Dlib库教程（3）训练数据集（模型）和特定物体检测识别

　　1说明
　　1。1Dlib库，非常强大的一个库，有python接口。
　　1。2多用于人工智能、机器人、物体检测和识别、自动驾驶等热门领域。
　　1。3比如强大的人脸识别，当然训练自己的数据集和模型，可用于物体检测和识别，当然在各个领域都有广泛的使用空间，比如医学上，可以训练较大的数据集，用于肺炎或者癌症等疾病的检测。
　　1。4今天从一个简单的例子，来说明如何训练自己的数据集，并检测和识别。
　　1。5熟悉dlibpythonopencv等相关知识。
　　此张图片检测猫脸失败，由于训练数据集太少导致，不过，没关系
　　2检测和识别猫脸（结果倒置）
　　2。1效果图
　　2。2部分失败原因：
　　图片数据集太少，本次训练用的图片，仅有10张猫脸正照，而且差异不大。
　　当然，如何训练用的图片多，差异较大，当然可以，比如1万张等等。
　　2。3还可以训练一切自己感兴趣的东西，用于检测和识别。
　　【感兴趣的朋友可以继续，我手把手教你】
　　3前期准备
　　3。1《Dlib库教程（1）：介绍、linux下的安装与避坑》
　　3。2《Dlib库教程（2）：联合python的人脸检测、标记、识别》，可以不看这篇。
　　3。3准备gitclonehttps：github。comdaviskingdlib这个方法太慢了
　　3。4我采用浏览器下载dlibmaster包，解压在根目录下https：github。comdaviskingdlib
　　本机解压：homexgjdlibmaster本机cddlibmastertoolsimglabmkdirbuildcdbuildcmake。。注意点点cmakebuild。configReleasesudomakeinstall
　　3。5素材准备：图片来自网络，如有侵权请联系，定删。
　　homexgjDesktopdlibcatdetect我在桌面新建一个文件夹dlibcatdetect，下面再新建2个文件夹，cattrain文件夹和cattest文件夹。
　　把所有要训练的猫图片保存到cattrain文件夹（10张图片jpg），要测试的图片放到cattest文件夹（3张图片jpg），个文件夹里的图片不要一样，以免影响测试效果。
　　4图片标注：用imglab
　　4。1终端：cdhomexgjDesktopdlibcatdetectcdcattrainimglabccat。xml。注意点imglabcat。xml生成xml文件
　　4。2图示：
　　打标签的方法很简单，在imglab窗口下，先按住shift键，然后在猫身的左上方按下鼠标左键，
　　拖动到猫身右下方再放开鼠标，这样就在猫身位置上画出了一个矩形框，如下图所示。
　　针对每一张图片进行上述操作，结束后保存。如果数据集够大的话，确实是个体力活。
　　下图只是方法演示，请注意与猫脸有区别。
　　建议只对猫脸进行标注，图示原来标注整个猫的，后来因为图片太少，自己又从新标注猫脸了。
　　5训练数据集的代码
　　5。1cattrainself。py，放在文件夹下dlibcatdetect文件名：cattrainself。py使用方法：在文件夹下，打开终端，输入python3。8cattrainself。pycoding：utf8训练代码importosimportdlib训练的参数，可以根据实际情况进行修改optionsdlib。simpleobjectdetectortrainingoptions（）options。addleftrightimageflipsTrueoptions。C5options。numthreads4options。beverboseTruecurrentpathos。getcwd（）trainfoldercurrentpathcattraintrainxmlpathtrainfoldercat。xmlprint（starttraining：）最重要的一个函数dlib。trainsimpleobjectdetector（trainxmlpath，detector。svm，options）print（Trainingaccuracy：｛｝。format（dlib。testsimpleobjectdetector（trainxmlpath，detector。svm）））
　　5。2效果和过程省略。
　　6检测和识别代码检测代码catdetectself。pycoding：utf8在文件夹下，打开终端，输入python3。8catdetectself。py导入模块importosimportglobimportdlibimportcv2路径管控currentpathos。getcwd（）加载测试文件夹testfoldercurrentpathcattest加载已经训练好的数据集或模型文件detectordlib。simpleobjectdetector（currentpathdetector。svm）读取测试图片forfinglob。glob（testfolder。jpg）：print（Processingfile：｛｝。format（f））读取图片imgcv2。imread（f，cv2。IMREADCOLOR）颜色转换b，g，rcv2。split（img）img2cv2。merge（〔r，g，b〕）检测detsdetector（img2）print（Numberofcatsdetected：｛｝。format（len（dets）））获取侦测结果forindex，catinenumerate（dets）：print（cat｛｝；left｛｝；top｛｝；right｛｝；bottom｛｝。format（index，cat。left（），cat。top（），cat。right（），cat。bottom（）））leftcat。left（）topcat。top（）rightcat。right（）bottomcat。bottom（）绿色检测和识别框cv2。rectangle（img，（left，top），（right，bottom），（0，255，0），3）cv2。namedWindow（f，cv2。WINDOWAUTOSIZE）cv2。imshow（f，img）kcv2。waitKey（0）cv2。destroyAllWindows（）
　　小结
　　本次只是演示操作流程和效果，当然如果差异较大的猫脸可能检测不出来，这与训练用的猫脸图片差异不大和数据集较少有关，这个不重要，自己可以增加训练的图集和猫脸的差异图片。
　　完美分享，本人亲测，一秒入门，适合收藏，慢慢调用。