opencv_haartraining - Онлайн в облаке

ПРОГРАММА:

ИМЯ

opencv_haartraining - классификатор поездов

СИНТАКСИС

opencv_haartraining [опции]

ОПИСАНИЕ

opencv_haartraining тренирует классификатор. Пока он запущен, вы уже можете получить
впечатление, подойдет ли классификатор или нужно улучшить
обучающий набор и / или параметры.

На выходе:

'POS:'показывает скорость попаданий в наборе обучающих выборок (должна быть равна или близка к 1.0 as
на стадии 0)

'ОТРИЦАТЕЛЬНЫЙ:'указывает на частоту ложных срабатываний (должно достигать не менее 5 * 10-6 быть полезным
классификатор для реальных приложений)

Если одно из вышеперечисленных значений получает 0 (нуль) есть переполнение. В этом случае ложное
частота тревог настолько низка, что дальнейшее обучение больше не имеет смысла, поэтому его можно
остановился.

ДОПОЛНИТЕЛЬНЫЕ ОПЦИИ

opencv_haartraining поддерживает следующие параметры:

-данные имя_каталога
Каталог, в котором хранится обученный классификатор.

-век vec_file_name
Имя файла файла положительных образцов (например, созданного
opencv_createsamples(1) полезность).

-бг имя_фонового_файла
Файл описания фона (набор отрицательных проб). Он содержит список
изображения, в которые вставляются случайно искаженные версии объекта для положительных
генерация образца.

-bg-vecfile
Этот вариант заключается в том, что bgfilename представляет собой vec-файл с дискретными отрицаниями. В
по умолчанию набор.

-npos number_of_positive_samples
Количество положительных выборок, использованных при обучении каждого этапа классификатора. В
по умолчанию 2000.

-ннег number_of_negative_samples
Количество отрицательных выборок, использованных при обучении каждого этапа классификатора. В
по умолчанию 2000.

Разумные значения -npos 7000 -ннег 3000.

-сцены номер_этапа
Количество этапов обучения. По умолчанию 14.

-nsplits число_разделений
Определите слабый классификатор, используемый в классификаторах стадии. Если значение равно

1, то используется простой классификатор пней

> = 2, затем классификатор CART с число_разделений используются внутренние (разделенные) узлы

По умолчанию используется 1.

-мэм память_в_МБ
Доступная память в MB для предварительного расчета. Чем больше у вас памяти, тем быстрее
тренировочный процесс есть. По умолчанию 200.

-сим, несимметричный
Укажите, имеет ли обучаемый класс объекта вертикальную симметрию или нет.
Вертикальная симметрия ускоряет тренировочный процесс и снижает потребление памяти. Для
Например, передние грани демонстрируют вертикальную симметрию. По умолчанию -сим.

-минитрат min_hit_rate
Минимальная желаемая частота попаданий для классификатора каждой стадии. Общая частота попаданий может быть
оценивается как min_hit_rate ^ number_of_stages, По умолчанию 0.950000.

-maxfalsealarm max_false_alarm_rate
Максимальная желаемая частота ложных тревог для каждого классификатора ступени. Общая ложная тревога
ставку можно оценить как max_false_alarm_rate ^ number_of_stages, По умолчанию
0.500000.

-тримминг обрезка_веса
Указывает, следует ли использовать обрезку веса и в какой степени. По умолчанию
0.950000. Достойный выбор - это 0.900000.

-экв Уточните, будут ли начальные веса всех образцов равны.

-Режим {BASIC|CORE|BCE}
Выберите тип набора характеристик волос, который будет использоваться при обучении. BASIC использует только вертикальное
особенности, в то время как CORE использует полный набор вертикальных функций и BCE использует полный набор
набор функций в вертикальном положении и с поворотом на 45 градусов. По умолчанию BASIC.

Для получения дополнительной информации об этом см. http://www.lienhart.de/ICIP2002.pdf.

-h высота_образца
Высота образца (должна иметь то же значение, что и при создании). По умолчанию
is 24.

-w ширина_образца
Ширина образца (должна иметь то же значение, что и при создании). По умолчанию
is 24.

-бт {DAB|РБА|LB|Банкомат}
Тип применяемого алгоритма повышения. Вы можете выбирать между дискретным
АдаБуст (DAB), Реальный АдаБуст (РБА), ЛогитБуст (LB) и Нежный AdaBoost (Банкомат).
по умолчанию Банкомат.

-ошибка {ошибочный класс|Джини|энтропия}
Тип используемой ошибки, если Discrete AdaBoost (-бт DAB) применяется алгоритм. В
по умолчанию ошибочный класс.

-maxtreesplits max_number_of_splits_in_tree_cascade
Максимальное количество разбиений в каскаде деревьев. По умолчанию 0.

-минпос min_number_of_positive_samples_per_cluster
Минимальное количество положительных образцов на кластер. По умолчанию 500.

Та же информация отображается, если opencv_haartraining называется без каких-либо
аргументы / варианты.

ПРИМЕРЫ

TODO

Используйте opencv_haartraining онлайн с помощью сервисов onworks.net