opencv_haartraining - En ligne dans le Cloud

PROGRAMME:

Nom

opencv_haartraining - classificateur de train

SYNOPSIS

opencv_haartraining [choix]

DESCRIPTION

opencv_haartraining entraîne le classificateur. Pendant son exécution, vous pouvez déjà obtenir
une impression, si le classificateur conviendra ou si vous avez besoin d'améliorer le
ensemble d'apprentissage et/ou paramètres.

En sortie :

'POS:' montre le taux de réussite dans l'ensemble d'échantillons d'apprentissage (doit être égal ou proche de 1.0 as
à l'étape 0)

'NEG :' indique le taux de fausses alarmes (doit atteindre au moins 5 * 10-6 être un utilisable
classificateur pour les applications du monde réel)

Si l'une des valeurs ci-dessus obtient 0 (zéro) il y a un débordement. Dans ce cas le faux
le taux d'alarme est si faible que la poursuite de la formation n'a plus de sens, il peut donc être
arrêtée.

OPTIONS

opencv_haartraining prend en charge les options suivantes :

-Les données nom_rép
Le répertoire dans lequel le classificateur formé est stocké.

-vec vec_file_name
Le nom de fichier du fichier d'échantillons positifs (créé par exemple par le
opencv_createsamples(1) utilitaire).

-bg nom_fichier_arrière-plan
Le fichier de description d'arrière-plan (l'ensemble d'échantillons négatifs). Il contient une liste de
images dans lesquelles des versions aléatoirement déformées de l'objet sont collées pour un résultat positif
génération d'échantillons.

-bg-vecfile
Cette option est que bgfilename représente un fichier vec avec des négatifs discrets. Les
la valeur par défaut est pas set.

-npos nombre_de_échantillons_positifs
Le nombre d'échantillons positifs utilisés pour l'apprentissage de chaque étape du classificateur. Les
la valeur par défaut est 2000.

-neg nombre_d'échantillons_négatifs
Le nombre d'échantillons négatifs utilisés pour l'apprentissage de chaque étage de classificateur. Les
la valeur par défaut est 2000.

Les valeurs raisonnables sont -npos 7000 -neg 3000.

-ntages nombre_d'étapes
Le nombre d'étapes à former. La valeur par défaut est 14.

-nsplit nombre_de_splits
Déterminer le classificateur faible utilisé dans les classificateurs d'étape. Si la valeur est

1, alors un simple classificateur de souche est utilisé

> = 2, puis classificateur CART avec nombre_de_splits les nœuds internes (scindés) sont utilisés

La valeur par défaut est 1.

-mem mémoire_en_Mo
Mémoire disponible dans MB pour le pré-calcul. Plus vous avez de mémoire, plus le
processus de formation est. La valeur par défaut est 200.

-sym, -non-sym
Spécifiez si la classe d'objets en cours d'apprentissage a une symétrie verticale ou non.
La symétrie verticale accélère le processus d'entraînement et réduit l'utilisation de la mémoire. Pour
exemple, les faces frontales montrent une symétrie verticale. La valeur par défaut est -sym.

-minhitrate min_hit_rate
Le taux de réussite minimal souhaité pour chaque classificateur d'étape. Le taux de réussite global peut être
estimé comme min_hit_rate^nombre_d'étapes. La valeur par défaut est 0.950000.

-maxfalsealarm max_false_alarm_rate
Le taux de fausses alarmes maximal souhaité pour chaque classificateur d'étage. Fausse alarme globale
le taux peut être estimé à max_false_alarm_rate^nombre_d'étapes. La valeur par défaut est
0.500000.

-réduction de poids poids_coupe
Spécifie si et combien de poids doit être utilisé. La valeur par défaut est
0.950000. Un choix décent est 0.900000.

-eqw Précisez si les poids initiaux de tous les échantillons seront égaux.

-mode {BASIQUE |CORE|TOUTES}
Sélectionnez le type d'ensemble de fonctionnalités haar utilisé dans la formation. BASIQUE n'utilise que debout
fonctionnalités, tandis que CORE utilise l'ensemble complet de fonctionnalités verticales et TOUTES utilise l'ensemble complet de
ensemble de fonctionnalités verticales et pivotées à 45 degrés. La valeur par défaut est BASIQUE .

Pour plus d'informations à ce sujet, voir http://www.lienhart.de/ICIP2002.pdf.

-h hauteur_échantillon
La hauteur de l'échantillon (doit avoir la même valeur que celle utilisée lors de la création). Le défaut
is 24.

-w largeur_échantillon
La largeur de l'échantillon (doit avoir la même valeur que celle utilisée lors de la création). Le défaut
is 24.

-bt {DAB|RAB|LB|AGE}
Le type de l'algorithme d'amplification appliqué. Vous pouvez choisir entre Discret
Ada Boost (DAB), Vrai AdaBoost (RAB), Logit Boost (LB) et Doux AdaBoost (AGE). La
la valeur par défaut est AGE.

-se tromper {mal classer|comme ça|entropie}
Le type d'erreur utilisé si Discret AdaBoost (-bt DAB) algorithme est appliqué. Les
la valeur par défaut est mal classer.

-maxtreesplits max_number_of_splits_in_tree_cascade
Le nombre maximal de divisions dans une cascade d'arbres. La valeur par défaut est 0.

-minpos min_number_of_positive_samples_per_cluster
Le nombre minimal d'échantillons positifs par grappe. La valeur par défaut est 500.

Les mêmes informations sont affichées, si opencv_haartraining est appelé sans aucun
arguments/options.

EXEMPLES

TOUT

Utilisez opencv_haartraining en ligne en utilisant les services onworks.net