هذا هو الأمر opencv_haartraining الذي يمكن تشغيله في مزود الاستضافة المجانية OnWorks باستخدام إحدى محطات العمل المجانية المتعددة عبر الإنترنت مثل Ubuntu Online أو Fedora Online أو محاكي Windows عبر الإنترنت أو محاكي MAC OS عبر الإنترنت
برنامج:
اسم
opencv_haartraining - مصنف القطار
موجز
فتح_التدريب [خيارات]
الوصف
فتح_التدريب يقوم بتدريب المصنف. أثناء تشغيله ، يمكنك الحصول عليه بالفعل
انطباع ، سواء كان المصنف مناسبًا أو إذا كنت بحاجة إلى تحسين
مجموعة التدريب و / أو المعلمات.
في الإخراج:
'نقطة البيع:يُظهر معدل الضربات في مجموعة عينات التدريب (يجب أن يكون مساويًا أو قريبًا من 1.0 as
في المرحلة 0)
'سلبي:'يشير إلى معدل الإنذار الخاطئ (يجب أن يصل على الأقل 5 * 10-6 لتكون قابلة للاستخدام
مصنف لتطبيقات العالم الحقيقي)
إذا حصلت على واحدة من القيم المذكورة أعلاه 0 (صفر) هناك تجاوز. في هذه الحالة الخطأ
معدل التنبيه منخفض جدًا ، لذا فإن التدريب الإضافي لم يعد منطقيًا ، لذلك يمكن أن يكون كذلك
توقفت.
OPTIONS
فتح_التدريب يدعم الخيارات التالية:
داتا dir_name
الدليل الذي يتم تخزين المصنف المدرب فيه.
-vec vec_file_name
اسم ملف ملف العينات الإيجابية (على سبيل المثال الذي تم إنشاؤه بواسطة
opencv_createsamples(1) فائدة).
-بج خلفية_اسم_الملف
ملف وصف الخلفية (مجموعة العينات السلبية). يحتوي على قائمة
الصور التي يتم لصق نسخ مشوهة عشوائيًا من الكائن فيها لإيجابية
جيل العينة.
-bg-vecfile
هذا الخيار هو أن bgfilename يمثل ملف vec مع السلبيات المنفصلة. ال
الافتراضي هو ليست طقم.
-نبوس number_of_positive_samples
عدد العينات الموجبة المستخدمة في التدريب لكل مرحلة مصنف. ال
الافتراضي هو 2000.
-ني number_of_negative_samples
عدد العينات السلبية المستخدمة في تدريب كل مرحلة مصنف. ال
الافتراضي هو 2000.
القيم المعقولة -نبوس 7000 -ني 3000.
-nstages عدد_المرحلة
عدد مراحل التدريب. الافتراضي هو 14.
- انشقاقات number_of_splits
تحديد المصنف الضعيف المستخدم في مصنفات المرحلة. إذا كانت القيمة
1، ثم يتم استخدام مصنف بسيط للجذع
> = 2، ثم مصنف CART مع number_of_splits يتم استخدام العقد الداخلية (المقسمة)
الافتراضي هو 1.
-ميم الذاكرة_in_MB
الذاكرة المتوفرة بتنسيق MB للحساب المسبق. كلما زادت مساحة الذاكرة لديك ، زادت سرعة ملفات
عملية التدريب. الافتراضي هو 200.
-سم ، غير متناسق
حدد ما إذا كانت فئة الكائن تحت التدريب لها تناظر رأسي أم لا.
يعمل التناظر العمودي على تسريع عملية التدريب وتقليل استخدام الذاكرة. ل
على سبيل المثال ، تُظهر الوجوه الأمامية تناظرًا رأسيًا. الافتراضي هو -سم.
-منهترات min_hit_rate
الحد الأدنى المطلوب لمعدل الضربات لكل مصنف مرحلي. قد يكون معدل الإصابة الإجمالي
يقدر ب min_hit_rate ^ number_of_stages. الافتراضي هو 0.950000.
-الحد الأقصى للإنذار الكاذب max_false_alarm_rate
الحد الأقصى المطلوب لمعدل الإنذار الخاطئ لكل مصنف مرحلي. إنذار كاذب عام
يمكن تقدير المعدل كـ max_false_alarm_rate ^ number_of_stages. الافتراضي هو
0.500000.
- الوزن الوزن_التقصير
يحدد ما إذا كان يجب استخدام أداة قص الوزن ومقدارها. الافتراضي هو
0.950000. اختيار لائق 0.900000.
-Eqw حدد ما إذا كانت الأوزان الأولية لجميع العينات ستكون متساوية.
-الوضع {أساسي|CORE|الجميع}
حدد نوع مجموعة ميزات haar المستخدمة في التدريب. أساسي يستخدم فقط في وضع مستقيم
الميزات ، بينما CORE يستخدم مجموعة الميزات المستقيمة الكاملة و الجميع يستخدم المجموعة الكاملة من
تستقيم و 45 درجة استدارة مجموعة الميزات. الافتراضي هو أساسي.
لمزيد من المعلومات حول هذا انظر http://www.lienhart.de/ICIP2002.pdf.
-h نموذج_ارتفاع
ارتفاع العينة (يجب أن يكون له نفس القيمة المستخدمة أثناء الإنشاء). الافتراضي
is 24.
-w عينة_عرض
عرض العينة (يجب أن يكون له نفس القيمة المستخدمة أثناء الإنشاء). الافتراضي
is 24.
-BT {ربت|RAB|LB|GAB}
نوع خوارزمية التعزيز المطبقة. يمكنك الاختيار بين Discrete
أدابوست (ربت) ، Real AdaBoost (RAB) ، LogitBoost (LB) و Gentle AdaBoost (GAB). ال
الافتراضي هو GAB.
-ر {خطأ|جيني|الكون}
نوع الخطأ المستخدم إذا كان منفصل AdaBoost (-BT ربت) يتم تطبيق الخوارزمية. ال
الافتراضي هو خطأ.
-maxtreesplits max_number_of_splits_in_tree_cascade
العدد الأقصى للانقسامات في تسلسل الشجرة. الافتراضي هو 0.
-مينبوس الحد الأدنى لعدد_العينات_الموضوعة_ لكل مجموعة
الحد الأدنى من العينات الإيجابية لكل عنقود. الافتراضي هو 500.
يتم عرض نفس المعلومات ، إذا فتح_التدريب يسمى بدون أي
الحجج / الخيارات.
أمثلة
ALL
استخدم opencv_haartraining عبر الإنترنت باستخدام خدمات onworks.net
