Тренировка Haar Cascade с несколькими позитивными изображениями

Я пытаюсь обучить свой каскад хааров обнаруживать оружие. Я загрузил около 2000 негативных изображений и хочу обнаружить множество видов оружия. Таким образом, каскад Хаара нужно тренировать с помощью множества положительных изображений оружия, я думаю. Как это сделать?

Кстати, я работаю в среде Linux/Ubuntu.

Заранее спасибо.


person Mert Efe Sevim    schedule 09.07.2017    source источник
comment
Привет, предлагаю натренировать для каждой пушки классификатор :)   -  person Saeed Masoomi    schedule 09.07.2017
comment
Я новичок в создании каскада хаара, пытаюсь найти лучший способ его создания. Если ваш совет - это прямой способ сделать это, я бы попробовал ;) Говоря об оружии, я не думал о разделении типов оружия. Мне нужен каскад, чтобы почувствовать это, как Да, это пушка!   -  person Mert Efe Sevim    schedule 10.07.2017
comment
вы можете использовать графический интерфейс Cascade Trainer - Amin для окон. я тоже использую убунту. и я установил вино, и я использую с ним каскадный тренер.   -  person Tolga Sahin    schedule 09.06.2020


Ответы (1)


Для обучения каскадов хаара для обнаружения пользовательских объектов вы можете использовать библиотеку opencv. В debian/ubuntu linux или его производных это можно установить, выполнив следующую команду от имени пользователя root:

# apt-get install libopencv-dev

После успешного завершения я нашел код и шаги по адресу этот сайт очень полезен для обучения каскадам хаара. Автор показал на примере.

Существует также связанный репозиторий git здесь. Readme.md кратко представляет набор шагов. Шаг №1 предназначен для установки opencv и может быть проигнорирован.

Ключом к успешному обучению является получение достаточного количества позитивных и негативных образов.

person Madhuri koushik è Koushik    schedule 11.07.2017
comment
Чтобы понять процесс более подробно, я нашел это руководство Наотоши Сео и последние 5 -6 видео в этом плейлисте будут очень полезными. - person Madhuri koushik è Koushik; 11.07.2017