以下内容是利用opencv自带的训练器opencv_traincascade.exe与opencv_createsamples.exe，来对口罩数据集进行训练。内容是自己操作过程中的笔记，可能会有些杂乱，其他的可以查看一下参考资料。

文章目录

0. 检测器初体验
1. 数据的准备
2. 创建正样本vec文件
3. 训练获得xml文件
4. 利用训练出来的cascade.xml来验证

0. 检测器初体验

由于这里需要opencv自带的xml文件，这里我用的是conda的虚拟环境，所以xml文件处于E:\anacanda\envs\pytorch\Lib\site-packages\cv2\data中，这里使用了一个关于人脸检测的xml文件。

import cv2
#识别人脸的xml文件，构建人脸检测器facexml_path = "E:/anacanda/envs/pytorch/Lib/site-packages/cv2/data/haarcascade_frontalface_default.xml"
detector= cv2.CascadeClassifier(facexml_path)
#获取0号摄像头的实例
cap = cv2.VideoCapture(0)while True:# 就是从摄像头获取到图像，这个函数返回了两个变量，第一个为布尔值表示成功与否，以及第二个是图像。ret, img = cap.read()assert ret is True,"Cramae Capture Nothing"# 转为灰度图gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)#获取人脸坐标faces = detector.detectMultiScale(gray, 1.1, 3)for (x, y, w, h) in faces:#参数分别为 图片、左上角坐标，右下角坐标，颜色，厚度cv2.rectangle(img, (x, y), (x + w, y + h), (0, 0, 255), 2)cv2.imshow('Test Detection', img)# 在10ms内等待按键，否则显示下一帧，也就是10ms内按Esc退出循环if cv2.waitKey(10) == 27:breakcap.release()
cv2.destroyAllWindows()

这里体验了一下opencv自带的xml来构建人脸检测器，但是，检测得过程不是特别的稳定。关于opencv自带的检测器其实还有关于其他方面的，如下所示，具体的可以自行体验。

1. 数据的准备

正样本：仅包含被检测物体的样本，并且距离边界尽量要小，图片尺寸大小一致，附件需要有路径还需要添加重复吃属于目标图片的矩形框。
eg：E:\学习\机器学习\数据集\mask2\positive\100000.jpg 1 0 0 20 20
ps：这里1表示当前图片重复出现的次数是1， 0 0 50 50表示目标图片大小是矩形框从（0，0）到（50，50）
负样本：不包含被检测物体的样本，图片尺寸大小无要求，路径存放没有要求。
eg：E:\学习\机器学习\数据集\mask2\negative\100000.jpg

这里口罩的数据集中的正样本数为：352，负样本数为：1053

正样本名字处理脚本

这里对正样本进行名字的添加处理我写了一个脚本来实现，具体变现为：E:\学习\机器学习\数据集\mask2\positive\100000.jpg -> E:\学习\机器学习\数据集\mask2\positive\100000.jpg 1 0 0 20 20

import os# 读取文件所有数据
rf = open(r"E:/学习/机器学习/数据集/mask2/positive/posdata.txt", "r")
rdata = rf.readlines()# 改写数据并保存
wdata = []
for data in rdata:oneline = data[:-1] + " 1 0 0 20 20\n"wdata.append(oneline)# 写入数据
wf = open(r"E:/学习/机器学习/数据集/mask2/positive/posdata2.txt", "w")
wf.writelines(wdata)# 关闭文件描述符
rf.close()
wf.close()

保存图片文件名处理脚本

把图片文件名保存在一个文件中，构建成一个函数使用.
不过这个操作可以通过使用cmd打开对应的文件夹，输入：dir /b/s/p/w *.jpg > your_filename.txt 来实现，简洁版本是：dir /b *.jpg > your_filename.txt

import os
# dir：图片文件夹的路径
# filename：保存文件名称
def SaveImageName(dir, filename):imgnames = os.listdir(dir)imglists = []for imgname in imgnames:imgname = dir + '/' + imgname + '\n'imglists.append(imgname)wf = open(os.path.join(dir, filename), "w")wf.writelines(imglists)wf.close()# 测试函数
imgdir = "E:/学习/机器学习/数据集/mask2/negative"
filename = "negative.txt"
SaveImageName(imgdir, filename)

ps：dir /b *.jpg > your_filename.txt

输入完了之后就会生成对应的file，里面存储的是当前文件夹下全部后缀名为md的文件名。

2. 创建正样本vec文件

opencv_createsamples.exe -vec pos.vec -info posdata.txt -num 352 -w 20 -h 20

成功获得pos.vec文件

info，指样本说明文件
vec，样本描述文件的名字及路径
num，总共几个样本，要注意，这里的样本数是指标定后的20x20的样本数，而不是大图的数目，其实就是样本说明文件第2列的所有数字累加
-w -h指明想让样本缩放到什么尺寸。

详细参数见官方资料：https://docs.opencv.org/3.4.1/dc/d88/tutorial_traincascade.html

3. 训练获得xml文件

最后运行成功的代码：

opencv_traincascade.exe -data xml -vec pos.vec -bg negdata.txt -numPos 100 -numNeg 300 -numStages 20 -w 20 -h 20 -mode ALL

参数列表如下所示：

data <cascade_dir_name>：应存储经过训练的分类器的位置。此文件夹应事先手动创建。
vec <vec_file_name>: 带有正样本的 vec 文件（由 opencv_createsamples 实用程序创建）。
bg <background_file_name>: 背景描述文件。这是包含负样本图像的文件。
numPos <number_of_positive_samples>：每个分类器阶段训练中使用的正样本数。
numNeg <number_of_negative_samples>：每个分类器阶段训练中使用的负样本数。
numStages <number_of_stages>：要训练的级联阶段数。
precalcValBufSize <precalculated_vals_buffer_size_in_Mb>：预先计算的特征值的缓冲区大小（以 Mb 为单位）。您分配的内存越多，训练过程就越快，但请记住，两者的-precalcValBufSize总和-precalcIdxBufSize不应超过您可用的系统内存。
precalcIdxBufSize <precalculated_idxs_buffer_size_in_Mb>：预先计算的特征索引的缓冲区大小（以 Mb 为单位）。您分配的内存越多，训练过程就越快，但请记住，两者的-precalcValBufSize总和-precalcIdxBufSize不应超过您可用的系统内存。
baseFormatSave: 这个论点在 Haar-like 特征的情况下是真实的。如果指定，级联将以旧格式保存。这只适用于向后兼容的原因，并允许用户坚持使用旧的已弃用界面，至少可以使用较新的界面训练模型。
numThreads <max_number_of_threads>：训练期间使用的最大线程数。请注意，实际使用的线程数可能会更少，具体取决于您的机器和编译选项。默认情况下，如果您使用 TBB 支持构建 OpenCV，则会选择最大可用线程，这是优化所必需的。
acceptanceRatioBreakValue <break_value>：此参数用于确定您的模型应该保持学习的精确程度以及何时停止。一个好的指导原则是训练不超过 10e-5，以确保模型不会过度训练您的训练数据。默认情况下，此值设置为 -1 以禁用此功能。

详细参数见官方资料：https://docs.opencv.org/3.4.1/dc/d88/tutorial_traincascade.html

ps：这里需要小心调整numPos与numNeg的大小，这里指的每个分类器阶段训练中使用样本数，设置得过大可能会引起错误。设置的numPos过大，由于训练时pos count 会从你设置的numPos增大，每一级都按一定的次序增大，后来可能会超过样本库中正样本的个数，就会报这个错误。

Error: Bad argument (Can not get new positive sample. The most
possible reason is insufficient count of samples in given vec-file.

根据参考资料3，这里设置调整的值一般满足关系为：

numneg （负样本）数设置为总数的一半，或者其他值,
numpos （正样本）数设置为负样本数的3分1

训练完成后，得到最后的casce.xml文件

ps：这个xml的文件夹需要自己创建

整个bin的目录文件如下所示：

在训练过程中会出现了以下的问题：

1）Error: Bad argument (Can not get new positive sample. The most possible reason is insufficient count of samples in given vec-file

opencv_traincascade.exe -data xml -vec pos.vec -bg negdata.txt -numPos 500 -numNeg 656 -numStages 20 -w 20 -h 20 -mode ALL

出现问题：

Error: Bad argument (Can not get new positive sample. The most
possible reason is insufficient count of samples in given vec-file

opencv_traincascade.exe -data xml -vec pos.vec -bg negdata.txt -numPos 352 -numNeg 1053 -numStages 20 -w 20 -h 20 -mode ALL

出现问题：

Error: Bad argument (Can not get new positive sample. The most
possible reason is insufficient count of samples in given vec-file.

问题原因：设置的numPos过大，由于训练时pos count 会从你设置的numPos增大，每一级都按一定的次序增大，后来可能会超过样本库中正样本的个数，就会报这个错误。

2）Required leaf false alarm rate achieved. Branch training terminated.

这不是一个错误。鉴于所提供的样本设置，级联已达到其预期的潜力。需要添加更多的数据或者设置更苛刻条件。

4. 利用训练出来的cascade.xml来验证

下面是调用摄像头，利用刚刚训练出来的xml文件来构建口罩的检测器来对每一帧图像进行检测

import cv2# 构建两个检测器
facexml_path = "E:/anacanda/envs/pytorch/Lib/site-packages/cv2/data/haarcascade_frontalface_default.xml"
maskxml_path = "E:/project/Opencv_Project/dataset/bin/xml/cascade.xml"
face_detector = cv2.CascadeClassifier(facexml_path)
mask_detector = cv2.CascadeClassifier(maskxml_path)# 获取摄像头的实例
cap = cv2.VideoCapture(0)# 不断对每一帧进行处理
while True:# 返回的第一个参数是成功与否，第二个参数的一帧图像ret, img = cap.read()  assert ret is True,"Capture Noting"   # 如果ret为空则报错# 转换为灰度图gray = cv2.cvtColor(img, cv2.COLOR_RGB2GRAY)#获取人脸坐标faces = face_detector.detectMultiScale(gray, 1.1, 3)# 依次遍历人脸对象for (x, y, w, h) in faces:#参数分别为 图片、左上角坐标，右下角坐标，颜色，厚度cv2.rectangle(img, (x, y), (x + w, y + h), (255, 0, 0), 2)face=img[y:y+h,x:x+w]  # 裁剪坐标为[y0:y1, x0:x1]mask_face=mask_detector.detectMultiScale(face, 1.1, 5)for (x2,y2,w2,h2) in mask_face:cv2.rectangle(img, (x2, y2), (x2 + w2, y2 + h2), (0, 0, 255), 2)cv2.imshow('Mask Detection', img)# 在10ms内等待按键，否则显示下一帧，也就是10ms内按Esc退出循环if cv2.waitKey(10) == 27:break# 释放缓存，清理窗口
cap.release()
cv2.destroyAllWindows()

实验结果：

这里我该了两次参数训练了两个cascade.xml文件，但是效果好像都不好；另外我私下问了参考资料[3]的博主，拿了其提供的cascade.xml文件（这里表示感谢！！有需要的可以关注他的公众号：矩阵科学），好像效果还是不太好，甚至没有检测出口罩，一方面可能是我电脑摄像头不好，另一方面可能使用opencv提供的工具训练不是很稳定。

有机会下次使用深度学习的方法来做一些口罩检测的项目。

参考资料：

一些训练过程中可能出现的错误：https://www.cnblogs.com/hyacinthwyd/p/8885003.html
使用opencv的级联分类器训练样本获得xml数据的方法：https://blog.csdn.net/qq_43475606/article/details/110054791
基于Opencv的口罩佩戴识别系统：https://blog.csdn.net/cj151525/article/details/104984897

基于OpenCV训练口罩检测数据集并测试相关推荐

实战CenterNet，训练猫脸关键点检测数据集并测试
实战CenterNet,训练猫脸关键点检测数据集并测试一.本机配置二.环境搭建三.数据准备四.开始训练五.测试六.references 这里主要记录一下,调试CenterNet用来训练猫脸 ...
一分钟教会您使用Yolov5训练自己的数据集并测试
1. 下载YOLO项目代码点击这里下载并解压YOLO的官方代码:https://github.com/ultralytics/yolov5/tree/v5.0 2. 环境安装 cd进入到下载的YOL ...
Mxnet训练自己的数据集并测试
使用Mxnet训练图片分类类器 1.准备数据: (1)建立一个根目录然后,再为每一个类别的图片建立一个子文件夹,把每一类图片放入对应的子文件夹即可. --root: ----class1 ----cl ...
Python口罩识别检测全网最全OpenCV训练分类器具体步骤（以训练口罩检测分类器为例）附分类器和数据集下载地址
声明本文仅在CSDN发布,其他均为盗版.请支持正版! 正版链接: https://blog.csdn.net/meenr/article/details/115825671 OpenCV训练口罩检测 ...
使用opencv训练目标检测模型基于cascade模型
使用opencv训练目标检测模型基于cascade模型基于Haar特征的cascade分类器(classifiers) 是Paul Viola和 Michael Jone在2001年,论文" ...
Ultralytics公司YOLOv8来了(训练自己的数据集并基于NVIDIA TensorRT和华为昇腾端到端模型加速)--跟不上“卷“的节奏
Official YOLOv8 训练自己的数据集并基于NVIDIA TensorRT和华为昇腾端到端模型加速说明: 本项目支持YOLOv8的对应的package的版本是:ultralytics-8. ...
基于openMV的口罩检测
基于openMV的口罩检测什么是openmv openmv可以做什么学习过程好久没有更新了,这学期过得有点狼狈,暑假留校做一辆stm32智能小车,会不时更新一些我学习到的东西,今天分享一下我这两 ...
基于opencv的人脸检测与识别(python)（1）
基于opencv的人脸检测与识别(python语言)(1) 人脸检测和识别技术就目前而言,已经相对成熟,各类算法层出不穷,这都归功于各位奋斗在一线的大佬的努力(站在巨人的肩膀上的感觉就是爽).本文是参 ...
基于opencv实现人脸检测
基于opencv实现人脸检测 opencv简述 opencv是一个开源的计算机视觉库,它有着C++,Python,Java等接口,支持Windows,Linux,Mac OS,IOS 和 Androi ...

基于OpenCV训练口罩检测数据集并测试