D-lib 目标检测器训练答案

【问题标题】：D-lib object detector trainingD-lib 目标检测器训练
【发布时间】：2023-03-06 07:02:01
【问题描述】：

我正在尝试使用 D-lib 训练对象检测器。我选择了近 100 张图像进行训练。我正在使用 Python 环境。根据文档，我使用 Imglab 工具在图像上绘制边界框。每张图像的大小几乎为 4000*3000 像素。然后将生成的XML文件放到我的位置，调用检测程序。以下是我的疑问和问题。

在运行程序时我应该使用什么作为测试 XML 文件？我在没有分配任何测试 XML 的情况下运行。但是，我得到以下信息。使用 C 进行训练：5 使用 epsilon 进行训练：0.01 使用 8 个线程进行训练。使用 81 像素宽 x 79 像素高的滑动窗口进行训练。对图像的左右翻转版本进行训练。被杀顺便问一下，“杀死”是什么意思？

我现在该怎么办？请指导！

【问题讨论】：

4000*3000 对于滑动风速 81x79 来说太大了。是的，它可以训练 - 但会占用大量 RAM。使用小图像 - 用您的对象 + 周围的一些空间裁剪它们
谢谢！当我对图像进行下采样时，它工作得很好。得到一个训练有素的 xml 和 svm 文件。那么，如何在自己的图像集中使用经过训练的分类器？
分类器训练后 - 它适用于任何大于 81x79 的图像尺寸
所以，xml文件变成了分类器！ svm文件有什么用？
这里是示例dlib.net/train_object_detector.py.html。您可以从 .svm 文件构建（加载）检测器。并且您可以在没有 xml 的情况下训练对象检测器

标签： python conv-neural-network dlib dlib-python

【解决方案1】：

测试 XML 文件提供用于检查对象检测准确性的图像和对象注释。可以使用 imglab 生成该文件，就像使用训练 XML 一样。它应该包含与您的训练数据集相似但不完全相同的数据。

Killed 消息是由于内存问题。在 Linux 中，它是 OOM Killer 的结果。由于图像太大，您的机器内存不足并终止了训练过程。
可能的解决方案：
1) Configure the OOM killer 允许 dlib 使用更多内存。
2) 如果可能的话，为您的应用缩小图像。
3) 使用内存更大的机器。如果您手头没有，AWS 以相对较低的成本提供了几个高 RAM EC2 options。

【讨论】：

感谢您的信息。