opencv使用dnn模块训练模型_opencv dnn训练

下载opencv

opencv3.3以上版本才支持dnn模块，下载链接：https://opencv.org/releases/

前期准备

1.解压安装好opencv，在opencv3.3.0\opencv\build\x64\vc14\bin找到这两个软件

2.准备正样本和负样本图片，比例1:3；将样本转为灰度图，然后重新调整大小50*50；
3.在bin目录下创建info.txt，里面是正样本调整大小后的图片具体路径：

4.在bin目录下创建bg,txt,里面是负样本图片调整大小后的具体路径：

开始训练

1. 打开cmd
2. 输入cd /d opencv3.3.0\opencv\build\x64\vc14\bin
3. 输入opencv_createsamples.exe -vec info.vec -info info.txt -bg bg.txt -num 105 -w 50 -h 50
   生成info.vec
4. 创建data文件夹，输入opencv_traincascade.exe -data data -vec info.vec -bg bg.txt -numPos 105 -numNeg 315 -numStages 20 -w 50 -h 50 -minHitRate 0.999 -maxFalseAlarmRate 0.5 -featureType LBP
   开始训练
   参数说明：

-data <cascade_dir_name>：目录用于保存训练产生的分类器xml文件和中间文件（对于  上面的LBP_classifier），如不存在训练程序会创建它；
-vec <vec_file_name>：由 opencv_createsamples 程序生成的包含正样本的vec文件名（对应上面的pos_24_24.vec）；
-bg <background_file_name>：背景描述文件，也就是包含负样本文件名的那个描述文件（对应上面的neg\neg.txt）；
-numPos <number_of_positive_samples>：每级分类器训练时所用的正样本数目（默认值为2000）；
-numNeg <number_of_negative_samples>：每级分类器训练时所用的负样本数目，可以大于 -bg 指定的图片数目（默认值为1000）；
-numStages <number_of_stages>：训练的分类器的级数（默认值为20级）；
-precalcValBufSize <precalculated_vals_buffer_size_in_Mb>：缓存大小，用于存储预先计算的特征值(feature values)，单位为MB（默认值为256）；
-precalcIdxBufSize <precalculated_idxs_buffer_size_in_Mb>：缓存大小，用于存储预先计算的特征索引(feature indices)，单位为MB（默认值为256）；内存越大，训练时间越短。
-baseFormatSave：这个参数仅在使用Haar特征时有效。如果指定这个参数，那么级联分类器将以老的格式存储（默认不指定该参数项，此时其值为false；一旦指定则其值默认为true）；级联参数：CvCascadeParams类，定义于cascadeclassifier.h
-stageType <BOOST(default)>：级别（stage）参数。目前只支持将BOOST分类器作为级联的类型；
-featureType<{HAAR(default), LBP}>：特征的类型： HAAR - 类Haar特征； LBP - 局部纹理模式特征（默认Harr）；
-w <sampleWidth>：训练样本的宽（单位为像素，默认24）；
-h <sampleHeight>：训练样本的高（单位为像素，默认24）；训练样本的尺寸必须跟训练样本创建（使用 opencv_createsamples 程序创建）时的尺寸保持一致。Boosted分类器参数：CvCascadeBoostParams类，定义于boost.h
-bt <{DAB, RAB, LB, GAB(default)}>：Boosted分类器的类型（DAB - Discrete AdaBoost, RAB - Real AdaBoost, LB - LogitBoost, GAB - Gentle AdaBoost为默认）；
-minHitRate <min_hit_rate>：分类器的每一级希望得到的最小检测率（默认值为0.995），总的检测率大约为 min_hit_rate^number_of_stages；
-maxFalseAlarmRate <max_false_alarm_rate>：分类器的每一级希望得到的最大误检率（默认值为0.5），总的误检率大约为 max_false_alarm_rate^number_of_stages；
-weightTrimRate <weight_trim_rate>：Specifies whether trimming should be used and its weight，一个还不错的数值是0.95；
-maxDepth <max_depth_of_weak_tree>：弱分类器树最大的深度。一个还不错的数值是1，是二叉树（stumps）；
-maxWeakCount <max_weak_tree_count>：每一级中的弱分类器的最大数目（默认值为100）。The boosted classifier (stage) will have so many weak trees (<=maxWeakCount), as needed to achieve the given -maxFalseAlarmRate；
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19

测试效果

完成训练后会在data文件夹下生成一个cascade.xml，测试训练效果：

	String path = "D:/opencv3.3.0/opencv/build/x64/vc14/bin/data/cascade.xml";
    String imgPath = "E:/code/vs/dnn_classification/img/1/IMG_20230220_121054.jpg";
    Mat img = imread(imgPath);
    resize(img, img, Size(500, 500));
    Mat gray;                                                                                                                                                                  
    cvtColor(img, gray, COLOR_BGR2GRAY);
    CascadeClassifier* filter = new CascadeClassifier(path);

    std::vector<Rect> rect;
    filter->detectMultiScale(gray, rect);
    for (int i = 0; i < rect.size(); i++) {
        rectangle(img, rect[i], Scalar(0,0,255));
    }
    imshow("res", img);
    waitKey(0);
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15