def test_default():
# --- classify ---
cl = SVMClassifier()
cl.load(CUTTER_RESULT_DIR)
cl.train()
cl.save_model(MODEL_PATH, overwrite=True)
cl.classify(VIDEO_PATH, boost_mode=False)
def test_default():
# --- classify ---
cl = SVMClassifier()
cl.load(CUTTER_RESULT_DIR)
cl.train()
cl.save_model(MODEL_PATH, overwrite=True)
classify_result = cl.classify(VIDEO_PATH)
# --- draw ---
_draw_report(classify_result)
def _train(
data_home: str,
save_to: str,
compress_rate: float = 0.2,
target_size: typing.Tuple[int, int] = None,
):
"""
build a trained model with a dataset
:param data_home: output path (dir)
:param save_to: model will be saved to this path
:param compress_rate: before_pic * compress_rate = after_pic. default to 0.2
:param target_size: (100, 200)
"""
assert os.path.isdir(data_home), f"dir {data_home} not existed"
assert not os.path.isfile(save_to), f"file {save_to} already existed"
cl = SVMClassifier(compress_rate=compress_rate, target_size=target_size)
cl.load(data_home)
cl.train()
cl.save_model(save_to)
def train_model_SVM(_train_picture_path, _model_file_name):
cl = SVMClassifier(
# 默认情况下使用 HoG 进行特征提取
# 你可以将其关闭从而直接对原始图片进行训练与测试：feature_type='raw'
feature_type="hog",
# 默认为0.2，即将图片缩放为0.2倍
# 主要为了提高计算效率
# 如果你担心影响分析效果，可以将其提高
compress_rate=0.2,
# 或者直接指定尺寸
# 当压缩率与指定尺寸同时传入时，优先以指定尺寸为准
# target_size=(200, 400),
)
# 加载待训练数据
cl.load(_train_picture_path)
# 在加载数据完成之后需要先训练
cl.train()
cl.save_model(_model_file_name, overwrite=True)
return cl
"""
这个例子描述了如何训练一个后续可用的模型
在 cut 流程之后，你应该能得到一个已经分拣好的训练集文件夹
我们将基于此文件夹进行模型的训练
"""
from stagesepx.classifier import SVMClassifier
DATA_HOME = './cut_result'
cl = SVMClassifier()
# 加载数据
cl.load(DATA_HOME)
# 在加载数据完成之后需要先训练
cl.train()
# 在训练后你可以把模型保存起来
cl.save_model('model.pkl')
"""
二次训练
在业务变更时，难免出现需要调整模型的情况
- 如果业务变更较大，推荐重新训练新模型
- 如果业务变更不大，可以按照下面的方法对原有模型进行调整
"""
from stagesepx.classifier import SVMClassifier
DATA_HOME = './cut_result'
cl = SVMClassifier()
# 加载数据
cl.load(DATA_HOME)
# 加载旧模型
cl.load_model('model.pkl')
# 在加载数据完成之后需要先训练
cl.train()
# 保存新模型
cl.save_model('new_model.pkl')
# 或者你可以直接覆盖掉旧的模型
# cl.save_model('model.pkl', overwrite=True)
