前言

前面的博客都是使用dlib官方提供的訓練好的模型，進行目標識別。
- python dlib學習（一）：人臉檢測
- python dlib學習（二）：人臉特征點標定
- python dlib學習（三）：調用cnn人臉檢測
- python dlib學習（四）：單目標跟蹤
- python dlib學習（五）：比對人臉
直接進入主題吧，這次我們要自己訓練一個模型。使用dlib訓練一個基于HOG的物體識別器。

準備數據集

首當其沖地就是數據集，這里提供一個很方便的工具imglab。
dlib官方源碼中提供了這個工具，想要的可以去下載。
1. 在從github上下載的源碼中，文件路徑為：dlib/tools/imglab。
2. 這里我再提供一個下載鏈接，提取出了這個工具包供下載。http://download.csdn.net/download/hongbin_xu/10103900
（推薦到官網自行下載）
默認已經下載好了這個文件。
進入目錄，輸入以下指令：

mkdir build cd build cmake .. cmake --build . --config Release

編譯好了再：

sudo make install

安裝完成之后可以直接在console里使用imglab指令調用。

接下來使用imglab給數據集打標簽。
我自己在網上收集了一些貓的照片，用于訓練。打標簽在貓的臉上，所以這里相當于對貓臉進行識別（笑）。數據集需要自己事先收集好，這里我用的數據集會在文章的最后附上，需要的請自行下載。

使用imglab先創建我們要用來記錄標簽的xml文件。
進入到當前目錄下：

imglab -c mydata.xml ./

mydata.xml：這個是xml文件的名字，隨便取一個就是了
./：這個是你的數據集的目錄，我是直接在數據集文件夾中創建的，所以直接指定當前文件夾

之后文件夾中會生成兩個文件：一個xml文件，一個xsl文件。如下圖所示：

接下來，打開這個xml文件：

imglab mydata.xml

隨后會啟動工具軟件。

接下來一張一張圖片打標簽吧。
操作很簡單，按下shift鍵后，鼠標左鍵拖動就會畫出框；先松開左鍵，就會記錄這個框，若先松開shift鍵，則不記錄操作。

最后，打開你的xml文件，里面已經標注好了標簽的信息：

程序和結果

訓練模型

# -*- coding: utf-8 -*- import os import sys import glob import dlib import cv2# options用于設置訓練的參數和模式 options = dlib.simple_object_detector_training_options() # Since faces are left/right symmetric we can tell the trainer to train a # symmetric detector. This helps it get the most value out of the training # data. options.add_left_right_image_flips = True # 支持向量機的C參數，通常默認取為5.自己適當更改參數以達到最好的效果 options.C = 5 # 線程數，你電腦有4核的話就填4 options.num_threads = 4 options.be_verbose = True# 獲取路徑 current_path = os.getcwd() train_folder = current_path + '/cats_train/' test_folder = current_path + '/cats_test/' train_xml_path = train_folder + 'cat.xml' test_xml_path = test_folder + 'cats.xml'print("training file path:" + train_xml_path) # print(train_xml_path) print("testing file path:" + test_xml_path) # print(test_xml_path)# 開始訓練 print("start training:") dlib.train_simple_object_detector(train_xml_path, 'detector.svm', options)print("") # Print blank line to create gap from previous output print("Training accuracy: {}".format(dlib.test_simple_object_detector(train_xml_path, "detector.svm")))print("Testing accuracy: {}".format(dlib.test_simple_object_detector(test_xml_path, "detector.svm")))

運行程序：
開始訓練

接下來等待一小會兒，我用的數據集并不大，在我的筆記本上跑了沒多久就好了。

可以看到準確率差不多7成。模型保存到了detector.svm中。

測試模型

# -*- coding: utf-8 -*-import os import sys import dlib import cv2 import globdetector = dlib.simple_object_detector("detector.svm")current_path = os.getcwd() test_folder = current_path + '/cats_test/'for f in glob.glob(test_folder+'*.jpg'):print("Processing file: {}".format(f))img = cv2.imread(f, cv2.IMREAD_COLOR)b, g, r = cv2.split(img)img2 = cv2.merge([r, g, b])dets = detector(img2)print("Number of faces detected: {}".format(len(dets)))for index, face in enumerate(dets):print('face {}; left {}; top {}; right {}; bottom {}'.format(index, face.left(), face.top(), face.right(), face.bottom()))left = face.left()top = face.top()right = face.right()bottom = face.bottom()cv2.rectangle(img, (left, top), (right, bottom), (0, 255, 0), 3)cv2.namedWindow(f, cv2.WINDOW_AUTOSIZE)cv2.imshow(f, img)k = cv2.waitKey(0) cv2.destroyAllWindows()

代碼很簡單，不做贅述。

識別的結果：

由于光照、角度等等的因素，訓練結果還是需要改進的。我放的數據集很小，加大數據集可以一定程度上改進這個問題。

吐槽：
話說這個不應該叫做“貓”臉識別嗎？
(￣_￣ )

我用到的數據集下載鏈接：
http://download.csdn.net/download/hongbin_xu/10103946

總結

以上是生活随笔為你收集整理的python dlib学习（六）：训练模型的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。