min_faces_per_person=60 is too restrictive解决办法（人脸识别数据lfw_funneled）

最新推荐文章于 2022-07-09 16:57:42 发布
最新推荐文章于 2022-07-09 16:57:42 发布
阅读量2.2k 收藏 4
点赞数 4
分类专栏： 机器学习 文章标签： python 人脸识别
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/sjjsaaaa/article/details/110484863
版权

min_faces_per_person=60 is too restrictive解决办法.
在运行：

faces = fetch_lfw_people(min_faces_per_person=60)#实例化   #每个人需要60张图

这个代码时出现问题：

在这里插入图片描述
这个是因为有数据没有下载完整而报的错误，下载到的目录（我的是window系统，在）下载好复制到这个目录就行，必须先将lfw_home目录下所有内容删除，再运行即可。

这是我的路径。

C:\Users\lenovo\scikit_learn_data\lfw_home

在这里插入图片描述

可以手动下载下面这几个，将不完整的删除。
https://ndownloader.figshare.com/files/5976018 #lfw.tgz
https://ndownloader.figshare.com/files/5976015 #lfw-funneled.tgz
https://ndownloader.figshare.com/files/5976012 #pairsDevTrain.txt
https://ndownloader.figshare.com/files/5976009 #pairsDevTest.txt
https://ndownloader.figshare.com/files/5976006 #pairs.txt

如果下载太慢了，可以在评论区留下你的邮箱！

黎明之道
关注
  • 4
    点赞
  • 踩
  • 4
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 9
    评论
专栏目录
orl_faces_ORL数据集_人脸识别_人传人人脸_orl数据集介绍_图像数据集_
10-02
orl人脸数据集，共400张。包括40个人，每人10张人脸图像。
scikit-learn 关于svm进行人脸识别使用报错的问题
zhaojiafu的博客
04-08 6199
问题1、 ModuleNotFoundError: No module named 'sklearn.cross_validation’ 这个错是导入 from sklearn.cross_validation import train_test_split 报的错。主要是因为这个模块有更改，将这一句改为下面即可： from sklearn.model_selection import trai...
python没有错误但是不显示结果_python出错时提示消息解读
weixin_39949584的博客
11-23 1426
写 Python 代码的时候,当代码中出现错误，会在输出的时候打印 Traceback 错误信息，很多初学者看到那一堆错误信息，往往都会处于懵逼状态，脑中总会冒出一句，这都是些啥玩意。如果你是第一次看到它，也许你不知道它在告诉你什么。虽然 Python 的 Traceback 提示信息看着挺复杂，但是里面丰富的信息，可以帮助你诊断和修复代码中引发异常的原因，以及定位到具体哪个文件的哪行代码出现...
mmdetection中的dataset
qq_43403200的博客
11-28 4588
TOV_mmdetection中的dataset1、train.py2、build_dataset ; mmdet/datasets/builder.py3、build_from_cfg ; mmcv/utils/registry.py4、CocoFmtDataset.init ; mmdet/datasets/cocofmt.pyCocoFmtDataset.init：CustomDataset.init：一、首先将相关参数保存到属性中，值得注意的是这里的self是CocoFmtDataset。二、调用g
【PCA实现与实战】基于python实现PCA算法并用于手写数字识别
Mr.Pru
07-09 2034
PCA算法的python实现，并用于手写数字识别
机器学习之数据预处理——降噪
zxxxlh123的博客
10-19 1万+
机器学习之数据预处理——降噪 上一节学习线性回归法填补缺失值和拉格朗日插值法，这节课学习采用等深分箱的方式进行数据降噪处理。 1.降噪方法 money=[800,1000,1200,1500,1600,1800,2000,2300,\ 2500,2800,3000,3500,4000,4500,4800,5000] cut1=pd.cut(pd.Series(money), bins=[0,1000,2000,3000,4000,5000])#设定分箱区间 #0可以写，也可以不写 prin
python主成分分析_Python机器学习笔记：主成分分析（PCA）算法
weixin_39570530的博客
11-28 1345
一：引入问题首先看一个表格，下表是某些学生的语文，数学，物理，化学成绩统计：首先，假设这些科目成绩不相关，也就是说某一科目考多少分与其他科目没有关系，那么如何判断三个学生的优秀程度呢？首先我们一眼就能看出来，数学，物理，化学这三门课的成绩构成了这组数据的主成分（很显然，数学作为第一主成分，因为数据成绩拉的最开）。那么为什么我们能一眼看出来呢？当然是我们的坐标轴选对了！！下面，我们继续看一个表格，下...
数据处理中的归一化与反归一化
热门推荐
shuangrenyu5的博客
03-18 3万+
一、定义 数据归一化（标准化）是数据预处理的一项基础工作，不同评价指标往往具有不同的量纲和量纲单位，为避免影响数据分析结果、消除指标之间的量纲影响，须对数据进行标准化处理。 数据的归一化（normalization）是将数据按比例缩放，使之落入一个小的特定区间。去除数据的单位限制，将其转化为无量纲的纯数值，便于不同单位或量级的指标能够进行比较和加权，加快训练网络的收敛性。其中最典型的就是数据的归一化处理，即将数据统一映射到[0,1]区间上。 二、两种常用的归一化方法 （1）线性函数归一化（Min-M
04机器学习--主成分分析(PCA)与梯度上升法及python实现
weixin_44446756的博客
04-16 1805
①PCA概述 一个非监督的机器学习算法 主要用于数据的降维 通过降维，可以发现更便于人类理解的特征 其他应用：可视化、去噪 例如：一个二维的数据 经过降维（保留其中一个维度，去除另一个维度，这里保留了特征） 另一种降维方式 比较容易看出第一种降维方案比较好，因为映射在x轴上的特征之间的距离相对较大，容易区分。 第一种方案就是最好的方案吗？ 再看一种情况 都映射到了一个轴上，这种方案所有的点更加趋近于原来的分布情况，这个时候的映射的区分度是最明显的，我们的目标就变.
人脸表情识别数据集-emotion_faces-data-new
06-10
kaggle2018年的人脸表情识别数据集，来自实验室环境下采集的7864张人脸彩色图，每人采集了20张不同表情。
人脸识别yale_faces数据集
04-29
这是用于人脸识别的经典人脸库，人脸识别的实验和验证都是在这些基础库上完成的，它是yale人脸库，包含不同人脸的各种姿态
orl_faces.rar_ORL人脸_faces_人脸识别_模式识别_识别
09-22
人脸识别经典程序，包括模式识别的全部过程
python机器学习之数据的预处理（五种方式数据处理案例详解）
sjjsaaaa的博客
11-29 1万+
数据的预处理 数据下载地址——>点这里下载 到入文件时可以直接复制地址然后用r" "包裹起来。 例如：data = pd.read_cav(r"C:\work\data.csv") 或者也可以以直接将\换成//也可以导入。 1.归一化 在sklearn当中，我们使用preprocessing.MinMaxScaler来实现这个功能。MinMaxScaler有一个重要参数，feature_range，控制我们希望把数据压缩到的范围，默认是[0,1]。 导入库和数据 from sklearn.prep
机器学习的数据结构——张量（详细介绍及Python中对张量的操作）
sjjsaaaa的博客
04-20 1万+
张量 一、张量的轴、阶和形状 张量是机器学习程序中的数字容器，本质上就是各种不同维度的数组，我们把张量的维度称为轴（axis），轴的个数称为阶（rank）（也就是俗称的维度，但是为了把张量的维度和每个阶的具体维度区分开，这里统一把张量的维度称为正脸那个的阶，Numpy中把它叫做数组的秩） 张量的形状（shape）就是张量的阶，加上每个阶的维度（每个阶的元素数目） 张量都可以通过Numpy来定义、操作。因此把Numpy数学函数库里面的数组用好，就可以搞定机器学习里面的数据结构。 二、标量——0D（阶）张量 仅
python机器学习之降维算法PCA(高维数据的可视化,鸢尾花案例)
sjjsaaaa的博客
12-01 1万+
高维数据的可视化 n_components是我们降维后需要的维度，即降维后需要保留的特征数量，降维流程中第二步里需要确认的k值，一般输入[0, min(X.shape)]范围中的整数。 调用库和模块 import matplotlib.pyplot as plt from sklearn.datasets import load_iris from sklearn.decomposition import PCA 提取数据集 iris = load_iris() x = iris.data y = iri
机器学习基础线性回归——预测网店的销售额
sjjsaaaa的博客
04-21 8621
线性回归 步骤： 明确定义所要解决的问题——网店销售额的预测 在数据的收集与预处理环节，分五个环节完成数据的预处理工作，分别如下 （1）收集数据— 需要提供的网店的相关记录 （2）将收集到的数据可视化，显示出来看一看 （3）做特征工程，使数据更容易被机器处理 （4）拆分数据集为训练集和测试集 （5）做特征缩放，把数据值压缩到比较小的区间 选择机器学习的模型环节 （1）确定机器学习的算法——这里也就是线性回归算法 （2）确定线性回归算法的假设函数 （3）确定线性回归算法的损失函数 通过梯度下降训练机器，确定
python机器学习之决策树案例——泰坦尼克号幸存者的预测
sjjsaaaa的博客
11-23 7533
决策树（Decision Tree）是一种非参数的有监督学习方法，它能够从一系列有特征和标签的数据中总结出决策规则，并用树状图的结构来呈现这些规则，以解决分类和回归问题。决策树算法容易理解，适用各种数据，在解决各种问题时都有良好表现，尤其是以树模型为核心的各种集成算法，在各个行业和领域都有广泛的应用。 泰坦尼克号幸存者的预测 数据点击这里可以下载——>点击这里下载。也可以在评论区留下你的邮箱，我发送给您。 首先导入所用到的库： import pandas as pd from sklearn.tre
python机器学习之特征选择（过滤法、嵌入法、包装法案例详解）
sjjsaaaa的博客
11-30 6160
特征选择 特征工程： 1、特征提取 ：从文字，图像等数据中提取信息作为特征 2、特征创造 ：把现有特征进行组合，或仙湖计算，得到新的特征 3、特征选择 ：从所有的特征种，选择出有意义的，对模型有帮助的特征，避免所有特征都导图模型取训练的情况。在特征选择之前，跟数据提供者开会。 下面案例所用到的数据获取地址——>这里下载 1.过滤法 首先导入数据 import pandas as pd data = pd.read_csv("../数据/digit recognizor.csv") data
faces = fetch_lfw_people(min_faces_per_person=70, resize=0.4)
最新发布
06-08
这是一个使用 scikit-learn 库中的 fetch_lfw_people 方法来获取 Labeled Faces in the Wild（LFW）人脸数据集中的人脸图像，并将图像进行预处理的代码。其中，min_faces_per_person=70 表示只选择至少包含70张图像的人的图像，resize=0.4 表示将图像大小缩小到原始大小的40%以加快处理速度。此操作将返回一个包含人脸图像和标签的字典。

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论 9
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

黎明之道

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值