go使用dlib训练模型

作者的环境为windos 10，64位。

一、准备需要检测的图片

这个是在网络上下载。

准备工具，imglab.exe，这个工具用于标记矩形框

1、创建images目录，把图片放到里面。

2、运行cmd命令行，imglab -c training_with_face_landmarks.xml images，创建相关文件。

3、运行cmd命令行，imglab training_with_face_landmarks.xml，打开制作数据集的软件。

工具的使用说明：

shirt+左键                                                      长方形的框

先选中长方形的框，再shirt+左键                   特征点标注

ctrl+滚动轴                                                     放大或者缩小

键盘的up和down                                            上/下一张图片

alt+d                                                               删除当前图片

选中框+del                                                     删除框

最终生成文件training_with_face_landmarks.xml和image_metadata_stylesheet.xsl

一、在go-face库增加训练接口

如果没有安装go-face和dlib库，请参考go使用dlib人脸检测和人脸识别_xinlinhack的博客-CSDN博客_go 人脸识别

官方的源码路径：GitHub - Kagami/go-face: Face recognition with Go

需要增加两个接口：

1、修改头文件facerec.h，增加结构体，增加两个函数facerec_train_object_detector和facerec_test_object_detector声明。

typedef struct tagSimpleTestResults
{
	double precision;
	double recall;
	double average_precision;
}tagSimpleTestResults;
 
void facerec_train_object_detector(const char* dataset_filename, const char* detector_output_filename);
tagSimpleTestResults facerec_test_object_detector(const char* dataset_filename, const char* detector_filename);

2、修改文件facerec.cc。

增加头文件#include

增加两个函数facerec_train_object_detector和facerec_test_object_detector

#include 
#include 
#include 
#include 
#include 
#include 
#include "facerec.h"
#include "jpeg_mem_loader.h"
#include "classify.h"
 
 
 
void facerec_train_object_detector(const char* dataset_filename, const char* detector_output_filename) {
 
	// options用于设置训练的参数和模式
	simple_object_detector_training_options gsOptions;
 
	// 持向量机的C参数，通常默认取为5.自己适当更改参数以达到最好的效果
	gsOptions.C = 5;
	// 线程数，你电脑有4核的话就填4
	gsOptions.num_threads = 4;
	// 打印信息
	gsOptions.be_verbose = 1;
	
	gsOptions.add_left_right_image_flips  = 1;
	
	train_simple_object_detector(dataset_filename, detector_output_filename, gsOptions);
}
 
tagSimpleTestResults facerec_test_object_detector(const char* dataset_filename, const char* detector_filename) {
	
	struct simple_test_results t;
	tagSimpleTestResults res;
	
	t = test_simple_object_detector(dataset_filename, detector_filename, -1);
	
	res.precision = t.precision;
	res.recall = t.recall;
	res.average_precision = t.average_precision;
	
	return res;
}

3、在目录C:\msys64\mingw64\include\dlib\image_processing，添加三个头文件 

simple_object_detector.h、simple_object_detector_py.h和serialize_object_detector.h

这三个文件原本是PYTHON的头文件，经过修改。

4、修改C:\msys64\mingw64\include\dlib\config.h头文件，把DLIB_GIF_SUPPORT屏蔽，否则编译不过。

5、face.go文件增加两接口

func TrainSimpleObjectDetector(dataset_filename, detector_output_filename string) {
	datasetFilePath := C.CString(dataset_filename)
	defer C.free(unsafe.Pointer(datasetFilePath))
	
	detectorOutFilePath := C.CString(detector_output_filename)
	defer C.free(unsafe.Pointer(detectorOutFilePath))
 
	C.facerec_train_object_detector(datasetFilePath, detectorOutFilePath)
	
	return
}
 
 
func TestSimpleObjectDetector(dataset_filename, detector_filename string) (precision, recall, average_precision float32) {
 
	datasetFilePath := C.CString(dataset_filename)
	defer C.free(unsafe.Pointer(datasetFilePath))
	
	detectorFilePath := C.CString(detector_filename)
	defer C.free(unsafe.Pointer(detectorFilePath))
	
	ret := C.facerec_test_object_detector(datasetFilePath, detectorFilePath)
	//defer C.free(unsafe.Pointer(ret))
 
	precision = float32(ret.precision)
	recall = float32(ret.recall)
	average_precision = float32(ret.average_precision)
 
	return
}

至此，人脸库可以使用了。

三、训练例子代码

package main
 
import (
	"fmt"
	"github.com/Kagami/go-face"
	"path/filepath"
)
 
 
// 训练
func trainSimple()   {
 
	fmt.Println("开始训练:")
 
	dataset_filename := filepath.Join("cat_face_train", "cat_face_train.xml")
 
	face.TrainSimpleObjectDetector(dataset_filename, "catDetector.svm")
 
	precision, recall, average_precision := face.TestSimpleObjectDetector("cat_face_train/cat_face_train.xml", "catDetector.svm")
	fmt.Println("训练图片的精确度: ", precision, recall, average_precision )
 
	precision, recall, average_precision = face.TestSimpleObjectDetector("cat_face_test/cat_face_test.xml", "catDetector.svm")
	fmt.Println("测试图片的精确度: ", precision, recall, average_precision )
 
}
 
 
func main()  {
	// 训练
	trainSimple()
 
}

 可以看到准确率差不多7成，模型保存到了catDetector.svm中。

四、测试模型

接口NewRecognizer3、SetSimpleDetector和DetectFromBufferSimple都是定制的，需要修改go-face的库，达到跟python的接口一致。

package main
 
import (
	"fmt"
	"github.com/Kagami/go-face"
	"gocv.io/x/gocv"
	"image"
	"image/color"
	"log"
	"path/filepath"
)
 
 
func testDetectorSimple()  {
 
	// open display window
	window := gocv.NewWindow("cat Detector")
	defer window.Close()
 
	// color for the rect when faces detected
	greenColor := color.RGBA{0, 255, 0, 255}
	//redColor   := color.RGBA{255, 0, 0, 255}
 
	// Init recognizer
	rec, err := face.NewRecognizer3()
	if nil != err {
		log.Fatal(err)
	}
	// close it
	defer rec.Close()
 
	// Load
	if err = rec.SetSimpleDetector("catDetector.svm"); nil != err {
		log.Fatal(err)
	}
 
	faceImagePath := "cat_face_test/6.jpg"
 
	//
	fmt.Println("正在读的人脸图像 = ", faceImagePath)
 
	img1 := gocv.IMRead(faceImagePath, gocv.IMReadColor)
	defer img1.Close()
 
	buff, err := gocv.IMEncode(".jpg", img1)
 
	//
	faces, err := rec.DetectFromBufferSimple(buff.GetBytes())
 
	if err != nil {
		log.Fatalf("无法识别: %v", err)
	}
 
	if 0 == len(faces){
		log.Fatal("图片中没找到人脸")
	}
 
	for _, f := range faces{
 
		gocv.Rectangle(&img1, f.Rectangle, greenColor, 3)
 
		pt := image.Pt(f.Rectangle.Min.X, f.Rectangle.Min.Y-10)
		gocv.PutText(&img1, "cat", pt, gocv.FontHersheyPlain, 1, greenColor, 1)
 
	}
 
	// show the image in the window, and wait 1 millisecond
	window.IMShow(img1)
 
	for{
		if window.WaitKey(1) >= 0 {
			break
		}
	}
 
}
 
func main()  {
 
	// 使用模型测试
	testDetectorSimple()
 
}

工具和代码的路径：训练工具、测试代码、goface修改的代码和头文件。-机器学习文档类资源-CSDN下载