Dlib库教程(3):训练数据集(模型)和特定物体检测识别

1 说明

=====

1.1 Dlib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dlib+python+opencv等相关知识。

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。

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

git clone https://github.com/davisking/dlib
#这个方法太慢了

3.4 我采用浏览器下载dlib-master包，解压在根目录下

https://github.com/davisking/dlib

本机解压：/home/xgj/dlib-master

#本机
cd dlib-master/tools/imglab

mkdir build
cd build
cmake ..     #注意点点
cmake --build . --config Release
sudo make install

3.5 素材准备：图片来自网络，如有侵权请联系，定删。

#
/home/xgj/Desktop/dlib-cat-detect #我在桌面新建一个文件夹dlib-cat-detect，下面再新建2个文件夹，cat_train文件夹和cat_test文件夹。

把所有要训练的猫图片保存到cat_train文件夹（10张图片jpg），要测试的图片放到cat_test文件夹（3张图片jpg），２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：

cd /home/xgj/Desktop/dlib-cat-detect
cd cat_train
imglab -c cat.xml .    #注意点
imglab cat.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。

5 训练数据集的代码

===============

5.1 cat_train_self.py，放在文件夹下dlib-cat-detect

#文件名：cat_train_self.py
#使用方法：在文件夹下，打开终端，输入
#python3.8 cat_train_self.py
# -*- coding: utf-8 -*-
#训练代码
 
import os
import dlib
 
# 训练的参数，可以根据实际情况进行修改
options = dlib.simple_object_detector_training_options()
 
options.add_left_right_image_flips = True
options.C = 5
options.num_threads = 4
options.be_verbose = True
 
current_path = os.getcwd()
train_folder = current_path + '/cat_train/'
train_xml_path = train_folder + 'cat.xml'
 
print("start training:")
 
# 最重要的一个函数
dlib.train_simple_object_detector(train_xml_path, 'detector.svm', options)
 
print("Training accuracy: {}".format(
    dlib.test_simple_object_detector(train_xml_path, "detector.svm")))

5.2 效果和过程省略。

6 检测和识别代码

#检测代码
#cat_detect_self.py
# -*- coding: utf-8 -*-
#在文件夹下，打开终端，输入
#python3.8 cat_detect_self.py

#导入模块
import os
import glob
import dlib
import cv2

#路径管控
current_path = os.getcwd()
#加载测试文件夹
test_folder = current_path + '/cat_test/'
#加载已经训练好的数据集或模型文件
detector = dlib.simple_object_detector(current_path + "/"+"detector.svm")

#读取测试图片
for f in glob.glob(test_folder+'*.jpg'):
    print("Processing file: {}".format(f))
    #读取图片
    img = cv2.imread(f, cv2.IMREAD_COLOR)
    #颜色转换
    b, g, r = cv2.split(img)
    img2 = cv2.merge([r, g, b])
    #检测
    dets = detector(img2)
    print("Number of cats detected: {}".format(len(dets)))

    #获取侦测结果
    for index, cat in enumerate(dets):
        print('cat {}; left {}; top {}; right {}; bottom {}'.format(index, cat.left(), cat.top(), cat.right(), cat.bottom()))
 
        left = cat.left()
        top = cat.top()
        right = cat.right()
        bottom = cat.bottom()
        #绿色检测和识别框
        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()

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。