opencv_haartraining - Online di Cloud

PROGRAM:

NAMA

opencv_haartraining - pengklasifikasi kereta

RINGKASAN

opencv_haartraining [pilihan]

DESKRIPSI

opencv_haartraining sedang melatih pengklasifikasi. Saat sedang berjalan, Anda sudah bisa mendapatkan
kesan, apakah pengklasifikasi akan cocok atau jika Anda perlu meningkatkan
set pelatihan dan/atau parameter.

Dalam keluaran:

'pos:' menunjukkan hitrate dalam kumpulan sampel pelatihan (harus sama atau mendekati 1.0 as
dalam tahap 0)

'TIDAK:' menunjukkan tingkat alarm palsu (setidaknya harus mencapai 5 * 10-6 menjadi yang berguna
classifier untuk aplikasi dunia nyata)

Jika salah satu nilai di atas didapat 0 (nol) terjadi luapan. Dalam hal ini palsu
tingkat alarm sangat rendah, sehingga pelatihan lebih lanjut tidak masuk akal lagi, sehingga bisa
berhenti.

PILIHAN

opencv_haartraining mendukung opsi berikut:

-data nama_dir
Direktori tempat classifier terlatih disimpan.

-vec vec_file_name
Nama file dari file sampel positif (misalnya dibuat oleh
opencv_createsamples(1) utilitas).

-bg nama_file_latar belakang
File deskripsi latar belakang (kumpulan sampel negatif). Ini berisi daftar
gambar di mana versi objek yang terdistorsi secara acak ditempelkan untuk positif
generasi sampel.

-bg-vecfile
Opsi ini adalah bahwa bgfilename mewakili file vec dengan negatif diskrit. NS
defaultnya adalah tidak set.

-npos jumlah_sampel_positif
Jumlah sampel positif yang digunakan dalam pelatihan setiap tahap classifier. NS
defaultnya adalah 2000.

-neg jumlah_of_negatif_sampel
Jumlah sampel negatif yang digunakan dalam pelatihan setiap tahap classifier. NS
defaultnya adalah 2000.

Nilai yang masuk akal adalah -npos 7000 -neg 3000.

-tahap jumlah_of_tahap
Jumlah tahapan yang akan dilatih. Standarnya adalah 14.

-split jumlah_pembagian_
Tentukan pengklasifikasi lemah yang digunakan dalam pengklasifikasi panggung. Jika nilainya adalah

1, maka pengklasifikasi tunggul sederhana digunakan

> = 2, lalu pengklasifikasi CART dengan jumlah_pembagian_ node internal (terpisah) digunakan

Standarnya adalah 1.

-mem memori_dalam_MB
Memori yang tersedia di MB untuk pra-perhitungan. Semakin banyak memori yang Anda miliki, semakin cepat
proses pelatihan adalah. Standarnya adalah 200.

-sim, -nonsim
Tentukan apakah kelas objek yang dilatih memiliki simetri vertikal atau tidak.
Simetri vertikal mempercepat proses pelatihan dan mengurangi penggunaan memori. Untuk
Misalnya, wajah frontal memamerkan simetri vertikal. Standarnya adalah -sim.

-minhirate min_hit_rate
Tingkat hit minimal yang diinginkan untuk setiap pengklasifikasi tahap. Tingkat hit keseluruhan mungkin
diperkirakan sebagai min_hit_rate^jumlah_tahapan. Standarnya adalah 0.950000.

-maxfalsealarm max_false_alarm_rate
Tingkat alarm palsu maksimal yang diinginkan untuk setiap pengklasifikasi tahap. Secara keseluruhan alarm palsu
tingkat dapat diperkirakan sebagai max_false_alarm_rate^jumlah_tahapan. Standarnya adalah
0.500000.

-pemangkasan berat badan berat_pemangkasan
Menentukan apakah dan berapa banyak berat pemangkasan harus digunakan. Standarnya adalah
0.950000. Pilihan yang layak adalah 0.900000.

-sama Tentukan apakah bobot awal semua sampel akan sama.

-mode {BASIC|CORE|SEMUA}
Pilih jenis set fitur haar yang digunakan dalam pelatihan. BASIC hanya menggunakan tegak
fitur, sedangkan CORE menggunakan set fitur tegak penuh dan SEMUA menggunakan set lengkap
set fitur tegak dan diputar 45 derajat. Standarnya adalah BASIC.

Untuk informasi lebih lanjut tentang ini lihat http://www.lienhart.de/ICIP2002.pdf.

-h sampel_tinggi
Tinggi sampel (harus memiliki nilai yang sama dengan yang digunakan selama pembuatan). Standarnya
is 24.

-w sampel_lebar
Lebar sampel (harus memiliki nilai yang sama dengan yang digunakan selama pembuatan). Standarnya
is 24.

-bt {COLEK|RAB|LB|GAB}
Jenis algoritma boosting yang diterapkan. Anda dapat memilih antara Diskrit
AdaBoost (COLEK), AdaBoost Nyata (RAB), LogitBoost (LB) dan AdaBoost Lembut (GAB). Itu
defaultnya adalah GAB.

-berbuat salah {salah kelas|gini|entropi}
Jenis kesalahan yang digunakan jika Diskrit AdaBoost (-bt COLEK) algoritma diterapkan. NS
defaultnya adalah salah kelas.

-pemisahan pohon maksimal max_number_of_splits_in_tree_cascade
Jumlah maksimum perpecahan dalam kaskade pohon. Standarnya adalah 0.

-minpos min_number_of_positif_sampel_per_cluster
Jumlah minimal sampel positif per cluster. Standarnya adalah 500.

Informasi yang sama ditampilkan, jika opencv_haartraining dipanggil tanpa ada
argumen/pilihan.

CONTOH

SEMUA

Gunakan opencv_haartraining online menggunakan layanan onworks.net