雪剑封心

调用库中的方法(1)(2)(3)自行训练模型方法(4)(5)

【代码】u-net图像预处理。

【代码】u-net 预测。

使用数据增强 imgaug库。

标注图像为数组内只有0与1。使用框架：torch。

weights 自定义放置训练后，并转换为推理的模型文件。test_imgs 自定义测试图片。paddleocr识别使用。

Global.pretrained_model 参数设置待转换的训练模型地址，不用添加文件后缀 .pdmodel，.pdopt或.pdparams。#Global.save_inference_dir参数设置转换的模型将保存的地址。5.其他参数如等可以在训练时在命令行中指定，更多配置文档内容参见官网资料。-o Global.pretrained_model 训练保存的文件路径。#rec_model_dir 模型地址。#use_gpu 是否使用GPU。3.训练数据集图片和标注位置；1.训练后模型存储目录；

PaddleOCR主目录下，自己新建文件夹：car_plate_images/images_det。注意：标注好的标签文件，txt文件内的图片名称前面是不需要路径的，删除多余路径，我才能正常训练。训练后保存位置–新建文件夹：./output/ch_ppocr_mobile_v2.0_det/ch_det_mv3_db_v2.0.yml_car_plate.yml文件内修改。det_label_test、det_label_train、是标签文件。再测试，将原来的测试路径换成现在训练好的模型路径。

克隆代码我使用Anaconda3的虚拟环境进行安装直接在当前目录下标注工具安装有两种方法：1.直接pip,你可以在其他环境下，或者 根本无需下载PaddleOCR的情况下安装。2.在PaddleOCR里面找到PPOCRLabel，编译安装。进入标注工具的目录编译生成进入生成的文件夹cd dist安装编译文件使用标注工具命令启动PPOCRLabel。

【代码】pixellib图像分割库简单使用。

文件名：weights 的目录下：resnet模型(.dat文件)、识别68个关键点模型(.dat文件)、共两个模型文件。补充：你如果不使用dlib库中自带的HOG人脸检测器, 那你可能会将识别人脸区域的模型再放入其中。文件名：save 的目录下：每个人的多张图像文件被存储在独立的文件夹内。思路：通过检测面部特征, 对该特征与数据存放的特征进行比对。3.将68个关键点转换为128D面部描述符。4.转换为自己需要的np格式。2.检测人脸68个关键点。

一、准备数据1.利用人脸检测方法,先将图像的人脸部分截取成图像2.批量读取图像,制作成图像与标签对应的列表二、开始训练3.训练(使用opencv自带的训练方法)4.调用。

安装：conda会自动帮你判断环境冲突的。

使用opencv 加载训练好的SSD模型。

使用dlib库加模型，将训练好的模型进行加载与检测。

【代码】人脸检测haar方法(opencv自带，需要去下载训练好的.xml文件)

根据我的测试，有个黑人没识别到。不知道是不是肤色问题，还是其他原因。