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。
　　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。
　　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
　　===============
　　5.1 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。