个人笔记：OpenCV（一）图像分类——猫狗分类为例
目录
前言：
数据集准备
模型训练
模型调用
附录一：代码运行结果参考
附录二：代码详解（个人简介仅供参考）
前言：使用的编译环境和工具：Anaconda、Jupyter Notebook
需要安装的库：OpenCV（打开 Anaconda Prompt 终端，输入命令：conda install opencv）
数据集准备 文件结构 CATandDOG（总文件夹）data（数据集文件夹）XXX.ipynb（代码文件）
train（训练集文件夹）test（测试集文件夹）cat（猫的图片）dog（狗的图片） 模型训练以下是模型训练代码：
import cv2
import numpy as np
import os
def load_data():
train_data = []
train_labels = []
for label, folder_name in enumerate(['cat', 'dog']):
folder_path = os.path.join('data', 'train', folder_name)
for filename in os.listdir(folder_path):
img_path = os.path.join(folder_path, filename)
img = cv2.imread(img_path)
img = cv2.resize(img, (128, 128))
train_data.append(img)
train_labels.append(label)
train_data = np.array(train_data)
train_labels = np.array(train_labels)
train_data = train_data.astype(np.float32)
return train_data, train_labels
train_data, train_labels = load_data()
train_data = train_data.reshape((train_data.shape[0], -1))
model = cv2.ml.SVM_create()
model.setType(cv2.ml.SVM_C_SVC)
model.setKernel(cv2.ml.SVM_LINEAR)
model.setTermCriteria((cv2.TERM_CRITERIA_MAX_ITER, 100, 1e-6))
model.train(train_data, cv2.ml.ROW_SAMPLE, train_labels)
model.save('catdog_model.xml')
等待运行结束即可在CATandDOG文件夹中找到生成的catdog_model.xml模型文件。
模型调用模型调用有两种方式。
① 第一种是训练之后直接调用，直接在模型训练代码后加上以下代码：
test_data = []
folder_path = os.path.join('data', 'test')
for filename in os.listdir(folder_path):
img_path = os.path.join(folder_path, filename)
img = cv2.imread(img_path)
img = cv2.resize(img, (128, 128))
test_data.append(img)
test_data = np.array(test_data)
test_data = test_data.astype(np.float32)
test_data = test_data.reshape((test_data.shape[0], -1))
_, test_labels = model.predict(test_data)
for filename, label in zip(os.listdir(folder_path), test_labels):
if label == 0:
print(filename, 'is a cat')
elif label == 1:
print(filename, 'is a dog')
② 另一种方式是python程序调用.xml模型文件，代码如下：
import cv2
import numpy as np
import os
import time
start_time = time.time()
model = cv2.ml.SVM_load('catdog_model.xml')
test_data = []
folder_path = os.path.join('data', 'test')
for filename in os.listdir(folder_path):
img_path = os.path.join(folder_path, filename)
img = cv2.imread(img_path)
img = cv2.resize(img, (128, 128))
test_data.append(img)
test_data = np.array(test_data)
test_data = test_data.astype(np.float32)
test_data = test_data.reshape((test_data.shape[0], -1))
_, test_labels = model.predict(test_data)
for filename, label in zip(os.listdir(folder_path), test_labels):
if label == 0:
print(filename, 'is a cat')
elif label == 1:
print(filename, 'is a dog')
end_time = time.time()
print('Time elapsed:', end_time - start_time, 'seconds')
附录一：代码运行结果参考
方法一运行结果 
方法二运行结果 
我的测试集（可以看到测试结果基本正确） 附录二：代码详解（个人见解仅供参考） train_data = []
train_labels = []
#定义一个空列表train_data和train_labels用于存储训练数据和标签
for label, folder_name in enumerate(['cat', 'dog']):
#对于列表中的每个元素，使用enumerate()函数生成一个元素和其索引组成的序列，其中label表示索引，folder_name表示元素，用于遍历猫和狗两个文件夹。
folder_path = os.path.join('data', 'train', folder_name)
使用os.path.join()函数将'data', 'train', folder_name三个字符串合并为一个路径字符串，用于指定训练数据所在的文件夹路径。
for filename in os.listdir(folder_path):
遍历文件夹下的每个文件名
img_path = os.path.join(folder_path, filename)
img = cv2.imread(img_path)
img = cv2.resize(img, (128, 128))
使用os.path.join()函数将folder_path和filename组合为完整的图片路径img_path，然后使用cv2.imread()函数读取图片，cv2.resize()函数将图片大小调整为128x128像素。
train_data.append(img)
train_labels.append(label)
将处理过的图片存储在train_data列表中，将对应的标签存储在train_labels列表中。
train_data = np.array(train_data)
train_labels = np.array(train_labels)
将train_data和train_labels转换为numpy数组。
train_data = train_data.astype(np.float32)
将train_data的数据类型转换为np.float32，以便后续处理。
return train_data, train_labels
返回处理好的训练数据train_data和对应的标签train_labels。
train_data, train_labels = load_data()
调用load_data()函数加载训练数据，将训练数据和标签分别存储在train_data和train_labels变量中。
train_data = train_data.reshape((train_data.shape[0], -1))
将train_data变量的形状从(n, w, h, c)转换为(n, w * h * c)，即将每个图片数据压缩成一维数组。
model = cv2.ml.SVM_create()
创建一个SVM分类器对象model。
model.setType(cv2.ml.SVM_C_SVC)
设置SVM分类器的类型为C_SVC，即支持向量分类器。
model.setKernel(cv2.ml.SVM_LINEAR)
设置SVM分类器的核函数为线性核。
model.setTermCriteria((cv2.TERM_CRITERIA_MAX_ITER, 100, 1e-6))
设置SVM分类器的终止准则，当迭代次数达到100次或误差小于1e-6时停止训练。
model.train(train_data, cv2.ml.ROW_SAMPLE, train_labels)
使用训练数据和标签train_data、train_labels训练SVM分类器。
model.save('catdog_model.xml')
将训练好的模型保存到catdog_model.xml文件中。
test_data = []
定义一个空列表test_data用于存储测试数据。
folder_path = os.path.join('data', 'test')
使用os.path.join()函数将'data'和'test'两个字符串合并为一个路径字符串，用于指定测试数据所在的文件夹路径。
for filename in os.listdir(folder_path):
遍历文件夹下的每个文件名。
img_path = os.path.join(folder_path, filename)
img = cv2.imread(img_path)
img = cv2.resize(img, (128, 128))
使用os.path.join()函数将folder_path和filename组合为完整的图片路径img_path，然后使用cv2.imread()函数读取图片，cv2.resize()函数将图片大小调整为128x128像素。
test_data.append(img)
将处理过的图片存储在test_data列表中。
test_data = np.array(test_data)
将test_data转换为numpy数组。
test_data = test_data.astype(np.float32)
将test_data的数据类型转换为np.float32，以便后续处理。
test_data = test_data.reshape((test_data.shape[0], -1))
将test_data变量的形状从(n, w, h, c)转换为(n, w * h * c)，即将每个图片数据压缩成一维数组。
model = cv2.ml.SVM_load('catdog_model.xml')
在本例中，该行代码加载了文件名为 'catdog_model.xml' 的 SVM 模型，并将其赋值给变量 model。这个 SVM 模型是在之前的训练过程中训练好的，用于对猫狗图像进行分类。加载已经训练好的 SVM 模型，可以避免重新训练模型的时间和计算成本，同时可以快速地对新的数据进行分类预测。
_, test_labels = model.predict(test_data)
使用训练好的SVM分类器model对测试数据test_data进行预测，结果存储在test_labels中。_表示不关心预测结果的置信度。
for filename, label in zip(os.listdir(folder_path), test_labels):
循环语句用于遍历测试数据集中的所有样本。os.listdir(folder_path) 用于获取指定文件夹 folder_path 中的所有文件名，test_labels 是测试数据集中每个样本的标签，将它们通过 zip 函数打包在一起，得到一个可迭代的对象，每次迭代返回一个文件名和对应的标签。
if label == 0:
print(filename, 'is a cat')
用于输出当前样本的文件名和标签。如果标签为0，即当前样本为猫。
elif label == 1:
print(filename, 'is a dog')
用于输出当前样本的文件名和标签。如果标签为1，即当前样本为狗。
相关知识
个人笔记：OpenCV（一）图像分类——猫狗分类为例
基于度学习的猫狗分类识别
基于Python的图像分类 项目实践——图像分类项目
Python实现对12500张猫狗图像的精准分类
OpenCV怎么进行宠物识别和行为分析
【Deep Learning】基于 Keras 的猫狗分类识别
基于深度学习的猫狗分类实战
猫狗数据集：12000张图助力AI分类训练
深度学习图像处理04：图像分类模型训练实战——动物分类
基于tensorflow深度学习的猫狗分类识别
网址: 个人笔记：OpenCV（一）图像分类——猫狗分类为例 https://m.mcbbbk.com/newsview484249.html
| 上一篇: 如何划分出宠物功能空间，快来瞧瞧 |
下一篇: oxford |
