opencv_haartraining - ക്ലൗഡിൽ ഓൺലൈനിൽ

Ubuntu Online, Fedora Online, Windows online emulator അല്ലെങ്കിൽ MAC OS ഓൺലൈൻ എമുലേറ്റർ എന്നിങ്ങനെയുള്ള ഞങ്ങളുടെ ഒന്നിലധികം സൗജന്യ ഓൺലൈൻ വർക്ക്‌സ്റ്റേഷനുകളിലൊന്ന് ഉപയോഗിച്ച് OnWorks സൗജന്യ ഹോസ്റ്റിംഗ് ദാതാവിൽ പ്രവർത്തിപ്പിക്കാൻ കഴിയുന്ന opencv_haartraining കമാൻഡാണിത്.

പട്ടിക:

NAME


opencv_haartraining - ട്രെയിൻ ക്ലാസിഫയർ

സിനോപ്സിസ്


opencv_hartraining [ഓപ്ഷനുകൾ]

വിവരണം


opencv_hartraining ക്ലാസിഫയർ പരിശീലിപ്പിക്കുകയാണ്. ഇത് പ്രവർത്തിക്കുമ്പോൾ, നിങ്ങൾക്ക് ഇതിനകം ലഭിക്കും
ക്ലാസിഫയർ അനുയോജ്യമാണോ അതോ നിങ്ങൾ മെച്ചപ്പെടുത്തേണ്ടതുണ്ടോ എന്നൊരു മതിപ്പ്
പരിശീലന സെറ്റ് കൂടാതെ/അല്ലെങ്കിൽ പരാമീറ്ററുകൾ.

ഔട്ട്പുട്ടിൽ:

'പിഒഎസ്:' പരിശീലന സാമ്പിളുകളുടെ സെറ്റിൽ ഹിറ്റ്റേറ്റ് കാണിക്കുന്നു (തുല്യമോ സമീപത്തോ ആയിരിക്കണം 1.0 as
ഘട്ടം 0 ൽ)

'NEG:' തെറ്റായ അലാറം നിരക്ക് സൂചിപ്പിക്കുന്നു (കുറഞ്ഞത് എത്തണം 5 * 10-6 ഒരു ഉപയോഗയോഗ്യമാകാൻ
യഥാർത്ഥ ലോക ആപ്ലിക്കേഷനുകൾക്കായുള്ള ക്ലാസിഫയർ)

മുകളിലുള്ള മൂല്യങ്ങളിൽ ഒന്ന് ലഭിക്കുകയാണെങ്കിൽ 0 (പൂജ്യം) ഒരു ഓവർഫ്ലോ ഉണ്ട്. ഈ സാഹചര്യത്തിൽ വ്യാജം
അലാറം നിരക്ക് വളരെ കുറവാണ്, തുടർ പരിശീലനത്തിന് അർത്ഥമില്ല, അതിനാൽ അത് ആകാം
നിർത്തി.

ഓപ്ഷനുകൾ


opencv_hartraining ഇനിപ്പറയുന്ന ഓപ്ഷനുകൾ പിന്തുണയ്ക്കുന്നു:

-ഡാറ്റ dir_name
പരിശീലനം ലഭിച്ച ക്ലാസിഫയർ സംഭരിച്ചിരിക്കുന്ന ഡയറക്ടറി.

-vec vec_file_name
പോസിറ്റീവ് സാമ്പിൾ ഫയലിന്റെ ഫയലിന്റെ പേര് (ഉദാ. സൃഷ്ടിച്ചത്
opencv_createsസാമ്പിളുകൾ(1) യൂട്ടിലിറ്റി).

-bg background_file_name
പശ്ചാത്തല വിവരണ ഫയൽ (നെഗറ്റീവ് സാമ്പിൾ സെറ്റ്). ഇതിൽ ഒരു ലിസ്റ്റ് അടങ്ങിയിരിക്കുന്നു
ഒബ്‌ജക്‌റ്റിന്റെ ക്രമരഹിതമായി വികലമായ പതിപ്പുകൾ പോസിറ്റീവായി ഒട്ടിച്ചിരിക്കുന്ന ചിത്രങ്ങൾ
സാമ്പിൾ ജനറേഷൻ.

-bg-vecfile
ഈ ഐച്ഛികം, bgfilename എന്നത് വ്യതിരിക്തമായ നെഗറ്റീവുകളുള്ള ഒരു vec ഫയലിനെ പ്രതിനിധീകരിക്കുന്നു എന്നതാണ്. ദി
സ്ഥിരസ്ഥിതിയാണ് അല്ല ഗണം.

-npos പോസിറ്റീവ്_സാമ്പിളുകളുടെ_സംഖ്യ
ഓരോ ക്ലാസിഫയർ ഘട്ടത്തിലും പരിശീലനത്തിൽ ഉപയോഗിക്കുന്ന പോസിറ്റീവ് സാമ്പിളുകളുടെ എണ്ണം. ദി
സ്ഥിരസ്ഥിതിയാണ് 2000.

-നെഗ് നെഗറ്റീവ്_സാമ്പിളുകളുടെ_സംഖ്യ
ഓരോ ക്ലാസിഫയർ ഘട്ടത്തിലും പരിശീലനത്തിൽ ഉപയോഗിക്കുന്ന നെഗറ്റീവ് സാമ്പിളുകളുടെ എണ്ണം. ദി
സ്ഥിരസ്ഥിതിയാണ് 2000.

ന്യായമായ മൂല്യങ്ങളാണ് -npos 7000 -നെഗ് 3000.

- ഘട്ടങ്ങൾ ഘട്ടത്തിന്റെ_സംഖ്യ
പരിശീലിപ്പിക്കേണ്ട ഘട്ടങ്ങളുടെ എണ്ണം. സ്ഥിരസ്ഥിതിയാണ് 14.

-വിഭജനം വിഭജനങ്ങളുടെ_സംഖ്യ
സ്റ്റേജ് ക്ലാസിഫയറിൽ ഉപയോഗിക്കുന്ന ദുർബലമായ ക്ലാസിഫയർ നിർണ്ണയിക്കുക. മൂല്യമാണെങ്കിൽ

1, തുടർന്ന് ഒരു ലളിതമായ സ്റ്റമ്പ് ക്ലാസിഫയർ ഉപയോഗിക്കുന്നു

> = 2, തുടർന്ന് CART ക്ലാസിഫയർ വിഭജനങ്ങളുടെ_സംഖ്യ ആന്തരിക (സ്പ്ലിറ്റ്) നോഡുകൾ ഉപയോഗിക്കുന്നു

സ്ഥിരസ്ഥിതി 1.

-അമ്മ മെമ്മറി_ഇൻ_MB
ൽ ലഭ്യമായ മെമ്മറി MB മുൻകൂർ കണക്കുകൂട്ടലിനായി. നിങ്ങൾക്ക് കൂടുതൽ മെമ്മറി ഉണ്ടോ അത്രയും വേഗത്തിൽ
പരിശീലന പ്രക്രിയ ആണ്. സ്ഥിരസ്ഥിതിയാണ് 200.

-സിം, - അസംബന്ധം
പരിശീലനത്തിന് കീഴിലുള്ള ഒബ്‌ജക്റ്റ് ക്ലാസിന് ലംബ സമമിതി ഉണ്ടോ ഇല്ലയോ എന്ന് വ്യക്തമാക്കുക.
ലംബ സമമിതി പരിശീലന പ്രക്രിയയെ വേഗത്തിലാക്കുകയും മെമ്മറി ഉപയോഗം കുറയ്ക്കുകയും ചെയ്യുന്നു. വേണ്ടി
ഉദാഹരണത്തിന്, മുൻഭാഗങ്ങൾ ലംബമായ സമമിതി കാണിക്കുന്നു. സ്ഥിരസ്ഥിതിയാണ് -സിം.

-മിൻഹിട്രേറ്റ് മിനിട്ട്_ഹിറ്റ്_റേറ്റ്
ഓരോ സ്റ്റേജ് ക്ലാസിഫയറിനും ആവശ്യമുള്ള ഏറ്റവും കുറഞ്ഞ ഹിറ്റ് നിരക്ക്. മൊത്തത്തിലുള്ള ഹിറ്റ് നിരക്ക് ആയിരിക്കാം
ആയി കണക്കാക്കുന്നു മിനിട്ട്_ഹിറ്റ്_റേറ്റ്^എണ്ണം_ഘട്ടങ്ങൾ. സ്ഥിരസ്ഥിതി 0.950000.

-maxfalsealarm max_false_alarm_rate
ഓരോ സ്റ്റേജ് ക്ലാസിഫയറിനും പരമാവധി ആവശ്യമുള്ള തെറ്റായ അലാറം നിരക്ക്. മൊത്തത്തിൽ തെറ്റായ അലാറം
നിരക്ക് ആയി കണക്കാക്കാം max_false_alarm_rate^number_of_stages. സ്ഥിരസ്ഥിതി
0.500000.

-ഭാരം കുറയ്ക്കൽ ഭാരം_ട്രിമ്മിംഗ്
വെയ്റ്റ് ട്രിമ്മിംഗ് ഉപയോഗിക്കണമോ വേണ്ടയോ എന്ന് വ്യക്തമാക്കുന്നു. സ്ഥിരസ്ഥിതിയാണ്
0.950000. മാന്യമായ തിരഞ്ഞെടുപ്പാണ് 0.900000.

-eqw എല്ലാ സാമ്പിളുകളുടെയും പ്രാരംഭ ഭാരം തുല്യമാണോ എന്ന് വ്യക്തമാക്കുക.

-മോഡ് {ബേസിക്|കോർ|എല്ലാം}
പരിശീലനത്തിൽ ഉപയോഗിക്കുന്ന ഹാർ ഫീച്ചറുകളുടെ തരം തിരഞ്ഞെടുക്കുക. ബേസിക് കുത്തനെ മാത്രമേ ഉപയോഗിക്കുന്നുള്ളൂ
സവിശേഷതകൾ, അതേസമയം കോർ പൂർണ്ണ കുത്തനെയുള്ള ഫീച്ചർ സെറ്റ് ഉപയോഗിക്കുന്നു ഒപ്പം എല്ലാം യുടെ മുഴുവൻ സെറ്റും ഉപയോഗിക്കുന്നു
കുത്തനെയുള്ളതും 45 ഡിഗ്രി തിരിക്കുന്നതുമായ ഫീച്ചർ സെറ്റ്. സ്ഥിരസ്ഥിതിയാണ് ബേസിക്.

ഇതിനെക്കുറിച്ചുള്ള കൂടുതൽ വിവരങ്ങൾക്ക് കാണുക http://www.lienhart.de/ICIP2002.pdf.

-h സാമ്പിൾ_ഉയരം
സാമ്പിൾ ഉയരം (സൃഷ്ടി സമയത്ത് ഉപയോഗിച്ച അതേ മൂല്യം ഉണ്ടായിരിക്കണം). സ്ഥിരസ്ഥിതി
is 24.

-w മാതൃക_വീതി
സാമ്പിൾ വീതി (സൃഷ്ടി സമയത്ത് ഉപയോഗിച്ച അതേ മൂല്യം ഉണ്ടായിരിക്കണം). സ്ഥിരസ്ഥിതി
is 24.

-ബിടി {എവിടെആന്|RAB|LB|ഗാബ്}
പ്രയോഗിച്ച ബൂസ്റ്റിംഗ് അൽഗോരിതം തരം. ഡിസ്ക്രീറ്റിൽ നിന്ന് നിങ്ങൾക്ക് തിരഞ്ഞെടുക്കാം
AdaBoost (എവിടെആന്), യഥാർത്ഥ അഡാബൂസ്റ്റ് (RAB), ലോജിറ്റ്ബൂസ്റ്റ് (LB) കൂടാതെ ജെന്റിൽ അഡാബൂസ്റ്റ് (ഗാബ്). എസ്
സ്ഥിരസ്ഥിതിയാണ് ഗാബ്.

-തെറ്റ് {തെറ്റായ ക്ലാസ്|ജിനി|എൻട്രോപ്പി}
ഡിസ്ക്രീറ്റ് AdaBoost ആണെങ്കിൽ ഉപയോഗിച്ച പിശകിന്റെ തരം (-ബിടി എവിടെആന്) അൽഗോരിതം പ്രയോഗിക്കുന്നു. ദി
സ്ഥിരസ്ഥിതിയാണ് തെറ്റായ ക്ലാസ്.

- maxtreesplits മരത്തിന്റെ_കാസ്‌കേഡിലെ_വിഭജനങ്ങളുടെ_എണ്ണം
ഒരു ട്രീ കാസ്‌കേഡിലെ പിളർപ്പുകളുടെ പരമാവധി എണ്ണം. സ്ഥിരസ്ഥിതിയാണ് 0.

-മിൻപോസ് ഓരോ_ക്ലസ്റ്ററിനും_പോസിറ്റീവ്_സാമ്പിളുകളുടെ_മിനിറ്റ്_നമ്പർ
ഓരോ ക്ലസ്റ്ററിനും ഏറ്റവും കുറഞ്ഞ പോസിറ്റീവ് സാമ്പിളുകളുടെ എണ്ണം. സ്ഥിരസ്ഥിതിയാണ് 500.

എങ്കിൽ അതേ വിവരങ്ങൾ കാണിക്കുന്നു opencv_hartraining ഒന്നുമില്ലാതെ വിളിക്കുന്നു
വാദങ്ങൾ/ഓപ്ഷനുകൾ.

ഉദാഹരണങ്ങൾ


ചെയ്യാൻ

onworks.net സേവനങ്ങൾ ഉപയോഗിച്ച് opencv_haartraining ഓൺലൈനായി ഉപയോഗിക്കുക



ഏറ്റവും പുതിയ ലിനക്സ്, വിൻഡോസ് ഓൺലൈൻ പ്രോഗ്രാമുകൾ