth == CV_8S)
1175     {
1176         CV_Assert(reduceType == "MAX" || reduceType == "MIN");
1177     }
1178
1179     layerParams.type = (depth == CV_8S) ? "ReduceInt8" : "Reduce";
1180     layerParams.set("reduce", reduceType);
1181     bool keepdims = layerParams.get<int>("keepdims", 1) == 1;
1182
1183     MatShape inpShape = outShapes[node_proto.input(0)];
1184     std::vector<bool> shouldDelete(inpShape.size(), false);
1185
1186     if (layer_type == "ReduceSum" && node_proto.input_size() == 2)
1187     {
1188         if (constBlobs.find(node_proto.input(1)) != constBlobs.end())
1189         {
1190             Mat axesMat = getBlob(node_proto, 1);
1191             int axesNum = axesMat.total();
1192             for (int i = 0; i < axesNum; i++)
1193             {
1194                 int axis = normalize_axis(axesMat.at<int>(i), inpShape.size());
1195                 shouldDelete[axis] = true;
1196             }
1197         }
1198         else
1199             //  in opset 13, the ReduceSum has two input, it takes axes as input instead of attribute
1200             //  details:https://github.com/onnx/onnx/issues/3420#issuecomment-844295687
1201             CV_Error(Error::StsNotImplemented, "Non-constant axis values in ReduceSum are not supported.");
1202     }
1203     else
1204     {
1205         if (layerParams.has("axes"))
1206         {
1207             DictValue axes = layerParams.get("axes");
1208             for (int i = 0; i < axes.size(); i++)
1209             {
1210                 int axis = normalize_axis(axes.get<int>(i), inpShape.size());
1211                 shouldDelete[axis] = true;
1212             }
1213         }
1214         else
1215         {
1216             for (int i = 0; i < inpShape.size(); i++)
1217             {
1218                 shouldDelete[i] = true;
1219             }
1220         }
1221     }
1222
1223     std::vector<int> targetShape;
1224     for (int i = 0; i < inpShape.size(); ++i)
1225     {
1226         if (!shouldDelete[i])
1227         {
1228             targetShape.push_back(inpShape[i]);
1229         }
1230         else if (keepdims)
1231         {
1232             targetShape.push_back(1);
1233         }
1234     }
1235
1236     if (targetShape.empty())
1237         targetShape.push_back(1);
1238
1239     // Using PermuteLayer to move the deleted axis to the last.
1240     std::vector<int> perm(inpShape.size(), 0);
1241     for (int i = 0; i < inpShape.size(); i++)
1242         perm[i] = i;
1243
1244     bool needPermuet = false;
1245     for (int i = 0; i < inpShape.size(); i++)
1246     {
1247         if (shouldDelete[i])
1248         {
1249             // find the first not deleted element.
1250             std::vector<bool>::iterator iter = std::find(shouldDelete.begin() + i, shouldDelete.end(), false);
1251
1252             if (iter != shouldDelete.end())
1253             {
1254                 int index = iter - shouldDelete.begin();
1255
1256                 bool temp = shouldDelete[index];
1257                 shouldDelete[index] = shouldDelete[i];
1258                 shouldDelete[i] = temp;
1259
1260                 std::swap(perm[index], perm[i]);
1261                 std::swap(inpShape[index], inpShape[i]);
1262                 needPermuet = true;
1263             }
1264             else
1265                 break;
1266         }
1267     }
1268
1269     auto inputString= node_proto.input(0);
1270     if (needPermuet)
1271     {
1272         LayerParams permuteLp;
1273         permuteLp.name = layerParams.name + "/permute";
1274         permuteLp.type = (depth == CV_8S) ? "PermuteInt8" : "Permute";
1275         permuteLp.set("order", DictValue::arrayInt(perm.data(), perm.size()));
1276
1277         opencv_onnx::NodeProto protoPermute;
1278         protoPermute.add_input(inputString);
1279         protoPermute.add_output(permuteLp.name);
1280         addLayer(permuteLp, protoPermute);
1281         inputString = permuteLp.name;
1282     }
1283
1284     std::vector<int> deletedDims;
1285     for (int axis_i = 0; axis_i < inpShape.size(); ++axis_i)
1286     {
1287         if (shouldDelete[axis_i])
1288         {
1289             deletedDims.push_back(inpShape[axis_i]);
1290         }
1291     }
1292
1293     layerParams.set("deleted_dims", DictValue::arrayInt(&deletedDims[0], deletedDims.size()));
1294     layerParams.set("target_dims", DictValue::arrayInt(&targetShape[0], targetShape.size()));
1295
1296     node_proto.set_input(0, inputString);
1297     node_proto.set_output(0, output_name);
1298
1299     addLayer(layerParams, node_proto);
1300 }
1301
1302 void ONNXImporter::parseSlice(LayerParams& layerParams, const opencv_onnx::NodeProto& node_proto)
1303 {
1304     int axis = 0;
1305     std::vector<int> begin;
1306     std::vector<int> end;
1307     std::vector<int> steps;
1308     int inp_size = node_proto.input_size();
1309
1310     if (inp_size == 1)
1311     {
1312         if (layerParams.has("axes")) {
1313             DictValue axes = layerParams.get("axes");
1314             for (int i = 1; i < axes.size(); ++i) {
1315                 CV_Assert(axes.get<int>(i - 1) == axes.get<int>(i) - 1);
1316             }
1317             axis = axes.get<int>(0);
1318         }
1319
1320         DictValue starts = layerParams.get("starts");
1321         DictValue ends = layerParams.get("ends");
1322         CV_Assert(starts.size() == ends.size());
1323
1324         if (axis > 0) {
1325             CV_CheckLE(axis, 1024, "Slice layer can't have more than 1024 axes"); // arbitrary limit
1326             begin.resize(axis, 0);
1327             end.resize(axis, INT_MAX);
1328         }
1329         for (int i = 0; i < starts.size(); ++i)
1330         {
1331             begin.push_back(starts.get<int>(i));
1332             end.push_back(ends.get<int>(i));
1333         }
1334     } else { // inp_size > 1
1335         CV_Assert(inp_size >= 3);
1336         for (int i = 1; i < inp_size; i++) {
1337             CV_Assert(constBlobs.find(node_proto.input(i)) != constBlobs.end());
1338         }
1339         Mat start_blob = getBlob(node_proto, 1);
1340         Mat end_blob   = getBlob(node_proto, 2);
1341         CV_Assert(start_blob.total() == end_blob.total());
1342
1343         if (inp_size > 3) {
1344             Mat axes_blob = getBlob(node_proto, 3);
1345             const int* axes = (int*)axes_blob.data;
1346             for (int i = 1; i < axes_blob.total(); ++i) {
1347                 CV_Assert(axes[i - 1] == axes[i] - 1);
1348             }
1349             axis = axes[0];
1350         }
1351
1352         const int* starts = start_blob.ptr<int>();
1353         const int* ends   = end_blob.ptr<int>();
1354         if (axis > 0) {
1355             begin.resize(axis, 0);
1356             end.resize(axis, INT_MAX);
1357         }
1358         std::copy(starts, starts + start_blob.total(), std::back_inserter(begin));
1359         std::copy(ends, ends + end_blob.total(), std::back_inserter(end));
1360
1361         if (inp_size == 5) {
1362             CV_Assert(constBlobs.find(node_proto.input(4)) != constBlobs.end());
1363             Mat step_blob = getBlob(node_proto, 4);
1364             const int* steps_ptr = step_blob.ptr<int>();
1365
1366             if (axis > 0)
1367                 steps.resize(axis, 1);
1368
1369             std::copy(steps_ptr, steps_ptr + step_blob.total(), std::back_inserter(steps));
1370
1371             // Very strange application for Slice op with tensor reversing.
1372             // We just workaround it for 2d constants.
1373             if (constBlobs.find(node_proto.input(0)) != constBlobs.end() &&
1374                 axis == 0 &&
1375                 start_blob.at<int>(0) == -1 && step_blob.at<int>(0) == -1 &&
1376                 end_blob.at<int>(0) == std::numeric_limits<int32_t>::min())
1377             {
1378                 Mat inp = getBlob(node_proto, 0);
1379                 if (inp.dims == 2)
1380                 {
1381                     Mat flipped;
1382                     flip(inp, flipped, 0);
1383                     addConstant(node_proto.output(0), flipped);
1384                     return;
1385                 }
1386             }
1387         }
1388     }
1389     layerParams.set("begin", DictValue::arrayInt(&begin[0], begin.size()));
1390     layerParams.set("end", DictValue::arrayInt(&end[0], end.size()));
1391     layerParams.set("axis", axis);
1392
1393     if (!steps.empty())
1394         layerParams.set("steps", DictValue::arrayInt(&steps[0], steps.size()));
1395
1396     if (constBlobs.find(node_proto.input(0)) != constBlobs.end())
1397     {
1398         Mat inp = getBlob(node_proto, 0);
1399         std::vector<Mat> inputs, sliced;
1400         inputs.push_back(inp);
1401         runLayer(layerParams, inputs, sliced);
1402         CV_Assert(sliced.size() == 1);
1403         addConstant(node_proto.output(0), sliced[0]);
1404         return;
1405     }
1406     addLayer(layerParams, node_proto);
1407 }
1408
1409 void ONNXImporter::parseSplit(LayerParams& layerParams, const opencv_onnx::NodeProto& node_proto)
1410 {
1411     if (layerParams.has("split"))
1412     {
1413         DictValue splits = layerParams.get("split");
1414         const int numSplits = splits.size();
1415         CV_Assert(numSplits > 1);
1416
1417         std::vector<int> slicePoints(numSplits - 1, splits.get<int>(0));
1418         for (int i = 1; i < splits.size() - 1; ++i)
1419         {
1420             slicePoints[i] = slicePoints[i - 1] + splits.get<int>(i);
1421         }
1422         layerParams.set("slice_point", DictValue::arrayInt(&slicePoints[0], slicePoints.size()));
1423     }
1424     else
1425     {
1426         layerParams.set("num_split", node_proto.output_size());
1427     }
1428     int depth = layerParams.get<int>("depth", CV_32F);
1429     layerParams.type = (depth == CV_8S) ? "SliceInt8" : "Slice";
1430     layerParams.set("axis", layerParams.get<float>("axis", 0));
1431     addLayer(layerParams, node_proto);
1432 }
1433
1434 void ONNXImporter::parseBias(LayerParams& layerParams, const opencv_onnx::NodeProto& node_proto_)
1435 {
1436     opencv_onnx::NodeProto node_proto = node_proto_;
1437     const std::string& layer_type = node_proto.op_type();
1438     bool isSub = layer_type == "Sub";
1439
1440     if (layer_type == "Sum" && node_proto.input_size() == 1)
1441     {
1442         layerParams.type = "Identity";
1443         addLayer(layerParams, node_proto);
1444         return;
1445     }
1446
1447     CV_Assert((node_proto.input_size() == 2) || (layer_type == "Sum" && node_proto.input_size() > 2));
1448
1449     if (layer_type == "Sum" && node_proto.input_size() > 2)
1450     {
1451         for (int i = 0; i < node_proto.input_size(); ++i)
1452         {
1453             if (layer_id.find(node_proto.input(i)) == layer_id.end())
1454             {
1455                 CV_Error(Error::StsNotImplemented, "Sum of constants is not implemented for inputs > 2");
1456             }
1457         }
1458     }
1459
1460     bool is_const_0 = layer_id.find(node_proto.input(0)) == layer_id.end();
1461     bool is_const_1 = layer_id.find(node_proto.input(1)) == layer_id.end();
1462     if (is_const_0 && is_const_1)
1463     {
1464         Mat blob_0 = getBlob(node_proto, 0);
1465         Mat blob_1 = getBlob(node_proto, 1);
1466         CV_Assert(blob_0.size == blob_1.size);
1467         Mat output = isSub ? (blob_0 - blob_1) : (blob_0 + blob_1);
1468         addConstant(node_proto.output(0), output);
1469         return;
1470     }
1471     else if (is_const_0 || is_const_1)
1472     {
1473         int const_blob_id = is_const_0 ? 0 : 1;
1474         int input_id = 1 - const_blob_id;
1475         Mat blob = getBlob(node_proto, const_blob_id);
1476         int blob_total = blob.total();
1477
1478         const float inputScale = isSub && is_const_0 ? -1.f : 1.f;
1479         const float constScale = isSub && is_const_1 ? -1.f : 1.f;
1480
1481         if (blob_total == 1) {
1482             layerParams.type = "Power";
1483             layerParams.set("scale", inputScale);
1484             layerParams.set("shift", constScale * blob.ptr<float>()[0]);
1485         }
1486         else {
1487             MatShape inpShape = outShapes[node_proto.input(input_id)];
1488             if (shape(blob) == inpShape)
1489             {
1490                 LayerParams constParams;
1491                 constParams.name = layerParams.name + "/const";
1492                 constParams.type = "Const";
1493                 constParams.blobs.push_back(blob);
1494                 int id = dstNet.addLayer(constParams.name, constParams.type, constParams);
1495                 layer_id.insert(std::make_pair(constParams.name, LayerInfo(id, 0)));
1496                 outShapes[constParams.name] = shape(blob);
1497
1498                 layerParams.type = "Eltwise";
1499                 float coeffs[] = {1., isSub ? -1.f : 1.f};
1500                 layerParams.set("coeff", DictValue::arrayReal<float*>(coeffs, 2));
1501                 node_proto.set_input(const_blob_id, constParams.name);
1502             }
1503             else
1504             {
1505                 if (inputScale < 0.f)
1506                 {
1507                     addNegation(layerParams, node_proto, input_id);
1508                 }
1509
1510                 layerParams.type = "Scale";
1511                 layerParams.set("bias_term", true);
1512                 int axis = 1;
1513                 for (int i = 0; i < graph_proto.initializer_size(); i++)
1514                 {
1515                     opencv_onnx::TensorProto tensor_proto = graph_proto.initializer(i);
1516                     if (tensor_proto.name() == node_proto.input(const_blob_id))
1517                     {
1518                         axis = inpShape.size() - tensor_proto.dims_size();
1519                         break;
1520                     }
1521                 }
1522                 layerParams.set("axis", axis);
1523                 blob = blob.reshape(1, 1);
1524                 layerParams.blobs.push_back(constScale * blob);
1525             }
1526         }
1527     }
1528     else if (outShapes[node_proto.input(0)] == outShapes[node_proto.input(1)])
1529     {
1530         layerParams.type = "Eltwise";
1531         if (isSub)
1532         {
1533             static float subCoeffs[] = {1.f, -1.f};
1534             layerParams.set("coeff", DictValue::arrayReal<float*>(subCoeffs, 2));
1535         }
1536     }
1537     else
1538     {
1539         if (isSub)
1540         {
1541             addNegation(layerParams, node_proto, 1);
1542         }
1543         layerParams.type = "Scale";
1544         layerParams.set("bias_term", true);
1545     }
1546     addLayer(layerParams, node_proto);
1547 }
1548
1549 void ONNXImporter::parsePow(LayerParams& layerParams, const opencv_onnx::NodeProto& node_proto)
1550 {
1551     if (layer_id.find(node_proto.input(1)) != layer_id.end())
1552         CV_Error(Error::StsNotImplemented, "Unsupported Pow op with variable power");
1553
1554     Mat blob = getBlob(node_proto, 1);
1555     if (blob.total() != 1)
1556         CV_Error(Error::StsNotImplemented, "Pow op supports only scalar power");
1557
1558     blob.convertTo(blob, CV_32F);
1559     layerParams.type = "Power";
1560     layerParams.set("power", blob.ptr<float>()[0]);
1561     addLayer(layerParams, node_proto);
1562 }
1563
1564 // "Min" "Max"
1565 void ONNXImporter::parseMinMax(LayerParams& layerParams, const opencv_onnx::NodeProto& node_proto)
1566 {
1567     const std::string& layer_type = node_proto.op_type();
1568     layerParams.type = "Eltwise";
1569     layerParams.set("operation", layer_type == "Max" ? "max" : "min");
1570     addLayer(layerParams, node_proto);
1571 }
1572
1573 void ONNXImporter::parseNeg(LayerParams& layerParams, const opencv_onnx::NodeProto& node_proto)
1574 {
1575     layerParams.type = "Power";
1576     layerParams.set("scale", -1);
1577     addLayer(layerParams, node_proto);
1578 }
1579
1580 void ONNXImporter::parseConstant(LayerParams& layerParams, const opencv_onnx::NodeProto& node_proto)
1581 {
1582     CV_Assert(node_proto.input_size() == 0);
1583     CV_Assert(layerParams.blobs.size() == 1);
1584     addConstant(node_proto.output(0), layerParams.blobs[0]);
1585 }
1586
1587 void transformBlobs(std::vector<Mat>& blobs)
1588 {
1589     Mat Wx = blobs[0];
1590     Mat Wh = blobs[1];
1591     Mat b = blobs[2];
1592     std::vector<Mat> cudaWorkaround;
1593     cudaWorkaround.push_back(Wx.clone());
1594     cudaWorkaround.push_back(Wh.clone());
1595     cudaWorkaround.push_back(b.clone());
1596
1597     const int numHidden = Wh.size[2];
1598
1599     Mat h0 = blobs[3];
1600     h0 = h0.reshape(1, h0.size[0] * h0.size[1]);
1601     Mat c0 = blobs[4];
1602     c0 = c0.reshape(1, c0.size[0] * c0.size[1]);
1603
1604     b = b.reshape(1, b.size[0]);
1605     Mat bx = b.colRange(0, b.cols / 2);
1606     Mat bh = b.colRange(b.cols / 2, b.cols);
1607     b = bx + bh;
1608
1609     auto toIFOC = [] (Mat& in) {
1610         int first = in.size[0];
1611         int rest = in.total() / first / 4;
1612         // every weight blob contains weights for Input, Output, Forget and Cell gates
1613         Mat m = in.reshape(1, {first, 4, rest});
1614         Mat outputGate = m.col(1);
1615         Mat forgetGate = m.col(2);
1616         std::swap_ranges(outputGate.begin<float>(), outputGate.end<float>(), forgetGate.begin<float>());
1617     };
1618
1619     toIFOC(Wx);
1620     toIFOC(Wh);
1621     toIFOC(b);
1622
1623     Wx = Wx.reshape(1, Wx.size[0] * Wx.size[1]);
1624     Wh = Wh.reshape(1, Wh.size[0] * Wh.size[1]);
1625
1626     blobs[0] = Wh;
1627     blobs[1] = Wx;
1628     blobs[2] = b.reshape(1, 1);
1629     blobs[3] = h0;
1630     blobs[4] = c0;
1631
1632     if (blobs.size() == 5) {
1633         // so that future patch removing copies can leave all indexing as is
1634         blobs.insert(blobs.begin(), cudaWorkaround.begin(), cudaWorkaround.end());
1635         return;
1636     }
1637
1638     Mat P = blobs[5];
1639     blobs[5] = P.colRange(0, numHidden);
1640     blobs[5] = blobs[5].clone().reshape(1, blobs[5].total());  // Single column.
1641     blobs[5] = Mat::diag(blobs[5]);
1642
1643     blobs.push_back(P.colRange(numHidden, 2 * numHidden));
1644     blobs[6] = blobs[6].clone().reshape(1, blobs[6].total());  // Single column.
1645     blobs[6] = Mat::diag(blobs[6]);
1646
1647     blobs.push_back(P.colRange(2 * numHidden, 3 * numHidden));
1648     blobs[7] = blobs[7].clone().reshape(1, blobs[7].total());  // Single column.
1649     blobs[7] = Mat::diag(blobs[7]);
1650
1651     // so that future patch removing copies can leave all indexing as is
1652     blobs.insert(blobs.begin(), cudaWorkaround.begin(), cudaWorkaround.end());
1653 }
1654
1655 void ONNXImporter::lstm_extractConsts(LayerParams& layerParams, const opencv_onnx::NodeProto& lstm_proto, size_t idx, int* blobShape_, int size)
1656 {
1657         MatShape blobShape(blobShape_, blobShape_ + size);
1658         Mat blob;
1659         if (idx < lstm_proto.input_size() && !lstm_proto.input(idx).empty())
1660         {
1661             blob = getBlob(lstm_proto, idx);
1662             CV_Assert(shape(blob) == blobShape);
1663         }
1664         else
1665         {
1666             blob = Mat(blobShape, CV_32FC1, 0.);
1667         }
1668         layerParams.blobs.push_back(blob);
1669 };
1670
1671 void ONNXImporter::lstm_add_reshape(const std::string& input_name, const std::string& output_name, int* layerShape, size_t n)
1672 {
1673     LayerParams reshapeLp;
1674     reshapeLp.name = cv::format("%s/reshape", input_name.c_str());
1675     reshapeLp.type = "Reshape";
1676     CV_Assert(layer_id.find(reshapeLp.name) == layer_id.end());
1677
1678     reshapeLp.set("dim", DictValue::arrayInt(layerShape, n));
1679
1680     opencv_onnx::NodeProto reshape_proto;
1681     reshape_proto.add_input(input_name);
1682     reshape_proto.add_output(output_name);
1683     addLayer(reshapeLp, reshape_proto);
1684 };
1685
1686 std::string ONNXImporter::lstm_add_slice(int index, const std::string& input_name, int* begin, int* end, size_t n)
1687 {
1688     LayerParams sliceLP;
1689     sliceLP.name = cv::format("%s/slice_%d", input_name.c_str(), index);
1690     sliceLP.type = "Slice";
1691     CV_Assert(layer_id.find(sliceLP.name) == layer_id.end());
1692
1693     sliceLP.set("begin", DictValue::arrayInt(begin, n));
1694     sliceLP.set("end", DictValue::arrayInt(end, n));
1695     sliceLP.set("axis", 0);
1696
1697     opencv_onnx::NodeProto slice_proto;
1698     slice_proto.add_input(input_name);
1699     slice_proto.add_output(sliceLP.name);
1700     addLayer(sliceLP, slice_proto);
1701
1702     return slice_proto.output(0);
1703 };
1704
1705 std::string ONNXImporter::lstm_fix_dims(LayerParams& layerParams, const opencv_onnx::NodeProto& lstm_proto,
1706                                         int batch_size, int num_directions, int hidden_size, bool need_y, const std::string& y_name,
1707                                         const int index)
1708 {
1709     std::string reshape_output = cv::format("%s/reshape_%d", layerParams.name.c_str(), index);
1710
1711     // reshape from Seq, Batch, Dirs*Hidden to Seq, Batch, Dirs, Hidden
1712     // to not confuse reshape with dynamic first dimension, zero means 'leave unchanged'
1713     int layerShape[] = {0, batch_size, num_directions, hidden_size};
1714     lstm_add_reshape(lstm_proto.output(index), reshape_output, layerShape, sizeof(layerShape) / sizeof(layerShape[0]));
1715
1716     // permute from Seq, Batch, Dirs, Hidden to Seq, Dirs, Batch, Hidden
1717     LayerParams permuteLP;
1718     permuteLP.name = reshape_output + "/permute";
1719     permuteLP.type = "Permute";
1720     CV_Assert(layer_id.find(permuteLP.name) == layer_id.end());
1721
1722     int order[] = {0, 2, 1, 3};
1723     permuteLP.set("order", DictValue::arrayInt(order, 4));
1724
1725     opencv_onnx::NodeProto permute_proto;
1726     permute_proto.add_input(reshape_output);
1727     permute_proto.add_output((need_y && index == 0) ? y_name : static_cast<std::string>(permuteLP.name));
1728     addLayer(permuteLP, permute_proto);
1729
1730     return permute_proto.output(0);
1731 };
1732
1733 void ONNXImporter::lstm_add_transform(int num_directions, int batch_size, int hidden_size,
1734                                       int index, const std::string& input_name, const std::string& output_name)
1735 {
1736     if (num_directions == 1)
1737     {
1738         // Slice: Yh = Y[-1, :, :, :]
1739         int begin[] = {-1}, end[] = {INT_MAX};
1740         std::string slice_output = lstm_add_slice(index, input_name, begin, end, sizeof(begin) / sizeof(begin[0]));
1741
1742         // Reshape: 1x1xBxH -> 1xBxH
1743         int layerShape[] = {1, batch_size, hidden_size};
1744         lstm_add_reshape(slice_output, output_name, layerShape, sizeof(layerShape) / sizeof(layerShape[0]));
1745     }
1746     else
1747     {
1748         // Slice: SxDxBxH -> last sequence, first direction
1749         int begin0[] = {-1, 0}, end0[] = {INT_MAX, 1};
1750         std::string slice_0 = lstm_add_slice(0, input_name, begin0, end0, sizeof(begin0) / sizeof(begin0[0]));
1751
1752         // Slice: SxDxBxH -> first sequence, last direction
1753         int begin1[] = {0, -1}, end1[] = {1, INT_MAX};
1754         std::string slice_1 = lstm_add_slice(1, input_name, begin1, end1, sizeof(begin1) / sizeof(begin1[0]));
1755
1756         LayerParams concatLP;
1757         concatLP.name = cv::format("%s/concat", input_name.c_str());
1758         concatLP.type = "Concat";
1759         CV_Assert(layer_id.find(concatLP.name) == layer_id.end());
1760
1761         concatLP.set("axis", 1); // 1x1xBxH -> 1x2xBxH
1762
1763         opencv_onnx::NodeProto concat_proto;
1764         concat_proto.add_input(slice_0);
1765         concat_proto.add_input(slice_1);
1766         concat_proto.add_output(concatLP.name);
1767         addLayer(concatLP, concat_proto);
1768
1769         // Reshape: 1x2xBxH -> 2xBxH
1770         int layerShape[] = {2, batch_size, hidden_size};
1771         lstm_add_reshape(concat_proto.output(0), output_name, layerShape, sizeof(layerShape) / sizeof(layerShape[0]));
1772     }
1773 };
1774
1775 void ONNXImporter::parseLSTM(LayerParams& layerParams, const opencv_onnx::NodeProto& node_proto_)
1776 {
1777     opencv_onnx::NodeProto lstm_proto = node_proto_;
1778     layerParams.name += "/lstm";
1779
1780     // https://github.com/onnx/onnx/blob/main/docs/Operators.md#LSTM
1781     CV_Assert(lstm_proto.input_size() >= 3);
1782     for (size_t i = 1; i < 3; ++i)
1783     {
1784         const std::string& name = lstm_proto.input(i);
1785         CV_Assert(!name.empty() && constBlobs.count(name) == 1);
1786     }
1787
1788     IterShape_t shapeIt = outShapes.find(lstm_proto.input(0));
1789     CV_Assert(shapeIt != outShapes.end());
1790     const MatShape x_shape = shapeIt->second;
1791
1792     const int seq_length = x_shape[0];
1793     const int batch_size = x_shape[1];
1794     const int input_size = x_shape[2];
1795     const int hidden_size = layerParams.get<int>("hidden_size");
1796     const int num_directions = constBlobs[lstm_proto.input(1)].size[0];
1797
1798     int w_size[] = {num_directions, 4*hidden_size, input_size};
1799     lstm_extractConsts(layerParams, lstm_proto, 1, w_size, sizeof(w_size) / sizeof(w_size[0])); // W
1800
1801     int r_size[] =  {num_directions, 4*hidden_size, hidden_size};
1802     lstm_extractConsts(layerParams, lstm_proto, 2, r_size, sizeof(r_size) / sizeof(r_size[0])); // R
1803
1804     int b_size[] = {num_directions, 8*hidden_size};
1805     lstm_extractConsts(layerParams, lstm_proto, 3, b_size, sizeof(b_size) / sizeof(b_size[0])); // B
1806
1807     if (4 < lstm_proto.input_size() && !lstm_proto.input(4).empty())
1808     {
1809         Mat blob = getBlob(lstm_proto, 4);
1810         CV_Assert(blob.total() == batch_size);
1811         for (MatIterator_<int32_t> it = blob.begin<int32_t>(); it != blob.end<int32_t>(); ++it)
1812         {
1813             CV_Assert(*it == seq_length);
1814         }
1815     }
1816
1817     int h_size[] = {num_directions, batch_size, hidden_size};
1818     lstm_extractConsts(layerParams, lstm_proto, 5, h_size, sizeof(h_size) / sizeof(h_size[0])); // initial_h
1819
1820     int c_size[] = {num_directions, batch_size, hidden_size};
1821     lstm_extractConsts(layerParams, lstm_proto, 6, c_size, sizeof(c_size) / sizeof(c_size[0])); // initial_c
1822
1823     if (lstm_proto.input_size() > 7 && !lstm_proto.input(7).empty())
1824     {
1825         layerParams.set("use_peephole", true);
1826         int p_size[] = {num_directions, 3 * hidden_size};
1827         lstm_extractConsts(layerParams, lstm_proto, 7, p_size, sizeof(p_size) / sizeof(p_size[0])); // P
1828     }
1829
1830     transformBlobs(layerParams.blobs);
1831
1832     layerParams.set("is_onnx", true);
1833     layerParams.set("reverse", layerParams.get<String>("direction", "") == "reverse");
1834     layerParams.set("bidirectional", layerParams.get<String>("direction", "") == "bidirectional");
1835
1836     bool need_yc = lstm_proto.output_size() > 2 && !lstm_proto.output(2).empty();
1837     bool need_yh = lstm_proto.output_size() > 1 && !lstm_proto.output(1).empty();
1838     bool need_y = lstm_proto.output_size() > 0 && !lstm_proto.output(0).empty();
1839
1840     const std::string y_name = need_y ? lstm_proto.output(0) : "";
1841     const std::string yh_name = need_yh ? lstm_proto.output(1) : "";
1842     const std::string yc_name = need_yc ? lstm_proto.output(2) : "";
1843
1844     layerParams.set("produce_cell_output", need_yc);
1845
1846     lstm_proto.clear_output();
1847     if (need_y || need_yh)
1848     {
1849         // give random names to LSTMLayer's outputs because every output needs postprocessing
1850         lstm_proto.add_output(cv::format("%s_y", layerParams.name.c_str()));
1851     }
1852     if (need_yc)
1853     {
1854         lstm_proto.add_output(yc_name);
1855     }
1856
1857     addLayer(layerParams, lstm_proto);
1858
1859     std::string y_output = lstm_fix_dims(layerParams, lstm_proto, batch_size, num_directions, hidden_size, need_y,
1860                                          y_name, 0);
1861     if (need_yh)
1862     {
1863         lstm_add_transform(num_directions, batch_size, hidden_size, 0, y_output, yh_name);
1864     }
1865 }
1866
1867 void ONNXImporter::parseGRU(LayerParams& layerParams, const opencv_onnx::NodeProto& node_proto_)
1868 {
1869     opencv_onnx::NodeProto node_proto = node_proto_;
1870     const std::string output_name = node_proto.output(0);
1871     LayerParams gruParams = layerParams;
1872     gruParams.name += "/gru";
1873
1874     // https://pytorch.org/docs/stable/generated/torch.nn.GRU.html?highlight=gru#
1875     CV_Assert(node_proto.input_size() == 6);
1876     Mat Wx = getBlob(node_proto, 1);
1877     Mat Wh = getBlob(node_proto, 2);
1878     Mat b = getBlob(node_proto, 3);
1879     Mat h0 = getBlob(node_proto, 5);
1880
1881     Wx = Wx.reshape(1, Wx.size[0] * Wx.size[1]);
1882     Wh = Wh.reshape(1, Wh.size[0] * Wh.size[1]);
1883     h0 = h0.reshape(1, h0.size[0] * h0.size[1]);
1884     b = b.reshape(1, b.size[0]);
1885
1886     gruParams.blobs.resize(4);
1887     gruParams.blobs[0] = Wh;
1888     gruParams.blobs[1] = Wx;
1889     gruParams.blobs[2] = b;
1890     gruParams.blobs[3] = h0;
1891     gruParams.set("bidirectional", gruParams.get<String>("direction", "") == "bidirectional");
1892
1893     node_proto.set_output(0, gruParams.name);  // set different name so output shapes will be registered on that name
1894     addLayer(gruParams, node_proto);
1895
1896     MatShape gruShape = outShapes[node_proto.output(0)];
1897
1898     // Add fake 1 as it is done in ONNX
1899     gruShape.insert(gruShape.begin() + 1, 1);
1900
1901     layerParams.type = "Reshape";
1902     layerParams.set("dim", DictValue::arrayInt(&gruShape[0], gruShape.size()));
1903     node_proto.set_input(0, gruParams.name);  // redirect input to GRU
1904     node_proto.set_output(0, output_name);  // keep origin GRU's name
1905     addLayer(layerParams, node_proto);
1906 }
1907
1908 void ONNXImporter::parseImageScaler(LayerParams& layerParams, const opencv_onnx::NodeProto& node_proto)
1909 {
1910     const float scale = layerParams.has("scale") ? layerParams.get<float>("scale") : 1.0f;
1911     layerParams.erase("scale");
1912
1913     if (layerParams.has("bias"))
1914     {
1915         layerParams.type = "Scale";
1916         layerParams.blobs.push_back(
1917                 Mat(Size(1,  layerParams.get("bias").size()), CV_32FC1, scale));
1918
1919         layerParams.set("bias_term", true);
1920         Mat bias(1, layerParams.get("bias").size(), CV_32FC1);
1921         for (int j = 0; j < bias.total(); j++) {
1922             bias.at<float>(0, j) = layerParams.get("bias").getRealValue(j);
1923         }
1924         layerParams.blobs.push_back(bias);
1925         layerParams.erase("bias");
1926     }
1927     else {
1928         layerParams.set("scale", scale);
1929         layerParams.type = "Power";
1930     }
1931     addLayer(layerParams, node_proto);
1932 }
1933
1934 void ONNXImporter::parseClip(LayerParams& layerParams, const opencv_onnx::NodeProto& node_proto)
1935 {
1936     layerParams.type = "ReLU6";
1937     float min_value = -FLT_MAX, max_value = FLT_MAX;
1938     int input_size = node_proto.input_size();
1939     CV_Check(input_size, 1 <= input_size && input_size <= 3, "");
1940
1941     if (input_size >= 2 && !node_proto.input(1).empty())
1942     {
1943         if (constBlobs.find(node_proto.input(1)) != constBlobs.end())
1944             min_value = getBlob(node_proto, 1).at<float>(0);
1945         else
1946             CV_Error(Error::StsNotImplemented, "Non-constant min values in Clip are not supported");
1947     }
1948
1949     if (input_size == 3 && !node_proto.input(2).empty())
1950     {
1951         if (constBlobs.find(node_proto.input(2)) != constBlobs.end())
1952             max_value = getBlob(node_proto, 2).at<float>(0);
1953         else
1954             CV_Error(Error::StsNotImplemented, "Non-constant max values in Clip are not supported");
1955     }
1956
1957     layerParams.set("min_value", layerParams.get<float>("min", min_value));
1958     layerParams.set("max_value", layerParams.get<float>("max", max_value));
1959     addLayer(layerParams, node_proto);
1960 }
1961
1962 void ONNXImporter::parseLeakyRelu(LayerParams& layerParams, const opencv_onnx::NodeProto& node_proto)
1963 {
1964     layerParams.type = "ReLU";
1965     layerParams.set("negative_slope", layerParams.get<float>("alpha", 0.01));
1966     addLayer(layerParams, node_proto);
1967 }
1968
1969 void ONNXImporter::parseRelu(LayerParams& layerParams, const opencv_onnx::NodeProto& node_proto)
1970 {
1971     layerParams.type = "ReLU";
1972     addLayer(layerParams, node_proto);
1973 }
1974
1975 void ONNXImporter::parseElu(LayerParams& layerParams, const opencv_onnx::NodeProto& node_proto)
1976 {
1977     layerParams.type = "ELU";
1978     addLayer(layerParams, node_proto);
1979 }
1980
1981 void ONNXImporter::parseTanh(LayerParams& layerParams, const opencv_onnx::NodeProto& node_proto)
1982 {
1983     layerParams.type = "TanH";
1984     addLayer(layerParams, node_proto);
1985 }
1986
1987 void ONNXImporter::parseAbs(LayerParams& layerParams, const opencv_onnx::NodeProto& node_proto)
1988 {
1989     layerParams.type = "AbsVal";
1990     addLayer(layerParams, node_proto);
1991 }
1992
1993 void ONNXImporter::parseCompare(LayerParams& layerParams, const opencv_onnx::NodeProto& node_proto)
1994 {
1995     CV_Assert(node_proto.input_size() == 2);
1996     const std::string& layer_type = node_proto.op_type();
1997
1998     bool is_const_0 = layer_id.find(node_proto.input(0)) == layer_id.end();
1999     bool is_const_1 = layer_id.find(node_proto.input(1)) == layer_id.end();
2000
2001     if (is_const_0 || is_const_1)
2002     {
2003         Mat blob = getBlob(node_proto, static_cast<int>(is_const_1));
2004         blob = blob.reshape(1, 1);
2005         layerParams.blobs.push_back(blob);
2006     }
2007
2008     layerParams.type = "Compare";
2009
2010     if (layer_type == "Equal")
2011         layerParams.set("mode", "equal");
2012     else if (layer_type == "Greater")
2013         layerParams.set("mode", "greater");
2014     else
2015         layerParams.set("mode", "less");
2016     addLayer(layerParams, node_proto);
2017 }
2018
2019 void ONNXImporter::parsePRelu(LayerParams& layerParams, const opencv_onnx::NodeProto& node_proto)
2020 {
2021     layerParams.type = "PReLU";
2022     layerParams.blobs.push_back(getBlob(node_proto, 1));
2023     addLayer(layerParams, node_proto);
2024 }
2025
2026 void ONNXImporter::parseLRN(LayerParams& layerParams, const opencv_onnx::NodeProto& node_proto)
2027 {
2028     replaceLayerParam(layerParams, "size", "local_size");
2029     addLayer(layerParams, node_proto);
2030 }
2031
2032 void ONNXImporter::parseInstanceNormalization(LayerParams& layerParams, const opencv_onnx::NodeProto& node_proto_)
2033 {
2034     opencv_onnx::NodeProto node_proto = node_proto_;
2035     if (node_proto.input_size() != 3)
2036         CV_Error(Error::StsNotImplemented,
2037                  "Expected input, scale, bias");
2038
2039     layerParams.blobs.resize(4);
2040     layerParams.blobs[2] = getBlob(node_proto, 1);  // weightData
2041     layerParams.blobs[3] = getBlob(node_proto, 2);  // biasData
2042     layerParams.set("has_bias", true);
2043     layerParams.set("has_weight", true);
2044
2045     // Get number of channels in input
2046     int size = layerParams.blobs[2].total();
2047     layerParams.blobs[0] = Mat::zeros(size, 1, CV_32F); // mean
2048     layerParams.blobs[1] = Mat::ones(size, 1, CV_32F); // std
2049
2050     LayerParams mvnParams;
2051     mvnParams.name = layerParams.name + "/MVN";
2052     mvnParams.type = "MVN";
2053     mvnParams.set("eps", layerParams.get<float>("epsilon"));
2054     layerParams.erase("epsilon");
2055
2056     //Create MVN layer
2057     int id = dstNet.addLayer(mvnParams.name, mvnParams.type, mvnParams);
2058     //Connect to input
2059     IterLayerId_t layerId = layer_id.find(node_proto.input(0));
2060     CV_Assert(layerId != layer_id.end());
2061     dstNet.connect(layerId->second.layerId, layerId->second.outputId, id, 0);
2062     //Add shape
2063     layer_id.insert(std::make_pair(mvnParams.name, LayerInfo(id, 0)));
2064     outShapes[mvnParams.name] = outShapes[node_proto.input(0)];
2065
2066     //Replace Batch Norm's input to MVN
2067     node_proto.set_input(0, mvnParams.name);
2068     layerParams.type = "BatchNorm";
2069     addLayer(layerParams, node_proto);
2070 }
2071
2072 void ONNXImporter::parseBatchNormalization(LayerParams& layerParams, const opencv_onnx::NodeProto& node_proto)
2073 {
2074     if (node_proto.input_size() != 5)
2075         CV_Error(Error::StsNotImplemented,
2076                  "Expected input, scale, bias, mean and var");
2077
2078     layerParams.type = "BatchNorm";
2079     replaceLayerParam(layerParams, "epsilon", "eps");
2080     replaceLayerParam(layerParams, "spatial", "use_global_stats");
2081
2082     Mat meanData = getBlob(node_proto, 3);
2083     Mat stdData =  getBlob(node_proto, 4);
2084
2085     layerParams.blobs.push_back(meanData);
2086     layerParams.blobs.push_back(stdData);
2087
2088     if (!node_proto.input(1).empty()) {
2089         layerParams.set("has_weight", true);
2090         layerParams.blobs.push_back(getBlob(node_proto, 1));  // weightData
2091     } else {
2092         layerParams.set("has_weight", false);
2093     }
2094
2095     if (!node_proto.input(2).empty()) {
2096         layerParams.set("has_bias", true);
2097         layerParams.blobs.push_back(getBlob(node_proto, 2)); // biasData
2098     } else {
2099         layerParams.set("has_bias", false);
2100     }
2101     addLayer(layerParams, node_proto);
2102 }
2103
2104 // A * B + C = Y, we require that the dimension of A is [m, k], and the dimension of B is [n, k].
2105 // And the dim of output Y is [m, n]
2106 void ONNXImporter::parseGemm(LayerParams& layerParams, const opencv_onnx::NodeProto& node_proto)
2107 {
2108     CV_Assert(node_proto.input_size() >= 2);
2109     layerParams.type = "InnerProduct";
2110     Mat weights = getBlob(node_proto, 1);
2111
2112     if (!layerParams.get<int>("transB", 0))
2113     {
2114         transpose(weights, weights);
2115     }
2116     layerParams.blobs.push_back(weights);
2117
2118     if (node_proto.input_size() == 3) {
2119         Mat bias = getBlob(node_proto, 2);
2120         layerParams.blobs.push_back(bias);
2121     }
2122     if (constBlobs.find(node_proto.input(0)) != constBlobs.end())
2123     {
2124         Mat inputBuf = getBlob(node_proto, 0);
2125
2126         LayerParams constParams;
2127         constParams.name = node_proto.input(0);
2128         constParams.type = "Const";
2129         constParams.blobs.push_back(inputBuf);
2130
2131         opencv_onnx::NodeProto proto;
2132         proto.add_output(constParams.name);
2133         addLayer(constParams, proto);
2134     }
2135
2136     layerParams.set("num_output", layerParams.blobs[0].size[0]);
2137     layerParams.set("bias_term", node_proto.input_size() == 3);
2138     addLayer(layerParams, node_proto);
2139 }
2140
2141 void ONNXImporter::parseMatMul(LayerParams& layerParams, const opencv_onnx::NodeProto& node_proto)
2142 {
2143     CV_Assert(node_proto.input_size() == 2);
2144     layerParams.type = "InnerProduct";
2145     layerParams.set("bias_term", false);
2146     CV_Assert(constBlobs.find(node_proto.input(0)) == constBlobs.end());
2147     int firstInpDims = outShapes[node_proto.input(0)].size();
2148     int secondInpDims;
2149
2150     if (constBlobs.find(node_proto.input(1)) != constBlobs.end())
2151     {
2152         Mat blob = getBlob(node_proto, 1);
2153         secondInpDims = blob.dims;
2154         layerParams.blobs.push_back(blob.t());
2155         layerParams.set("num_output", layerParams.blobs[0].size[0]);
2156     } else {
2157         secondInpDims = outShapes[node_proto.input(1)].size();
2158     }
2159     layerParams.set("axis", firstInpDims - secondInpDims + 1);
2160     addLayer(layerParams, node_proto);
2161 }
2162
2163 void findBroadAxis(const MatShape& broadShape, const MatShape& outShape, size_t& axis, int& broadAxis)
2164 {
2165     const size_t diff = outShape.size() - broadShape.size();
2166
2167     // find the first non-one element of the broadcasting shape
2168     axis = 0;
2169     for (; axis < broadShape.size() && broadShape[axis] == 1; ++axis) {}
2170
2171     // find the last non-one element of the broadcasting shape
2172     size_t endAxis = broadShape.size();
2173     for (; endAxis > axis && broadShape[endAxis - 1] == 1; --endAxis) {}
2174
2175     // find one between axis and endAxis - as it needs to be broadcasted,
2176     // dimensions from the left of axis and from the right of endAxis will be handled by Scale layer
2177     broadAxis = -1;
2178     for (size_t i = axis; i < endAxis; ++i)
2179     {
2180         size_t outAxis = i + diff;
2181         if (outShape[outAxis] == broadShape[i])
2182         {
2183             continue;
2184         }
2185
2186         // ensure we need to broadcast only 1 dimension in the middle
2187         CV_Assert(broadShape[i] == 1 && broadAxis == -1);
2188         broadAxis = static_cast<int>(outAxis);
2189     }
2190
2191     axis += diff;
2192 }
2193
2194 // "Mul" "Div"
2195 void ONNXImporter::parseMul(LayerParams& layerParams, const opencv_onnx::NodeProto& node_proto_)
2196 {
2197     opencv_onnx::NodeProto node_proto = node_proto_;
2198     const std::string& layer_type = node_proto.op_type();
2199     const std::string output_name = node_proto.output(0);
2200     CV_Assert(node_proto.input_size() == 2);
2201
2202     bool isDiv = layer_type == "Div";
2203     int constId = -1;
2204     bool haveVariables = false;
2205     for (int i = 0; i < 2; ++i)
2206     {
2207         if (constBlobs.find(node_proto.input(i)) != constBlobs.end())
2208             constId = i;
2209         else
2210             haveVariables = true;
2211     }
2212     if (constId != -1 && haveVariables)
2213     {
2214         Mat blob = getBlob(node_proto, constId);
2215         blob = blob.reshape(1, 1);
2216         if (blob.total() == 1) {
2217             float blob_value = blob.ptr<float>()[0];
2218             float coeff = blob_value;
2219             if (isDiv)
2220             {
2221                 coeff = 1.f / blob_value;
2222                 if (constId == 0)
2223                 {
2224                     // Power layer calculates (x*scale + shift)^power, so const/x -> (x * (1/const) + 0)^(-1)
2225                     layerParams.set("power", -1.f);
2226                 }
2227             }
2228             layerParams.set("scale", coeff);
2229             layerParams.type = "Power";
2230         }
2231         else {
2232             if (isDiv)
2233                 divide(1.0, blob, blob);
2234             layerParams.blobs.push_back(blob);
2235             layerParams.type = "Scale";
2236         }
2237     }
2238     else if (!haveVariables)
2239     {
2240         Mat inp0 = getBlob(node_proto, 0);
2241         Mat inp1 = getBlob(node_proto, 1);
2242
2243         if (inp0.size != inp1.size && (inp0.total() != 1 || inp1.total() != 1))
2244             CV_Error_(Error::StsNotImplemented, ("Different shapes case is not supported with constant inputs: %s", layer_type.c_str()));
2245
2246         if (inp0.total() == 1 && inp1.total() == 1 && inp0.dims != inp1.dims)
2247         {
2248             if (inp0.dims < inp1.dims)
2249             {
2250                 inp0 = inp0.reshape(1, inp1.dims, inp1.size);
2251                 inp0.dims = inp1.dims;
2252             }
2253             else
2254             {
2255                 inp1 = inp1.reshape(1, inp0.dims, inp0.size);
2256                 inp1.dims = inp0.dims;
2257             }
2258         }
2259
2260         Mat out;
2261         if (inp0.total() != inp1.total())
2262         {
2263             if (inp0.total() == 1)
2264             {
2265                 float inp0_value = inp0.ptr<float>()[0];
2266                 float coeff = isDiv ? 1.0 / inp0_value : inp0_value;
2267                 multiply(inp1, coeff, out);
2268             }
2269             else
2270             {
2271                 float inp1_value = inp1.ptr<float>()[0];
2272                 float coeff = isDiv ? 1.0 / inp1_value : inp1_value;
2273                 multiply(inp0, coeff, out);
2274             }
2275
2276         }
2277         else
2278         {
2279             out = isDiv ? inp0 / inp1 : inp0.mul(inp1);
2280         }
2281
2282         if (inp0.dims == 1 && inp1.dims == 1)
2283             out.dims = 1;  // to workaround dims == 1
2284         addConstant(output_name, out);
2285         return;
2286     }
2287     else if (outShapes[node_proto.input(0)] == outShapes[node_proto.input(1)])
2288     {
2289         layerParams.type = "Eltwise";
2290         layerParams.set("operation", isDiv ? "div" : "prod");
2291     }
2292     else
2293     {
2294         // Scale layer allocate output with the first input shape
2295         if (total(outShapes[node_proto.input(0)]) < total(outShapes[node_proto.input(1)]))
2296         {
2297             opencv_onnx::NodeProto proto;
2298             proto.add_input(node_proto.input(1));
2299             proto.add_input(node_proto.input(0));
2300             proto.add_output(output_name);
2301             node_proto = proto;
2302         }
2303
2304         if (isDiv)
2305         {
2306             LayerParams powerParams;
2307             powerParams.name = layerParams.name + "/inv";
2308             powerParams.type = "Power";
2309             powerParams.set("power", -1);
2310
2311             //Create Power layer
2312             int id = dstNet.addLayer(powerParams.name, powerParams.type, powerParams);
2313             //Connect to input
2314             IterLayerId_t layerId = layer_id.find(node_proto.input(1));
2315             CV_Assert(layerId != layer_id.end());
2316             dstNet.connect(layerId->second.layerId, layerId->second.outputId, id, 0);
2317             //Add shape
2318             layer_id.insert(std::make_pair(powerParams.name, LayerInfo(id, 0)));
2319             outShapes[powerParams.name] = outShapes[node_proto.input(1)];
2320
2321             //Replace input to Power
2322             node_proto.set_input(1, powerParams.name);
2323         }
2324
2325         const MatShape& broadShape = outShapes[node_proto.input(1)];
2326         const MatShape& outShape = outShapes[node_proto.input(0)];
2327
2328         size_t axis = 0;
2329         int broadAxis = -1;
2330         findBroadAxis(broadShape, outShape, axis, broadAxis);
2331
2332         // if there is a one dimension in the middle that should be broadcasted, broadcast it
2333         if (broadAxis != -1)
2334         {
2335             opencv_onnx::NodeProto concat_node_proto = node_proto;
2336             const std::string& input1 = concat_node_proto.input(1);
2337
2338             expandMid(layerParams.name, concat_node_proto, input1, outShape[broadAxis]);
2339
2340             LayerParams concatLP;
2341             concatLP.name = layerParams.name + "/concat";
2342             concatLP.set("axis", broadAxis);
2343             concatLP.type = "Concat";
2344             concat_node_proto.set_output(0, concatLP.name);
2345
2346             addLayer(concatLP, concat_node_proto);
2347             node_proto.set_input(1, concatLP.name);
2348         }
2349
2350         CV_Assert(axis != outShape.size());
2351         layerParams.set("axis", static_cast<int>(axis));
2352         layerParams.type = "Scale";
2353     }
2354     addLayer(layerParams, node_proto);
2355 }
2356
2357 void ONNXImporter::parseConv(LayerParams& layerParams, const opencv_onnx::NodeProto& node_proto_)
2358 {
2359     opencv_onnx::NodeProto node_proto = node_proto_;
2360     CV_Assert(node_proto.input_size() >= 2);
2361     layerParams.type = "Convolution";
2362     for (int j = 1; j < node_proto.input_size(); j++) {
2363         if (constBlobs.find(node_proto.input(j)) != constBlobs.end())
2364         {
2365             layerParams.blobs.push_back(getBlob(node_proto, j));
2366         }
2367     }
2368     int outCn = layerParams.blobs.empty() ? outShapes[node_proto.input(1)][0] : layerParams.blobs[0].size[0];
2369     layerParams.set("num_output", outCn);
2370
2371     // Check for asymmetric padding in Conv2D
2372     if (layerParams.has("pad"))
2373     {
2374         bool asymmetricPadding = false;
2375         DictValue pads = layerParams.get("pad");
2376         const int dims = pads.size() / 2;
2377         for (int i = 0; i < dims; ++i)
2378         {
2379             if (pads.get<int>(i) != pads.get<int>(i + dims))
2380             {
2381                 asymmetricPadding = true;
2382                 break;
2383             }
2384         }
2385         if (asymmetricPadding && pads.size() == 4) // [pad_t, pad_l, pad_b, pad_r]
2386         {
2387             layerParams.erase("pad");
2388             // No paddings required for N, C axis
2389             std::vector<int> paddings(4, 0);
2390             // Add paddings for H, W axis
2391             for (int i = 0; i < dims; ++i)
2392             {
2393                 paddings.push_back(pads.get<int>(i));
2394                 paddings.push_back(pads.get<int>(dims + i));
2395             }
2396             LayerParams padLp;
2397             padLp.name = layerParams.name + "/pad";
2398             padLp.type = "Padding";
2399             padLp.set("paddings", DictValue::arrayInt(&paddings[0], paddings.size()));
2400
2401             opencv_onnx::NodeProto proto;
2402             proto.add_input(node_proto.input(0));
2403             proto.add_output(padLp.name);
2404
2405             addLayer(padLp, proto);
2406             node_proto.set_input(0, padLp.name);
2407         }
2408     }
2409     addLayer(layerParams, node_proto);
2410 }
2411
2412 void ONNXImporter::parseConvTranspose(LayerParams& layerParams, const opencv_onnx::NodeProto& node_proto)
2413 {
2414     CV_Assert(node_proto.input_size() >= 2);
2415     layerParams.type = "Deconvolution";
2416     for (int j = 1; j < node_proto.input_size(); j++) {
2417         layerParams.blobs.push_back(getBlob(node_proto, j));
2418     }
2419     layerParams.set("num_output", layerParams.blobs[0].size[1] * layerParams.get<int>("group", 1));
2420     layerParams.set("bias_term", node_proto.input_size() == 3);
2421
2422     if (!layerParams.has("kernel_size"))
2423         CV_Error(Error::StsNotImplemented,
2424                  "Required attribute 'kernel_size' is not present.");
2425
2426     if (layerParams.has("output_shape"))
2427     {
2428         const DictValue& outShape = layerParams.get("output_shape");
2429         DictValue strides = layerParams.get("stride");
2430         DictValue kernel = layerParams.get("kernel_size");
2431
2432         String padMode;
2433         std::vector<int> adjust_pads;
2434         if (layerParams.has("pad_mode"))
2435         {
2436             padMode = toUpperCase(layerParams.get<String>("pad_mode"));
2437             if (padMode != "SAME" && padMode != "VALID")
2438                 CV_Error(Error::StsError, "Unsupported padding mode " + padMode);
2439
2440             for (int i = 0; i < strides.size(); i++)
2441             {
2442                 int sz = outShape.get<int>(2 + i);
2443                 int stride = strides.get<int>(i);
2444                 adjust_pads.push_back(padMode == "SAME"? (sz - 1) % stride :
2445                                                          (sz - kernel.get<int>(i)) % stride);
2446             }
2447             layerParams.set("adj", DictValue::arrayInt(&adjust_pads[0], adjust_pads.size()));
2448         }
2449     }
2450     else if (layerParams.has("output_padding"))
2451     {
2452         replaceLayerParam(layerParams, "output_padding", "adj");
2453     }
2454     addLayer(layerParams, node_proto);
2455 }
2456
2457 void ONNXImporter::parseTranspose(LayerParams& layerParams, const opencv_onnx::NodeProto& node_proto)
2458 {
2459     int depth = layerParams.get<int>("depth", CV_32F);
2460     layerParams.type = (depth == CV_8S) ? "PermuteInt8" : "Permute";
2461     replaceLayerParam(layerParams, "perm", "order");
2462     if (!layerParams.has("order")) {
2463         MatShape inpShape = outShapes[node_proto.input(0)];
2464         size_t dims = inpShape.size();
2465         std::vector<int> perm(dims);
2466         for (size_t d = 0; d < dims; ++d)
2467         {
2468             perm[d] = static_cast<int>(dims - 1 - d);
2469         }
2470         layerParams.set("order", DictValue::arrayInt(perm.data(), perm.size()));
2471     }
2472
2473     CV_Assert(node_proto.input_size() == 1);
2474     if (constBlobs.find(node_proto.input(0)) != constBlobs.end())
2475     {
2476         std::vector<Mat> inputs(1, getBlob(node_proto, 0)), transposed;
2477         runLayer(layerParams, inputs, transposed);
2478         CV_Assert(transposed.size() == 1);
2479         addConstant(node_proto.output(0), transposed[0]);
2480         return;
2481     }
2482     addLayer(layerParams, node_proto);
2483 }
2484
2485 void ONNXImporter::parseSqueeze(LayerParams& layerParams, const opencv_onnx::NodeProto& node_proto)
2486 {
2487     CV_Assert_N(node_proto.input_size() == 1, layerParams.has("axes"));
2488     DictValue axes_dict = layerParams.get("axes");
2489     MatShape inpShape = outShapes[node_proto.input(0)];
2490
2491     std::vector<bool> maskedAxes(inpShape.size(), false);
2492     for (int i = 0; i < axes_dict.size(); ++i)
2493     {
2494         int axis = axes_dict.getIntValue(i);
2495         CV_CheckLE(axis, static_cast<int>(inpShape.size()), "Squeeze axis");
2496         maskedAxes[axis] = inpShape[axis] == 1;
2497     }
2498     MatShape outShape;
2499     for (int i = 0; i < inpShape.size(); ++i)
2500     {
2501         if (!maskedAxes[i])
2502             outShape.push_back(inpShape[i]);
2503     }
2504     if (outShape.size() != inpShape.size())
2505     {
2506         layerParams.type = "Reshape";
2507         layerParams.set("dim", DictValue::arrayInt(&outShape[0], outShape.size()));
2508         if (hasDynamicShapes)
2509         {
2510             std::vector<int> dynamicAxes;
2511             std::vector<int> inputIndices;
2512             for (int index = 0; index < inpShape.size(); ++index)
2513             {
2514                 if (!maskedAxes[index])
2515                     inputIndices.push_back(index);
2516             }
2517             for (int index = 0; index < outShape.size(); ++index)
2518                 dynamicAxes.push_back(index);
2519             layerParams.set("dynamic_axes", DictValue::arrayInt(dynamicAxes.data(), dynamicAxes.size()));
2520             layerParams.set("input_indices", DictValue::arrayInt(inputIndices.data(), inputIndices.size()));
2521         }
2522     }
2523     else
2524         layerParams.type = "Identity";
2525
2526     if (constBlobs.find(node_proto.input(0)) != constBlobs.end())
2527     {
2528         Mat inp = getBlob(node_proto, 0);
2529         Mat out = inp.reshape(1, outShape);
2530         out.dims = outShape.size();  // to workaround dims == 1
2531         addConstant(node_proto.output(0), out);
2532         return;
2533     }
2534     int depth = layerParams.get<int>("depth", CV_32F);
2535     layerParams.type += (depth == CV_8S) ? "Int8" : "";
2536     addLayer(layerParams, node_proto);
2537 }
2538
2539 void ONNXImporter::parseFlatten(LayerParams& layerParams, const opencv_onnx::NodeProto& node_proto_)
2540 {
2541     opencv_onnx::NodeProto node_proto = node_proto_;
2542     CV_CheckEQ(node_proto.input_size(), 1, "");
2543     int axis_ = layerParams.get<int>("axis", 1);
2544     if (constBlobs.find(node_proto.input(0)) != constBlobs.end())
2545     {
2546         Mat input = getBlob(node_proto, 0);
2547         int axis = normalize_axis(axis_, input.dims);
2548
2549         int out_size[2] = {1, 1};
2550         for (int i = 0; i < axis; ++i)
2551         {
2552             out_size[0] *= input.size[i];
2553         }
2554         for (int i = axis; i < input.dims; ++i)
2555         {
2556             out_size[1] *= input.size[i];
2557         }
2558
2559         Mat output = input.reshape(1, 2, out_size);
2560         addConstant(node_proto.output(0), output);
2561         return;
2562     }
2563     IterShape_t shapeIt = outShapes.find(node_proto.input(0));
2564     CV_Assert(shapeIt != outShapes.end());
2565     MatShape inpShape = shapeIt->second;
2566     int axis = normalize_axis(axis_, inpShape.size());
2567
2568     if (axis == 0 || axis == inpShape.size())
2569     {
2570         LayerParams reshapeLp;
2571         reshapeLp.name = layerParams.name + "/reshape";
2572         reshapeLp.type = "Reshape";
2573         CV_Assert(layer_id.find(reshapeLp.name) == layer_id.end());
2574
2575         inpShape.insert(axis == 0 ? inpShape.begin() : inpShape.end(), 1);
2576         reshapeLp.set("dim", DictValue::arrayInt(&inpShape[0], inpShape.size()));
2577
2578         opencv_onnx::NodeProto proto;
2579         proto.add_input(node_proto.input(0));
2580         proto.add_output(reshapeLp.name);
2581         addLayer(reshapeLp, proto);
2582         node_proto.set_input(0, reshapeLp.name);
2583         axis += 1;
2584     }
2585
2586     LayerParams first_pass;
2587     first_pass.name = layerParams.name + "/flatten";
2588     CV_Assert(layer_id.find(first_pass.name) == layer_id.end());
2589     first_pass.type = "Flatten";
2590     first_pass.set("axis", 0);
2591     first_pass.set("end_axis", axis - 1);
2592
2593     opencv_onnx::NodeProto proto;
2594     proto.add_input(node_proto.input(0));
2595     proto.add_output(first_pass.name);
2596     addLayer(first_pass, proto);
2597
2598     layerParams.set("axis", 1);
2599     node_proto.set_input(0, first_pass.name);
2600     addLayer(layerParams, node_proto);
2601 }
2602
2603 void ONNXImporter::parseUnsqueeze(LayerParams& layerParams, const opencv_onnx::NodeProto& node_proto)
2604 {
2605     CV_Assert(node_proto.input_size() == 1 || node_proto.input_size() == 2);
2606     DictValue axes;
2607     if (node_proto.input_size() == 2)
2608     {
2609         Mat blob = getBlob(node_proto, 1);
2610         axes = DictValue::arrayInt(blob.ptr<int>(), blob.total());
2611     }
2612     else
2613         axes = layerParams.get("axes");
2614
2615     if (constBlobs.find(node_proto.input(0)) != constBlobs.end())
2616     {
2617         // Constant input.
2618         Mat input = getBlob(node_proto, 0);
2619
2620         std::vector<int> dims;
2621         for (int j = 0; j < input.dims; j++) {
2622             dims.push_back(input.size[j]);
2623         }
2624         CV_Assert(axes.getIntValue(axes.size()-1) <= dims.size());
2625         for (int j = 0; j < axes.size(); j++) {
2626             const int idx = axes.getIntValue(j);
2627             CV_Assert(idx <= dims.size());
2628             dims.insert(dims.begin() + idx, 1);
2629         }
2630
2631         Mat out = input.reshape(0, dims);
2632         addConstant(node_proto.output(0), out);
2633         return;
2634     }
2635
2636     // Variable input.
2637     if (axes.size() != 1)
2638         CV_Error(Error::StsNotImplemented, "Multidimensional unsqueeze");
2639
2640     int depth = layerParams.get<int>("depth", CV_32F);
2641
2642     MatShape inpShape = outShapes[node_proto.input(0)];
2643     int axis = axes.getIntValue(0);
2644     CV_Assert(0 <= axis && axis <= inpShape.size());
2645     std::vector<int> outShape = inpShape;
2646     outShape.insert(outShape.begin() + axis, 1);
2647     layerParams.type = (depth == CV_8S) ? "ReshapeInt8" : "Reshape";
2648     layerParams.set("dim", DictValue::arrayInt(&outShape[0], outShape.size()));
2649     if (hasDynamicShapes)
2650     {
2651         std::vector<int> dynamicAxes;
2652         std::vector<int> inputIndices;
2653         for (int index = 0; index < outShape.size(); ++index) {
2654             if (index != axis)
2655                 dynamicAxes.push_back(index);
2656         }
2657         for (int index = 0; index < inpShape.size(); ++index)
2658             inputIndices.push_back(index);
2659         layerParams.set("dynamic_axes", DictValue::arrayInt(dynamicAxes.data(), dynamicAxes.size()));
2660         layerParams.set("input_indices", DictValue::arrayInt(inputIndices.data(), inputIndices.size()));
2661     }
2662     addLayer(layerParams, node_proto);
2663 }
2664
2665 void ONNXImporter::parseExpand(LayerParams& layerParams, const opencv_onnx::NodeProto& node_proto_)
2666 {
2667     opencv_onnx::NodeProto node_proto = node_proto_;
2668     CV_CheckEQ(node_proto.input_size(), 2, "");
2669     const std::string& input0 = node_proto.input(0);
2670     const std::string& input1 = node_proto.input(1);
2671     const std::string output_name = node_proto.output(0);
2672     Mat newShapeMat = getBlob(input1);
2673     MatShape targetShape(newShapeMat.ptr<int>(), newShapeMat.ptr<int>() + newShapeMat.total());
2674
2675     MatShape inpShape;
2676     bool haveVariables = constBlobs.find(input0) == constBlobs.end();
2677     if (haveVariables)
2678     {
2679         IterShape_t shapeIt = outShapes.find(input0);
2680         CV_Assert(shapeIt != outShapes.end());
2681         inpShape = shapeIt->second;
2682     }
2683     else
2684     {
2685         inpShape = shape(getBlob(input0));
2686     }
2687
2688     String srcName = input0;
2689     // Unsqueeze and repeat along new axis
2690     if (targetShape.size() == inpShape.size() + 1)
2691     {
2692         inpShape.insert(inpShape.begin(), targetShape.size() - inpShape.size(), 1);
2693         for (int i = 0; i < targetShape.size(); i++)
2694         {
2695             if (abs(targetShape[i]) == 1)
2696                 targetShape[i] = inpShape[i];
2697         }
2698         if (haveVariables)
2699         {
2700             LayerParams reshapeLp;
2701             reshapeLp.name = layerParams.name + "/reshape";
2702             reshapeLp.type = "Reshape";
2703             CV_Assert(layer_id.find(reshapeLp.name) == layer_id.end());
2704             reshapeLp.set("dim", DictValue::arrayInt(&inpShape[0], inpShape.size()));
2705
2706             opencv_onnx::NodeProto proto;
2707             proto.add_input(node_proto.input(0));
2708             proto.add_output(reshapeLp.name);
2709             addLayer(reshapeLp, proto);
2710             srcName = reshapeLp.name;
2711         }
2712     }
2713     CV_CheckEQ(inpShape.size(), targetShape.size(), "Unsupported Expand op with different dims");
2714
2715     std::vector<int> broadcast_axes;
2716     // shapes aren't right-aligned here because targetShape.size() == inpShape.size()
2717     for (int i = 0; i < targetShape.size(); i++)
2718     {
2719         if (targetShape[i] != inpShape[i])
2720         {
2721             if (inpShape[i] == 1)
2722             {
2723                 broadcast_axes.push_back(i);
2724             }
2725             else if (targetShape[i] != 1)
2726             {
2727                 CV_Error(Error::StsError, format("Could not be broadcast by axis: %d", i));
2728             }
2729         }
2730     }
2731
2732     if (!haveVariables)
2733     {
2734         if (broadcast_axes.size() > 1)
2735             CV_Error(Error::StsNotImplemented, "Expand op doesn't support multiple axes for constant input");
2736
2737         if (broadcast_axes.empty())
2738         {
2739             addConstant(output_name, getBlob(node_proto, 0));
2740             return;
2741         }
2742
2743         Mat input = getBlob(node_proto, 0);
2744         input = input.reshape(0, total(inpShape, 0, broadcast_axes[0]));
2745         Mat output = cv::repeat(input, 1, targetShape[broadcast_axes[0]]);
2746         output = output.reshape(0, targetShape);
2747         addConstant(output_name, output);
2748         return;
2749     }
2750
2751     if (broadcast_axes.size() == 2 &&
2752         broadcast_axes[0] == broadcast_axes[1] - 1 && broadcast_axes[1] == inpShape.size() - 1)
2753     {
2754         LayerParams constParams;
2755         constParams.name = layerParams.name + "/const";
2756         CV_Assert(layer_id.find(constParams.name) == layer_id.end());
2757         constParams.type = "Const";
2758
2759         Mat inp = Mat::ones(newShapeMat.total(), newShapeMat.ptr<int>(), CV_32F);
2760         constParams.blobs.push_back(inp);
2761
2762         opencv_onnx::NodeProto proto;
2763         proto.add_output(constParams.name);
2764         addLayer(constParams, proto);
2765
2766         layerParams.type = "Scale";
2767         layerParams.set("bias_term", false);
2768         node_proto.set_input(0, constParams.name);
2769         node_proto.set_input(1, srcName);
2770     }
2771     else if (broadcast_axes.size() == 1 && broadcast_axes[0] <= 1)
2772     {
2773         expandMid(layerParams.name, node_proto, srcName, targetShape[broadcast_axes[0]]);
2774
2775         layerParams.set("axis", broadcast_axes[0]);
2776         layerParams.type = "Concat";
2777         node_proto.set_output(0, output_name);
2778     }
2779     else if (broadcast_axes.empty())
2780     {
2781         layerParams.type = "Identity";
2782     }
2783     else
2784         CV_Error(Error::StsNotImplemented, "Unsupported Expand op");
2785     addLayer(layerParams, node_proto);
2786 }
2787
2788 void ONNXImporter::parseReshape(LayerParams& layerParams, const opencv_onnx::NodeProto& node_proto)
2789 {
2790     CV_Assert(node_proto.input_size() == 2 || layerParams.has("shape"));
2791     int depth = layerParams.get<int>("depth", CV_32F);
2792     layerParams.type += (depth == CV_8S) ? "Int8" : "";
2793
2794     if (node_proto.input_size() == 2) {
2795         Mat blob = getBlob(node_proto, 1);
2796         CV_Assert(blob.type() == CV_32SC1);
2797
2798         layerParams.set("dim", DictValue::arrayInt<int*>(blob.ptr<int>(), blob.total()));
2799
2800         if (layer_id.find(node_proto.input(0)) == layer_id.end()) {
2801             std::vector<Mat> inputs(1, getBlob(node_proto, 0)), outputs;
2802             runLayer(layerParams, inputs, outputs);
2803             addConstant(node_proto.output(0), outputs[0]);
2804             return;
2805         }
2806     }
2807     else {
2808         DictValue shape = layerParams.get("shape");
2809         std::vector<int> dim;
2810         for (int j = 0; j < shape.size(); j++) {
2811             dim.push_back(shape.getIntValue(j));
2812         }
2813
2814         if (layer_id.find(node_proto.input(0)) == layer_id.end()) {
2815             Mat input = getBlob(node_proto, 0);
2816             Mat out = input.reshape(0, dim);
2817             addConstant(node_proto.output(0), out);
2818             return;
2819         }
2820         replaceLayerParam(layerParams, "shape", "dim");
2821     }
2822     addLayer(layerParams, node_proto);
2823 }
2824
2825 void ONNXImporter::parsePad(LayerParams& layerParams, const opencv_onnx::NodeProto& node_proto)
2826 {
2827     int depth = layerParams.get<int>("depth", CV_32F);
2828     layerParams.type = (depth == CV_8S) ? "PaddingInt8" : "Padding";
2829     replaceLayerParam(layerParams, "mode", "type");
2830     if (node_proto.input_size() == 3 || node_proto.input_size() == 2)
2831     {
2832         // Paddings are in order begin0, begin1, .. beginN, end0, end1, ..., endN.
2833         // We need to shuffle it to begin0, end0, begin1, end1, ...
2834         Mat paddings = getBlob(node_proto, 1).reshape(1, 2);
2835         paddings = paddings.t();
2836         layerParams.set("paddings", DictValue::arrayInt(paddings.ptr<int>(), paddings.total()));
2837
2838         if (node_proto.input_size() == 3)
2839         {
2840             Mat value = getBlob(node_proto, 2);
2841             float padValue = (depth == CV_8S) ? (float)value.ptr<int8_t>()[0] : value.ptr<float>()[0];
2842             layerParams.set("value", padValue);
2843         }
2844     }
2845     addLayer(layerParams, node_proto);
2846 }
2847
2848 void ONNXImporter::parseShape(LayerParams& layerParams, const opencv_onnx::NodeProto& node_proto)
2849 {
2850     CV_Assert(node_proto.input_size() == 1);
2851     IterShape_t shapeIt = outShapes.find(node_proto.input(0));
2852     CV_Assert(shapeIt != outShapes.end());
2853     const MatShape& inpShape = shapeIt->second;
2854
2855     int dims = static_cast<int>(inpShape.size());
2856     Mat shapeMat(dims, 1, CV_32S);
2857     bool isDynamicShape = false;
2858     for (int j = 0; j < dims; ++j)
2859     {
2860         int sz = inpShape[j];
2861         isDynamicShape |= (sz == 0);
2862         shapeMat.at<int>(j) = sz;
2863     }
2864     shapeMat.dims = 1;  // FIXIT Mat 1D
2865
2866     if (isDynamicShape)
2867     {
2868         CV_LOG_ERROR(NULL, "DNN/ONNX(Shape): dynamic 'zero' shapes are not supported, input " << toString(inpShape, node_proto.input(0)));
2869         CV_Assert(!isDynamicShape);  // not supported
2870     }
2871     addConstant(node_proto.output(0), shapeMat);
2872 }
2873
2874 void ONNXImporter::parseCast(LayerParams& layerParams, const opencv_onnx::NodeProto& node_proto)
2875 {
2876     if (constBlobs.find(node_proto.input(0)) != constBlobs.end())
2877     {
2878         Mat blob = getBlob(node_proto, 0);
2879         int type;
2880         switch (layerParams.get<int>("to"))
2881         {
2882             case opencv_onnx::TensorProto_DataType_FLOAT:   type = CV_32F; break;
2883             case opencv_onnx::TensorProto_DataType_UINT8:   type = CV_8U; break;
2884             case opencv_onnx::TensorProto_DataType_UINT16:  type = CV_16U; break;
2885             case opencv_onnx::TensorProto_DataType_FLOAT16: type = CV_16S; break;
2886             case opencv_onnx::TensorProto_DataType_INT8:
2887             case opencv_onnx::TensorProto_DataType_INT16:
2888             case opencv_onnx::TensorProto_DataType_INT32:
2889             case opencv_onnx::TensorProto_DataType_INT64:   type = CV_32S; break;
2890             default: type = blob.type();
2891         }
2892         Mat dst;
2893         blob.convertTo(dst, type);
2894         dst.dims = blob.dims;
2895         addConstant(node_proto.output(0), dst);
2896         return;
2897     }
2898     else
2899         layerParams.type = "Identity";
2900     addLayer(layerParams, node_proto);
2901 }
2902
2903 void ONNXImporter::parseConstantFill(LayerParams& layerParams, const opencv_onnx::NodeProto& node_proto)
2904 {
2905     int depth = CV_32F;
2906     float fill_value;
2907     if (!layerParams.blobs.empty())
2908     {
2909         CV_Assert(!layerParams.has("value"));
2910         depth = layerParams.blobs[0].depth();
2911         Mat floats;
2912         layerParams.blobs[0].convertTo(floats, CV_32F);
2913         fill_value = floats.at<float>(0, 0);
2914     }
2915     else
2916         fill_value = layerParams.get("value", 0);
2917
2918     MatShape inpShape = getBlob(node_proto, 0);
2919     for (int i = 0; i < inpShape.size(); i++)
2920         CV_CheckGT(inpShape[i], 0, "");
2921     Mat tensor(inpShape.size(), &inpShape[0], depth, Scalar(fill_value));
2922     addConstant(node_proto.output(0), tensor);
2923 }
2924
2925 void ONNXImporter::parseGather(LayerParams& layerParams, const opencv_onnx::NodeProto& node_proto_)
2926 {
2927     opencv_onnx::NodeProto node_proto = node_proto_;
2928     CV_Assert(node_proto.input_size() == 2);
2929     Mat indexMat = getBlob(node_proto, 1);
2930     CV_Assert_N(indexMat.type() == CV_32S, indexMat.total() == 1);
2931     int index = indexMat.at<int>(0);
2932     int axis = layerParams.get<int>("axis", 0);
2933
2934     if ((constBlobs.find(node_proto.input(0)) != constBlobs.end()))
2935     {
2936         Mat input = getBlob(node_proto, 0);
2937         Mat out;
2938         std::vector<cv::Range> ranges(input.dims, Range::all());
2939         ranges[axis] = Range(index, index + 1);
2940
2941         out = input(ranges);
2942         MatShape outShape = shape(out);
2943         if (outShape.size() > 1)
2944         {
2945             outShape.erase(outShape.begin() + axis);
2946             out.reshape(0, outShape);
2947         } else {
2948             out.dims = 1;
2949         }
2950         addConstant(node_proto.output(0), out);
2951         return;
2952     }
2953     else
2954     {
2955         IterShape_t shapeIt = outShapes.find(node_proto.input(0));
2956         CV_Assert(shapeIt != outShapes.end());
2957         MatShape inpShape = shapeIt->second;
2958
2959         LayerParams sliceLp;
2960         sliceLp.type = "Slice";
2961         sliceLp.name = inpShape.size() > 1 ? layerParams.name + "/slice" : layerParams.name;
2962         std::vector<int> begin(inpShape.size(), 0);
2963         std::vector<int> end(inpShape.size(), INT_MAX);
2964         begin[axis] = index;
2965         end[axis] = index + 1;
2966
2967         cv::dnn::DictValue paramBegin = cv::dnn::DictValue::arrayInt(begin.data(), begin.size());
2968         cv::dnn::DictValue paramEnd = cv::dnn::DictValue::arrayInt(end.data(), end.size());
2969         sliceLp.set("begin", paramBegin);
2970         sliceLp.set("end", paramEnd);
2971         sliceLp.set("has_dynamic_shapes", hasDynamicShapes);
2972
2973         if (inpShape.size() > 1)
2974         {
2975             opencv_onnx::NodeProto proto;
2976             proto.add_input(node_proto.input(0));
2977             proto.add_output(sliceLp.name);
2978             addLayer(sliceLp, proto);
2979
2980             inpShape.erase(inpShape.begin() + axis);
2981             layerParams.type = "Reshape";
2982             layerParams.set("axis", 0);
2983             layerParams.set("dim", DictValue::arrayInt(&inpShape[0], inpShape.size()));
2984             if (hasDynamicShapes)
2985             {
2986                 std::vector<int> dynamicAxes;
2987                 std::vector<int> inputIndices;
2988                 for (int index = 0; index < inpShape.size(); ++index)
2989                     dynamicAxes.push_back(index);
2990                 for (int index = 0; index < inpShape.size(); ++index)
2991                     inputIndices.push_back(index);
2992                 layerParams.set("dynamic_axes", DictValue::arrayInt(dynamicAxes.data(), dynamicAxes.size()));
2993                 layerParams.set("input_indices", DictValue::arrayInt(inputIndices.data(), inputIndices.size()));
2994             }
2995             node_proto.set_input(0, sliceLp.name);
2996         }
2997         else
2998         {
2999             layerParams = sliceLp;
3000         }
3001     }
3002     addLayer(layerParams, node_proto);
3003 }
3004
3005 void ONNXImporter::parseConcat(LayerParams& layerParams, const opencv_onnx::NodeProto& node_proto)
3006 {
3007     bool hasVariableInps = false;
3008     for (int i = 0; i < node_proto.input_size(); ++i)
3009     {
3010         if (layer_id.find(node_proto.input(i)) != layer_id.end())
3011         {
3012             hasVariableInps = true;
3013             break;
3014         }
3015     }
3016
3017     if (!hasVariableInps)
3018     {
3019         std::vector<Mat> inputs(node_proto.input_size()), concatenated;
3020         // Due constant folding we can get inputs with different number of dimensions
3021         // Insert the missing dimension to inputs
3022         MatShape inputShape;
3023         for (size_t i = 0; i < inputs.size(); ++i)
3024         {
3025             inputs[i] = getBlob(node_proto, i);
3026             if (inputs[i].size.dims() > inputShape.size())
3027             {
3028                 inputShape = shape(inputs[i]);
3029             }
3030         }
3031
3032         // Concat-1 has default value for axis is 1: https://github.com/onnx/onnx/blob/master/docs/Changelog.md#Concat-1
3033         int axis = layerParams.get<int>("axis", 1);
3034         for (size_t i = 0; i < inputs.size(); ++i)
3035         {
3036             MatShape targetShape = inputShape;
3037             targetShape[axis] = shape(inputs[i])[axis];
3038             CV_CheckEQ(total(targetShape), total(shape(inputs[i])), "");
3039             inputs[i] = inputs[i].reshape(0, targetShape);
3040         }
3041         runLayer(layerParams, inputs, concatenated);
3042
3043         CV_Assert(concatenated.size() == 1);
3044         addConstant(node_proto.output(0), concatenated[0]);
3045         return;
3046     }
3047     else
3048     {
3049         for (int i = 0; i < node_proto.input_size(); ++i)
3050         {
3051             if (constBlobs.find(node_proto.input(i)) != constBlobs.end())
3052             {
3053                 LayerParams constParams;
3054                 constParams.name = node_proto.input(i);
3055                 constParams.type = "Const";
3056                 constParams.blobs.push_back(getBlob(node_proto, i));
3057
3058                 opencv_onnx::NodeProto proto;
3059                 proto.add_output(constParams.name);
3060                 addLayer(constParams, proto);
3061             }
3062         }
3063     }
3064     addLayer(layerParams, node_proto);
3065 }
3066
3067 // https://github.com/onnx/onnx/blob/master/docs/Operators.md#Resize
3068 void ONNXImporter::parseResize(LayerParams& layerParams, const opencv_onnx::NodeProto& node_proto)
3069 {
3070     for (int i = 1; i < node_proto.input_size(); i++)
3071         CV_Assert(layer_id.find(node_proto.input(i)) == layer_id.end());
3072
3073     int depth = layerParams.get<int>("depth", CV_32F);
3074     layerParams.type += (depth == CV_8S) ? "Int8" : "";
3075
3076     if (layerParams.has("coordinate_transformation_mode"))
3077     {
3078         String interp_mode = layerParams.get<String>("coordinate_transformation_mode");
3079         CV_Assert_N(interp_mode != "tf_crop_and_resize", interp_mode != "tf_half_pixel_for_nn");
3080
3081         layerParams.set("align_corners", interp_mode == "align_corners");
3082         if (layerParams.get<String>("mode") == "linear")
3083         {
3084             layerParams.set("mode", interp_mode == "pytorch_half_pixel" || interp_mode == "half_pixel" ?
3085                                     "opencv_linear" : "bilinear");
3086         }
3087     }
3088     if (layerParams.get<String>("mode") == "linear" && framework_name == "pytorch")
3089         layerParams.set("mode", "opencv_linear");
3090
3091     // opset-10: input = [X, scales]
3092     // opset-11: input = [X, roi, scales] or [x, roi, scales, sizes]
3093     // opset-13: may have empty input, [X, "", "", sizes] or [x, "", scales]
3094     int scalesInputId = node_proto.input_size() == 2 ? 1 : 2;
3095     const std::string& scale_name = node_proto.input(scalesInputId);
3096     Mat scales;
3097     if(!scale_name.empty())
3098         scales = getBlob(node_proto, scalesInputId);
3099
3100     if (!scales.empty())
3101     {
3102         CV_CheckEQ(scales.total(), (size_t)4, "HCHW layout is expected");
3103         layerParams.set("zoom_factor_y", scales.at<float>(2));
3104         layerParams.set("zoom_factor_x", scales.at<float>(3));
3105     }
3106     else if (node_proto.input_size() >= 4)  // opset-11 [x, roi, scales, sizes] or opset-13: input = [X, "", "", sizes]
3107     {
3108         const std::string& inputSizes = node_proto.input(3);
3109         if (constBlobs.find(inputSizes) != constBlobs.end())
3110         {
3111             Mat shapes = getBlob(inputSizes);
3112             CV_CheckEQ(shapes.total(), (size_t)4, "HCHW layout is expected");
3113             CV_CheckDepth(shapes.depth(), shapes.depth() == CV_32S || shapes.depth() == CV_32F, "");
3114             if (shapes.depth() == CV_32F)
3115                 shapes.convertTo(shapes, CV_32S);
3116             layerParams.set("width", shapes.at<int>(3));
3117             layerParams.set("height", shapes.at<int>(2));
3118         }
3119         else
3120         {
3121             CV_Error(Error::StsNotImplemented, cv::format("ONNX/Resize: doesn't support dynamic non-constant 'sizes' input: %s", inputSizes.c_str()));
3122         }
3123     }
3124     else
3125     {
3126         CV_Error(Error::StsNotImplemented, "ONNX/Resize: can't find neither 'scale' nor destination sizes parameters");
3127     }
3128     replaceLayerParam(layerParams, "mode", "interpolation");
3129     addLayer(layerParams, node_proto);
3130 }
3131
3132 void ONNXImporter::parseUpsample(LayerParams& layerParams, const opencv_onnx::NodeProto& node_proto)
3133 {
3134     //fused from Resize Subgraph
3135     if (layerParams.has("coordinate_transformation_mode"))
3136     {
3137         String interp_mode = layerParams.get<String>("coordinate_transformation_mode");
3138         CV_Assert_N(interp_mode != "tf_crop_and_resize", interp_mode != "tf_half_pixel_for_nn");
3139
3140         layerParams.set("align_corners", interp_mode == "align_corners");
3141         if (layerParams.get<String>("mode") == "linear")
3142         {
3143             layerParams.set("mode", interp_mode == "pytorch_half_pixel" ?
3144                                     "opencv_linear" : "bilinear");
3145         }
3146     }
3147     if (layerParams.get<String>("mode") == "linear" && framework_name == "pytorch")
3148         layerParams.set("mode", "opencv_linear");
3149
3150     layerParams.type = "Resize";
3151     if (layerParams.has("scales"))
3152     {
3153         // Pytorch layer
3154         DictValue scales = layerParams.get("scales");
3155         CV_Assert(scales.size() == 4);
3156         layerParams.set("zoom_factor_y", scales.getIntValue(2));
3157         layerParams.set("zoom_factor_x", scales.getIntValue(3));
3158     }
3159     else if (layerParams.has("height_scale") && layerParams.has("width_scale"))
3160     {
3161         // Caffe2 layer
3162         replaceLayerParam(layerParams, "height_scale", "zoom_factor_y");
3163         replaceLayerParam(layerParams, "width_scale", "zoom_factor_x");
3164     }
3165     else
3166     {
3167         // scales as input
3168         const std::string& input1 = node_proto.input(1);
3169         if (constBlobs.find(input1) != constBlobs.end())
3170         {
3171             Mat scales = getBlob(input1);
3172             CV_Assert(scales.total() == 4);
3173             layerParams.set("zoom_factor_y", scales.at<float>(2));
3174             layerParams.set("zoom_factor_x", scales.at<float>(3));
3175         }
3176     }
3177     replaceLayerParam(layerParams, "mode", "interpolation");
3178     addLayer(layerParams, node_proto);
3179 }
3180
3181 void ONNXImporter::parseSoftMax(LayerParams& layerParams, const opencv_onnx::NodeProto& node_proto)
3182 {
3183     const std::string& layer_type = node_proto.op_type();
3184     layerParams.type = "Softmax";
3185     layerParams.set("log_softmax", layer_type == "LogSoftmax");
3186     addLayer(layerParams, node_proto);
3187 }
3188
3189 void ONNXImporter::parseDetectionOutput(LayerParams& layerParams, const opencv_onnx::NodeProto& node_proto_)
3190 {
3191     opencv_onnx::NodeProto node_proto = node_proto_;
3192     CV_CheckEQ(node_proto.input_size(), 3, "");
3193     if (constBlobs.find(node_proto.input(2)) != constBlobs.end())
3194     {
3195         Mat priors = getBlob(node_proto, 2);
3196
3197         LayerParams constParams;
3198         constParams.name = layerParams.name + "/priors";
3199         constParams.type = "Const";
3200         constParams.blobs.push_back(priors);
3201
3202         opencv_onnx::NodeProto priorsProto;
3203         priorsProto.add_output(constParams.name);
3204         addLayer(constParams, priorsProto);
3205
3206         node_proto.set_input(2, constParams.name);
3207     }
3208     addLayer(layerParams, node_proto);
3209 }
3210
3211 void ONNXImporter::parseCumSum(LayerParams& layerParams, const opencv_onnx::NodeProto& node_proto)
3212 {
3213     layerParams.type = "CumSum";
3214
3215     // Get axis.
3216     const std::string& input1 = node_proto.input(1);
3217
3218     if (constBlobs.find(input1) != constBlobs.end())
3219     {
3220         Mat axis_blob = getBlob(input1);
3221         CV_Assert(axis_blob.total() == 1u);
3222         layerParams.set("axis", axis_blob.at<int>(0));
3223     }
3224
3225     addLayer(layerParams, node_proto);
3226 }
3227
3228 void ONNXImporter::parseDepthToSpace(LayerParams& layerParams, const opencv_onnx::NodeProto& node_proto_)
3229 {
3230     // We parse "DepthToSpace" and "SpaceToDepth" in this function.
3231     opencv_onnx::NodeProto node_proto = node_proto_;
3232     const std::string& layer_type = node_proto.op_type();
3233     CV_Assert(layer_type == "DepthToSpace" || layer_type == "SpaceToDepth");
3234
3235     // Get blocksize
3236     CV_Assert(layerParams.has("blocksize"));
3237     int blocksize = layerParams.get<int>("blocksize");
3238     CV_Assert(blocksize > 0);
3239
3240     // Get mode, only for "DepthToSpace"
3241     std::string modeType = layerParams.get<std::string>("mode", "DCR");
3242
3243     MatShape inpShape = outShapes[node_proto.input(0)];
3244     CV_Assert(inpShape.size() == 4);
3245     int N = inpShape[0], C = inpShape[1], H = inpShape[2], W = inpShape[3];
3246
3247     // Implement DepthToSpace and SpaceToDepth by the Reshape and Permute layer.
3248     std::array<int, 6> shape0, perm;
3249     std::array<int, 4> shape1;
3250
3251     if (layer_type == "DepthToSpace")
3252     {
3253         if (modeType == "DCR")
3254         {
3255             shape0 = {N, blocksize, blocksize, C/(blocksize * blocksize), H, W};
3256             perm = {0, 3, 4, 1, 5, 2};
3257             shape1 = {N, C/(blocksize * blocksize), H * blocksize, W * blocksize};
3258         }
3259         else if (modeType == "CRD")
3260         {
3261             shape0 = {N, C/(blocksize * blocksize), blocksize, blocksize, H, W};
3262             perm = {0, 1, 4, 2, 5, 3};
3263             shape1 = {N, C/(blocksize * blocksize), H * blocksize, W * blocksize};
3264         }
3265         else
3266             CV_Error(Error::StsNotImplemented, "The mode of " + modeType + " in " + layer_type + " Layer is not supported");
3267     }
3268     else // SpaceToDepth
3269     {
3270         shape0 = {N, C, H/blocksize, blocksize, W/blocksize, blocksize};
3271         perm = {0, 3, 5, 1, 2, 4};
3272         shape1 = {N, C * blocksize * blocksize, H/blocksize, W/blocksize};
3273     }
3274
3275     // Step1: Reshape
3276     LayerParams reshapeLp;
3277     reshapeLp.name = layerParams.name + "/reshape";
3278     reshapeLp.type = "Reshape";
3279     CV_Assert(layer_id.find(reshapeLp.name) == layer_id.end());
3280     reshapeLp.set("dim", DictValue::arrayInt(shape0.data(), shape0.size()));
3281
3282     opencv_onnx::NodeProto protoReshape;
3283     protoReshape.add_input(node_proto.input(0));
3284     protoReshape.add_output(reshapeLp.name);
3285     addLayer(reshapeLp, protoReshape);
3286
3287     // Step2: Transpose
3288     LayerParams permuteLp;
3289     permuteLp.name = layerParams.name + "/permute";
3290     permuteLp.type = "Permute";
3291     CV_Assert(layer_id.find(permuteLp.name) == layer_id.end());
3292     permuteLp.set("order", DictValue::arrayInt(perm.data(), perm.size()));
3293
3294     opencv_onnx::NodeProto protoPermute;
3295     protoPermute.add_input(reshapeLp.name);
3296     protoPermute.add_output(permuteLp.name);
3297     addLayer(permuteLp, protoPermute);
3298
3299     // Step3: Reshape
3300     layerParams.type = "Reshape";
3301     layerParams.set("dim", DictValue::arrayInt(shape1.data(), shape1.size()));
3302
3303     node_proto.set_input(0, permuteLp.name);
3304     addLayer(layerParams, node_proto);
3305 }
3306
3307 void ONNXImporter::parseSimpleLayers(LayerParams& layerParams, const opencv_onnx::NodeProto& node_proto)
3308 {
3309     for (int j = 0; j < node_proto.input_size(); j++) {
3310         if (layer_id.find(node_proto.input(j)) == layer_id.end())
3311             layerParams.blobs.push_back(getBlob(node_proto, j));
3312     }
3313     addLayer(layerParams, node_proto);
3314 }
3315
3316 void ONNXImporter::parseCustomLayer(LayerParams& layerParams, const opencv_onnx::NodeProto& node_proto)
3317 {
3318     const std::string& name = layerParams.name;
3319     std::string& layer_type = layerParams.type;
3320     const std::string& layer_type_domain = node_proto.has_domain() ? node_proto.domain() : std::string();
3321     if (!layer_type_domain.empty() && layer_type_domain != str_domain_ai_onnx)
3322     {
3323         // append ONNX domain name
3324         static bool DNN_CUSTOM_ONNX_TYPE_INCLUDE_DOMAIN_NAME = utils::getConfigurationParameterBool("OPENCV_DNN_CUSTOM_ONNX_TYPE_INCLUDE_DOMAIN_NAME", true);
3325         if (DNN_CUSTOM_ONNX_TYPE_INCLUDE_DOMAIN_NAME)
3326         {
3327             layer_type = layer_type_domain + "." + layer_type;
3328         }
3329     }
3330
3331     CV_LOG_IF_INFO(NULL, !LayerFactory::isLayerRegistered(layer_type), "DNN/ONNX: unknown node type, try using custom handler for node with " << node_proto.input_size() << " inputs and " << node_proto.output_size() << " outputs: "
3332             << cv::format("[%s]:(%s)", layer_type.c_str(), name.c_str())
3333     );
3334
3335     parseSimpleLayers(layerParams, node_proto);
3336 }
3337
3338 void ONNXImporter::parseQuantDequant(LayerParams& layerParams, const opencv_onnx::NodeProto& node_proto)
3339 {
3340     CV_Assert(node_proto.input_size() == 3);
3341     layerParams.type = (node_proto.op_type() == "QuantizeLinear") ? "Quantize" : "Dequantize";
3342
3343     if (node_proto.op_type() == "DequantizeLinear")
3344     {
3345         Mat scale = getBlob(node_proto, 1);
3346         Mat zeropoint = getBlob(node_proto, 2);
3347
3348         layerParams.set("scales", DictValue::arrayReal(scale.ptr<float>(), 1));
3349         layerParams.set("zeropoints", DictValue::arrayInt(zeropoint.ptr<int8_t>(), 1));
3350     }
3351     addLayer(layerParams, node_proto);
3352 }
3353
3354 void ONNXImporter::parseQConv(LayerParams& layerParams, const opencv_onnx::NodeProto& node_proto_)
3355 {
3356     opencv_onnx::NodeProto node_proto = node_proto_;
3357     int ninputs = node_proto.input_size();
3358     CV_Assert(ninputs == 8 || ninputs == 9);
3359
3360     Mat inp_sc = getBlob(node_proto, 1);
3361     Mat inp_zp = getBlob(node_proto, 2);
3362
3363     if (layerParams.has("pad"))
3364     {
3365         bool asymmetricPadding = false;
3366         DictValue pads = layerParams.get("pad");
3367         const int dims = pads.size() / 2;
3368
3369         for (int i = 0; i < dims; ++i)
3370         {
3371             if (pads.get<int>(i) != pads.get<int>(i + dims))
3372             {
3373                 asymmetricPadding = true;
3374                 break;
3375             }
3376         }
3377         if (asymmetricPadding && pads.size() == 4)
3378         {
3379             layerParams.erase("pad");
3380             std::vector<int> paddings(4, 0);
3381             for (int i = 0; i < dims; ++i)
3382             {
3383                 paddings.push_back(pads.get<int>(i));
3384                 paddings.push_back(pads.get<int>(dims + i));
3385             }
3386             LayerParams padLp;
3387             padLp.name = layerParams.name + "/pad";
3388             padLp.type = "PaddingInt8";
3389             padLp.set("paddings", DictValue::arrayInt(&paddings[0], paddings.size()));
3390             padLp.set("depth", CV_8S);
3391             padLp.set("value", inp_zp.at<int8_t>(0));
3392
3393             opencv_onnx::NodeProto proto;
3394             proto.add_input(node_proto.input(0));
3395             proto.add_output(padLp.name);
3396
3397             addLayer(padLp, proto);
3398             node_proto.set_input(0, padLp.name);
3399         }
3400     }
3401
3402     Mat weights = getBlob(node_proto, 3);
3403     int outCn = weights.size[0];
3404     Mat w_scale = getBlob(node_proto, 4);
3405     CV_Assert(w_scale.total() == 1 || w_scale.total() == outCn);
3406     bool per_channel = w_scale.total() == outCn ? true : false;
3407     Mat wt_sc = (w_scale.total() == outCn) ? w_scale : Mat(1, outCn, CV_32F, Scalar(w_scale.at<float>(0)));
3408
3409     Mat out_sc = getBlob(node_proto, 6);
3410     Mat bias = (ninputs == 9) ? getBlob(node_proto, 8) : Mat::zeros(1, outCn, CV_32S);
3411
3412     Mat weights_2d = weights.reshape(1, outCn);
3413     Mat biasFused(1, outCn, CV_32S);
3414     Mat outputMultiplier(1, outCn, CV_32F);
3415     for (int i = 0; i < outCn; i++)
3416     {
3417         biasFused.at<int>(i) = bias.at<int>(i) - inp_zp.at<int8_t>(0)*(cv::sum(weights_2d.row(i))[0]);
3418         outputMultiplier.at<float>(i) = (inp_sc.at<float>(0) * wt_sc.at<float>(i)) / out_sc.at<float>(0);
3419     }
3420
3421     layerParams.type = "ConvolutionInt8";
3422     layerParams.set("num_output", outCn);
3423     layerParams.set("input_zeropoint", inp_zp.at<int8_t>(0));
3424     layerParams.set("input_scale",inp_sc.at<float>(0));
3425     layerParams.set("per_channel", per_channel);
3426     layerParams.blobs.push_back(weights);
3427     layerParams.blobs.push_back(biasFused);
3428     layerParams.blobs.push_back(outputMultiplier);
3429     addLayer(layerParams, node_proto);
3430 }
3431
3432 void ONNXImporter::parseQMatMul(LayerParams& layerParams, const opencv_onnx::NodeProto& node_proto)
3433 {
3434     int ninputs = node_proto.input_size();
3435     CV_Assert(ninputs == 8);
3436
3437     if (constBlobs.find(node_proto.input(3)) == constBlobs.end())
3438         CV_Error(Error::StsNotImplemented, "Variable weights is not supported");
3439
3440     int firstInpDims = outShapes[node_proto.input(0)].size();
3441
3442     Mat inp_sc = getBlob(node_proto, 1);
3443     Mat inp_zp = getBlob(node_proto, 2);
3444
3445     Mat weights = getBlob(node_proto, 3).t();
3446     int outCn = weights.size[0];
3447     int secondInpDims = weights.dims;
3448
3449     Mat w_scale = getBlob(node_proto, 4);
3450     CV_Assert(w_scale.total() == 1 || w_scale.total() == outCn);
3451     bool per_channel = w_scale.total() == outCn ? true : false;
3452     Mat wt_sc = (w_scale.total() == outCn) ? w_scale : Mat(1, outCn, CV_32F, Scalar(w_scale.at<float>(0)));
3453     Mat out_sc = getBlob(node_proto, 6);
3454
3455     Mat bias(1, outCn, CV_32S);
3456     Mat outputMultiplier(1, outCn, CV_32F);
3457     for (int i = 0; i < outCn; i++)
3458     {
3459         bias.at<int>(i) = -inp_zp.at<int8_t>(0)*(cv::sum(weights.row(i))[0]);
3460         outputMultiplier.at<float>(i) = (inp_sc.at<float>(0) * wt_sc.at<float>(i)) / out_sc.at<float>(0);
3461     }
3462
3463     layerParams.type = "InnerProductInt8";
3464     layerParams.set("num_output", outCn);
3465     layerParams.set("axis", firstInpDims - secondInpDims + 1);
3466     layerParams.set("input_scale", inp_sc.at<float>(0));
3467     layerParams.set("input_zeropoint", inp_zp.at<int8_t>(0));
3468     layerParams.set("per_channel", per_channel);
3469
3470     layerParams.blobs.push_back(weights);
3471     layerParams.blobs.push_back(bias);
3472     layerParams.blobs.push_back(outputMultiplier);
3473     addLayer(layerParams, node_proto);
3474 }
3475
3476 void ONNXImporter::parseQEltwise(LayerParams& layerParams, const opencv_onnx::NodeProto& node_proto_)
3477 {
3478     opencv_onnx::NodeProto node_proto = node_proto_;
3479     CV_Assert(node_proto.input_size() == 8);
3480     std::string op = (node_proto.op_type() == "QLinearAdd") ? "sum" : "prod";
3481     int constId = -1;
3482     for (int i = 0; i < 4; i += 3)
3483     {
3484         if (constBlobs.find(node_proto.input(i)) != constBlobs.end())
3485             constId = i;
3486     }
3487
3488     Mat inp_0_sc = getBlob(node_proto, 1);
3489     Mat inp_0_zp = getBlob(node_proto, 2);
3490
3491     Mat inp_1_sc = getBlob(node_proto, 4);
3492     Mat inp_1_zp = getBlob(node_proto, 5);
3493
3494     // Set 2nd input as the const input
3495     if (constId == 0)
3496     {
3497         cv::swap(inp_0_sc, inp_1_sc);
3498         cv::swap(inp_0_zp, inp_1_zp);
3499     }
3500
3501     float out_sc = getBlob(node_proto, 6).at<float>(0);
3502     int8_t out_zp = getBlob(node_proto, 7).at<int8_t>(0);
3503
3504     std::vector<float> inp_scales = {inp_0_sc.at<float>(0), inp_1_sc.at<float>(0)};
3505     std::vector<int8_t> inp_zps = {inp_0_zp.at<int8_t>(0), inp_1_zp.at<int8_t>(0)};
3506
3507     std::vector<float> coeffs;
3508     float offset;
3509     if (op == "sum")
3510     {
3511         coeffs = {inp_scales[0]/out_sc, inp_scales[1]/out_sc};
3512         offset = out_zp - coeffs[0]*inp_zps[0] - coeffs[1]*inp_zps[1];
3513     }
3514     else
3515     {
3516         coeffs = {inp_scales[0]/out_sc, inp_scales[1]};
3517         offset = out_zp;
3518     }
3519
3520     if (constId != -1)
3521     {
3522         Mat blob = getBlob(node_proto, constId);
3523         if (blob.total() == 1)
3524         {
3525             float val = inp_scales[1] * (blob.at<int8_t>(0) - inp_zps[1]);
3526             float scale = inp_scales[0] / out_sc;
3527             if (op == "prod")
3528                 scale *= val;
3529
3530             float shift = out_zp - scale*inp_zps[0];
3531             if (op == "sum")
3532                 shift += (val/out_sc);
3533
3534             LayerParams rescaleParams;
3535             rescaleParams.name = layerParams.name;
3536             rescaleParams.type = "Requantize";
3537             rescaleParams.set("depth", CV_8S);
3538             rescaleParams.set("scale", scale);
3539             rescaleParams.set("shift", shift);
3540             rescaleParams.set("isEltwise", true);
3541             addLayer(rescaleParams, node_proto);
3542             return;
3543         }
3544         else
3545         {
3546             MatShape inpShape = outShapes[node_proto.input(3 - constId)];
3547             if (blob.dims == 2)
3548                 blob = blob.t();
3549
3550             if (shape(blob) == inpShape)
3551             {
3552                 LayerParams constParams;
3553                 constParams.name = layerParams.name + "/const";
3554                 constParams.type = "ConstInt8";
3555                 constParams.set("depth", CV_8S);
3556                 constParams.set("scales", DictValue::arrayReal(inp_1_sc.ptr<float>(), 1));
3557                 constParams.set("zeropoints", DictValue::arrayInt(inp_1_zp.ptr<int8_t>(), 1));
3558                 constParams.blobs.push_back(blob);
3559
3560                 int id = dstNet.addLayer(constParams.name, constParams.type, CV_8S, constParams);
3561                 layer_id.insert(std::make_pair(constParams.name, LayerInfo(id, 0)));
3562                 outShapes[constParams.name] = shape(blob);
3563                 node_proto.set_input(constId, constParams.name);
3564
3565                 layerParams.type = "EltwiseInt8";
3566                 layerParams.set("operation", op);
3567                 layerParams.set("coeff", DictValue::arrayReal(coeffs.data(), coeffs.size()));
3568                 layerParams.set("offset", offset);
3569             }
3570             else
3571             {
3572                 layerParams.type = "ScaleInt8";
3573                 layerParams.set("bias_term", op == "sum");
3574                 int axis = 1;
3575                 for (int i = 0; i < graph_proto.initializer_size(); i++)
3576                 {
3577                     opencv_onnx::TensorProto tensor_proto = graph_proto.initializer(i);
3578                     if (tensor_proto.name() == node_proto.input(constId))
3579                     {
3580                         axis = inpShape.size() - tensor_proto.dims_size();
3581                         break;
3582                     }
3583                 }
3584                 layerParams.set("axis", axis);
3585                 blob = blob.reshape(1, 1);
3586                 Mat blob_dequantized;
3587                 blob.convertTo(blob_dequantized, CV_32F, inp_scales[1], -(inp_scales[1] * inp_zps[1]));
3588                 layerParams.blobs.push_back(blob_dequantized);
3589             }
3590         }
3591     }
3592     else if (outShapes[node_proto.input(0)] == outShapes[node_proto.input(3)])
3593     {
3594         layerParams.type = "EltwiseInt8";
3595         layerParams.set("operation", op);
3596         layerParams.set("coeff", DictValue::arrayReal(coeffs.data(), coeffs.size()));
3597         layerParams.set("offset", offset);
3598     }
3599     else
3600     {
3601         layerParams.type = "ScaleInt8";
3602         layerParams.set("bias_term", op == "sum");
3603     }
3604
3605     layerParams.set("input_scales", DictValue::arrayReal(inp_scales.data(), inp_scales.size()));
3606     layerParams.set("input_zeropoints", DictValue::arrayInt(inp_zps.data(), inp_zps.size()));
3607     addLayer(layerParams, node_proto);
3608 }
3609
3610 void ONNXImporter::parseQLeakyRelu(LayerParams& layerParams, const opencv_onnx::NodeProto& node_proto)
3611 {
3612     CV_Assert(node_proto.input_size() == 5);
3613
3614     float slope = layerParams.get<float>("alpha");
3615     float inp_sc = getBlob(node_proto, 1).at<float>(0);
3616     int8_t inp_zp = getBlob(node_proto, 2).at<int8_t>(0);
3617     float out_sc = getBlob(node_proto, 3).at<float>(0);
3618     int8_t out_zp = getBlob(node_proto, 4).at<int8_t>(0);
3619
3620     Mat lookUpTable(1, 256, CV_8S);
3621     int8_t* table = lookUpTable.ptr<int8_t>();
3622     for (int i = -128; i < 128; i++)
3623     {
3624         float x = inp_sc*(i - inp_zp);
3625         float y = x >= 0.f ? x : slope*x;
3626         int quantized = out_zp + cvRound(y/out_sc);
3627         table[i+128] = saturate_cast<int8_t>(quantized);
3628     }
3629
3630     layerParams.type = "ReLUInt8";
3631     layerParams.set("input_scale", inp_sc);
3632     layerParams.set("input_zeropoint", inp_zp);
3633     layerParams.set("slope", slope);
3634     layerParams.blobs.push_back(lookUpTable);
3635     addLayer(layerParams, node_proto);
3636 }
3637
3638 void ONNXImporter::parseQSigmoid(LayerParams& layerParams, const opencv_onnx::NodeProto& node_proto)
3639 {
3640     CV_Assert(node_proto.input_size() == 5);
3641
3642     float inp_sc = getBlob(node_proto, 1).at<float>(0);
3643     int8_t inp_zp = getBlob(node_proto, 2).at<int8_t>(0);
3644     float out_sc = getBlob(node_proto, 3).at<float>(0);
3645     int8_t out_zp = getBlob(node_proto, 4).at<int8_t>(0);
3646
3647     Mat lookUpTable(1, 256, CV_8S);
3648     int8_t* table = lookUpTable.ptr<int8_t>();
3649     for (int i = -128; i < 128; i++)
3650     {
3651         float x = inp_sc*(i - inp_zp);
3652         float y = 1.f/(1.f + std::exp(-x));
3653         int quantized = out_zp + cvRound(y/out_sc);
3654         table[i+128] = saturate_cast<int8_t>(quantized);
3655     }
3656
3657     layerParams.type = "SigmoidInt8";
3658     layerParams.set("input_scale", inp_sc);
3659     layerParams.set("input_zeropoint", inp_zp);
3660     layerParams.blobs.push_back(lookUpTable);
3661     addLayer(layerParams, node_proto);
3662 }
3663
3664 void ONNXImporter::parseQAvgPool(LayerParams& layerParams, const opencv_onnx::NodeProto& node_proto)
3665 {
3666     CV_Assert(node_proto.input_size() == 5);
3667     float inp_sc = getBlob(node_proto, 1).at<float>(0);
3668     int8_t inp_zp = getBlob(node_proto, 2).at<int8_t>(0);
3669     float out_sc = getBlob(node_proto, 3).at<float>(0);
3670
3671     layerParams.type = "PoolingInt8";
3672     layerParams.set("pool", "ave");
3673     layerParams.set("global_pooling", node_proto.op_type() == "QLinearGlobalAveragePool");
3674     layerParams.set("multiplier", inp_sc/out_sc);
3675     layerParams.set("input_zeropoint", inp_zp);
3676     addLayer(layerParams, node_proto);
3677 }
3678
3679 void ONNXImporter::parseQConcat(LayerParams& layerParams, const opencv_onnx::NodeProto& node_proto_)
3680 {
3681     opencv_onnx::NodeProto node_proto = node_proto_;
3682     layerParams.type = "ConcatInt8";
3683     int num_inputs = node_proto.input_size();
3684
3685     float out_scale = getBlob(node_proto, 0).at<float>(0);
3686     int out_zp = getBlob(node_proto, 1).at<int8_t>(0);
3687
3688     for (int i = 2; i < num_inputs; i += 3)
3689     {
3690         float inp_scale = getBlob(node_proto, i + 1).at<float>(0);
3691         int inp_zp = getBlob(node_proto, i + 2).at<int8_t>(0);
3692
3693         if (inp_scale != out_scale || inp_zp != out_zp)
3694         {
3695             float scale = inp_scale/out_scale;
3696             float shift = out_zp - scale*inp_zp;
3697
3698             if (constBlobs.find(node_proto.input(i)) != constBlobs.end())
3699             {
3700                 Mat blob = getBlob(node_proto, i);
3701                 Mat blob_rescaled;
3702                 blob.convertTo(blob_rescaled, CV_8S, scale, shift);
3703                 constBlobs[node_proto.input(i)] = blob_rescaled;
3704             }
3705             else
3706             {
3707                 LayerParams rescaleParams;
3708                 rescaleParams.name = node_proto.input(i) + "/rescale";
3709                 rescaleParams.type = "Requantize";
3710                 rescaleParams.set("depth", CV_8S);
3711                 rescaleParams.set("scale", scale);
3712                 rescaleParams.set("shift", shift);
3713                 rescaleParams.set("isEltwise", false);
3714
3715                 opencv_onnx::NodeProto proto;
3716                 proto.add_input(node_proto.input(i));
3717                 proto.add_output(rescaleParams.name);
3718                 addLayer(rescaleParams, proto);
3719                 node_proto.set_input(i, rescaleParams.name);
3720             }
3721         }
3722     }
3723
3724     bool hasVariableInps = false;
3725     for (int i = 2; i < num_inputs; i += 3)
3726     {
3727         if (layer_id.find(node_proto.input(i)) != layer_id.end())
3728         {
3729             hasVariableInps = true;
3730             break;
3731         }
3732     }
3733
3734     if (!hasVariableInps)
3735     {
3736         std::vector<Mat> inputs, concatenated;
3737         MatShape inputShape;
3738         for (size_t i = 2; i < num_inputs; i += 3)
3739         {
3740             Mat blob = getBlob(node_proto, i);
3741             if (blob.size.dims() > inputShape.size())
3742             {
3743                 inputShape = shape(blob);
3744             }
3745             inputs.push_back(blob);
3746         }
3747
3748         int axis = layerParams.get<int>("axis", 1);
3749         for (size_t i = 0; i < inputs.size(); ++i)
3750         {
3751             MatShape targetShape = inputShape;
3752             targetShape[axis] = shape(inputs[i])[axis];
3753             CV_CheckEQ(total(targetShape), total(shape(inputs[i])), "");
3754             inputs[i] = inputs[i].reshape(0, targetShape);
3755         }
3756         runLayer(layerParams, inputs, concatenated);
3757         CV_Assert(concatenated.size() == 1);
3758         addConstant(layerParams.name, concatenated[0]);
3759         return;
3760     }
3761     else
3762     {
3763         for (int i = 2; i < num_inputs; i += 3)
3764         {
3765             if (constBlobs.find(node_proto.input(i)) != constBlobs.end())
3766             {
3767                 LayerParams constParams;
3768                 constParams.name = node_proto.input(i);
3769                 constParams.type = "ConstInt8";
3770                 constParams.blobs.push_back(getBlob(node_proto, i));
3771                 constParams.set("depth", CV_8S);
3772
3773                 opencv_onnx::NodeProto proto;
3774                 proto.add_output(constParams.name);
3775                 addLayer(constParams, proto);
3776             }
3777         }
3778     }
3779     addLayer(layerParams, node_proto);
3780 }
3781
3782 // Domain: ai.onnx (default)
3783 // URL: https://github.com/onnx/onnx/blob/master/docs/Operators.md
3784 void ONNXImporter::buildDispatchMap_ONNX_AI(int opset_version)
3785 {
3786     CV_UNUSED(opset_version);
3787     DispatchMap dispatch;
3788
3789     dispatch["ArgMax"] = dispatch["ArgMin"] = &ONNXImporter::parseArg;
3790     dispatch["MaxUnpool"] = &ONNXImporter::parseMaxUnpool;
3791     dispatch["MaxPool"] = &ONNXImporter::parseMaxPool;
3792     dispatch["AveragePool"] = &ONNXImporter::parseAveragePool;
3793     dispatch["GlobalAveragePool"] = dispatch["GlobalMaxPool"] = &ONNXImporter::parseGlobalPool;
3794     dispatch["ReduceMax"] = dispatch["ReduceMin"] = dispatch["ReduceMean"] = dispatch["ReduceSum"] = dispatch["ReduceMax"] =
3795             dispatch["ReduceMin"] = dispatch["ReduceSumSquare"] = dispatch["ReduceProd"] = dispatch["ReduceL1"] =
3796             dispatch["ReduceL2"] = dispatch["ReduceLogSum"] = dispatch["ReduceLogSumExp"] = &ONNXImporter::parseReduce;
3797     dispatch["Slice"] = &ONNXImporter::parseSlice;
3798     dispatch["Split"] = &ONNXImporter::parseSplit;
3799     dispatch["Add"] = dispatch["Sum"] = dispatch["Sub"] = &ONNXImporter::parseBias;
3800     dispatch["Pow"] = &ONNXImporter::parsePow;
3801     dispatch["Min"] = dispatch["Max"] = &ONNXImporter::parseMinMax;
3802     dispatch["Neg"] = &ONNXImporter::parseNeg;
3803     dispatch["Constant"] = &ONNXImporter::parseConstant;
3804     dispatch["LSTM"] = &ONNXImporter::parseLSTM;
3805     dispatch["GRU"] = &ONNXImporter::parseGRU;
3806     dispatch["ImageScaler"] = &ONNXImporter::parseImageScaler;
3807     dispatch["Clip"] = &ONNXImporter::parseClip;
3808     dispatch["LeakyRelu"] = &ONNXImporter::parseLeakyRelu;
3809     dispatch["Relu"] = &ONNXImporter::parseRelu;
3810     dispatch["Elu"] = &ONNXImporter::parseElu;
3811     dispatch["Tanh"] = &ONNXImporter::parseTanh;
3812     dispatch["Abs"] = &ONNXImporter::parseAbs;
3813     dispatch["Equal"] = dispatch["Greater"] = dispatch["Less"] = &ONNXImporter::parseCompare;
3814     dispatch["PRelu"] = &ONNXImporter::parsePRelu;
3815     dispatch["LRN"] = &ONNXImporter::parseLRN;
3816     dispatch["InstanceNormalization"] = &ONNXImporter::parseInstanceNormalization;
3817     dispatch["BatchNormalization"] = &ONNXImporter::parseBatchNormalization;
3818     dispatch["Gemm"] = &ONNXImporter::parseGemm;
3819     dispatch["MatMul"] = &ONNXImporter::parseMatMul;
3820     dispatch["Mul"] = dispatch["Div"] = &ONNXImporter::parseMul;
3821     dispatch["Conv"] = &ONNXImporter::parseConv;
3822     dispatch["ConvTranspose"] = &ONNXImporter::parseConvTranspose;
3823     dispatch["Transpose"] = &ONNXImporter::parseTranspose;
3824     dispatch["Squeeze"] = &ONNXImporter::parseSqueeze;
3825     dispatch["Flatten"] = &ONNXImporter::parseFlatten;
3826     dispatch["Unsqueeze"] = &ONNXImporter::parseUnsqueeze;
3827     dispatch["Expand"] = &ONNXImporter::parseExpand;
3828     dispatch["Reshape"] = &ONNXImporter::parseReshape;
3829     dispatch["Pad"] = &ONNXImporter::parsePad;
3830     dispatch["Shape"] = &ONNXImporter::parseShape;
3831     dispatch["Cast"] = &ONNXImporter::parseCast;
3832     dispatch["ConstantFill"] = dispatch["ConstantOfShape"] = &ONNXImporter::parseConstantFill;
3833     dispatch["Gather"] = &ONNXImporter::parseGather;
3834     dispatch["Concat"] = &ONNXImporter::parseConcat;
3835     dispatch["Resize"] = &ONNXImporter::parseResize;
3836     dispatch["Upsample"] = &ONNXImporter::parseUpsample;
3837     dispatch["SoftMax"] = dispatch["LogSoftmax"] = &ONNXImporter::parseSoftMax;
3838     dispatch["DetectionOutput"] = &ONNXImporter::parseDetectionOutput;
3839     dispatch["CumSum"] = &ONNXImporter::parseCumSum;
3840     dispatch["SpaceToDepth"] = dispatch["DepthToSpace"] = &ONNXImporter::parseDepthToSpace;
3841
3842     std::vector<std::string> simpleLayers{"Acos", "Acosh", "Asin", "Asinh", "Atan", "Atanh", "Ceil", "Celu", "Cos",
3843                                           "Cosh", "Dropout", "Erf", "Exp", "Floor", "HardSigmoid", "HardSwish",
3844                                           "Identity", "Log", "Round", "Reciprocal", "Selu", "Sign", "Sigmoid", "Sin", "Sinh", "Softmax",
3845                                           "Softplus", "Softsign", "Shrink", "Sqrt", "Tan", "ThresholdedRelu"};
3846     for (const auto& name : simpleLayers)
3847     {
3848         dispatch[name] = &ONNXImporter::parseSimpleLayers;
3849     }
3850
3851     // ai.onnx: opset 10+
3852     dispatch["QuantizeLinear"] = dispatch["DequantizeLinear"] = &ONNXImporter::parseQuantDequant;
3853     dispatch["QLinearConv"] = &ONNXImporter::parseQConv;
3854     dispatch["QLinearMatMul"] = &ONNXImporter::parseQMatMul;
3855
3856     domain_dispatch_map[str_domain_ai_onnx] = dispatch;
3857 }
3858
3859 // Domain: com.microsoft
3860 // URL: https://github.com/microsoft/onnxruntime/blob/master/docs/ContribOperators.md
3861 void ONNXImporter::buildDispatchMap_COM_MICROSOFT(int opset_version)
3862 {
3863     CV_UNUSED(opset_version);
3864     DispatchMap dispatch;
3865
3866     dispatch["QLinearAdd"] = dispatch["QLinearMul"] = &ONNXImporter::parseQEltwise;
3867     dispatch["QLinearAveragePool"] = dispatch["QLinearGlobalAveragePool"] = &ONNXImporter::parseQAvgPool;
3868     dispatch["QLinearLeakyRelu"] = &ONNXImporter::parseQLeakyRelu;
3869     dispatch["QLinearSigmoid"] = &ONNXImporter::parseQSigmoid;
3870     dispatch["QLinearConcat"] = &ONNXImporter::parseQConcat;
3871
3872     domain_dispatch_map["com.microsoft"] = dispatch;
3873 }
3874
3875
3876 Net readNetFromONNX(const String& onnxFile)
3877 {
3878     return detail::readNetDiagnostic<ONNXImporter>(onnxFile.c_str());
3879 }
3880
3881 Net readNetFromONNX(const char* buffer, size_t sizeBuffer)
3882 {
3883     return detail::readNetDiagnostic<ONNXImporter>(buffer, sizeBuffer);
3884 }
3885
3886 Net readNetFromONNX(const std::vector<uchar>& buffer)
3887 {
3888     return readNetFromONNX(reinterpret_cast<const char*>(buffer.data()), buffer.size());
3889 }
3890
3891 Mat readTensorFromONNX(const String& path)
3892 {
3893     std::fstream input(path.c_str(), std::ios::in | std::ios::binary);
3894     if (!input)
3895     {
3896         CV_Error(Error::StsBadArg, cv::format("Can't read ONNX file: %s", path.c_str()));
3897     }
3898
3899     opencv_onnx::TensorProto tensor_proto = opencv_onnx::TensorProto();
3900     if (!tensor_proto.ParseFromIstream(&input))
3901     {
3902         CV_Error(Error::StsUnsupportedFormat, cv::format("Failed to parse ONNX data: %s", path.c_str()));
3903     }
3904     Mat mat = getMatFromTensor(tensor_proto);
3905     releaseONNXTensor(tensor_proto);
3906     return mat;
3907 }
3908
3909 CV__DNN_INLINE_NS_END
3910 }} // namespace
3911
3912 #endif