Python scikit-learnはカスタムトレーニングデータを提供します

Question

私はscikit-learnを使用して顔認識を実行しています。私は、提供された例hereを試して、うまくいきます。私は今、顔の認識をテストするために画像からなる自分のカスタムデータを使用しようとしています。私はhereから顔データベースを使用しています。私は今、これらの画像をトレーニングセットとして私のプログラムにロードすることに固執しています。私はすべての画像をロードするには、以下のコードを使用しています。この後

# get the training data 


def read_images(path, sz=None): 
    """Reads the images in a given folder, resizes images on the fly if size is given. 

    Args: 
     path: Path to a folder with subfolders representing the subjects (persons). 
     sz: A tuple with the size Resizes 

    Returns: 
     A list [X,y] 

      X: The images, which is a Python list of numpy arrays. 
      y: The corresponding labels (the unique number of the subject, person) in a Python list. 
    """ 
    c = 0 
    X, y = [], [] 
    for dirname, dirnames, filenames in os.walk(path): 
     for subdirname in dirnames: 
      subject_path = os.path.join(dirname, subdirname) 
      for filename in os.listdir(subject_path): 
       try: 
        im = Image.open(os.path.join(subject_path, filename)) 
        im = im.convert("L") 
        # resize to given size (if given) 
        if (sz is not None): 
         im = im.resize(sz, Image.ANTIALIAS) 
        X.append(np.asarray(im, dtype=np.uint8)) 
        y.append(c) 
       except IOError, (errno, strerror): 
        print("I/O error({0}): {1}".format(errno, strerror)) 
       except: 
        print("Unexpected error:", sys.exc_info()[0]) 
        raise 
      c = c+1 
    return [X, y] 

if __name__ == '__main__': 
    if len(sys.argv) < 3: 
     print('No image supplied.') 
     sys.exit() 

    # Now read in the image data. This must be a valid path! 
    [X, y] = read_images(sys.argv[1]) 

    print(len(X), len(y)) 

    X_train = np.vstack(X) 
    print(X_train) 
    y_train = np.array(y) 

    image_path = sys.argv[2] 
    image = np.array(cv2.imread(image_path), dtype=np.uint8) 
    if np.ndim(image) == 3: 
     image = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY) 
    image = cv2.equalizeHist(image) 
    # create a CLAHE object (Arguments are optional). 
    clahe = cv2.createCLAHE(clipLimit=2.0, tileGridSize=(8, 8)) 
    image = clahe.apply(image) 

    # detect face in this image 
    detector = FaceDetector() 
    X_test = [] 
    for i, d in enumerate(detector.detect(image)): 
     x, y, w, h = d.left(), d.top(), d.right() - \ 
      d.left(), d.bottom() - d.top() 
     a = image[y:(y+h), x:(x+w)] 
     b = cv2.resize(a, (130, 130), interpolation=cv2.INTER_CUBIC) 
     X_test.append(np.asarray(b, dtype=np.uint8)) 

    X_test = np.vstack(X_test) 

    ########################################################################## 
    # Compute a PCA (eigenfaces) on the face dataset (treated as unlabeled 
    # dataset): unsupervised feature extraction/dimensionality reduction 

    n_components = 150 

    print('Extracting the top {} eigenfaces from faces'.format(n_components)) 
    t0 = time() 
    pca = RandomizedPCA(n_components=n_components, whiten=True).fit(X_train) 
    print("done in %0.3fs" % (time() - t0)) 

    print("Projecting the input data on the eigenfaces orthonormal basis") 
    t0 = time() 
    X_train_pca = pca.transform(X_train) 
    **X_test_pca = pca.transform(X_test)** 
    print("done in %0.3fs" % (time() - t0)) 

    ########################################################################## 
    # Train a SVM classification model 

    print("Fitting the classifier to the training set") 
    t0 = time() 
    param_grid = {'C': [1e3, 5e3, 1e4, 5e4, 1e5], 
        'gamma': [0.0001, 0.0005, 0.001, 0.005, 0.01, 0.1], } 
    clf = GridSearchCV(SVC(kernel='rbf', class_weight='balanced'), param_grid) 
    clf = clf.fit(X_train_pca, y_train) 
    print("done in %0.3fs" % (time() - t0)) 
    print("Best estimator found by grid search:") 
    print(clf.best_estimator_) 

    ########################################################################## 
    # Quantitative evaluation of the model quality on the test set 

    print("Predicting people's names on the test set") 
    t0 = time() 
    y_pred = clf.predict(X_test_pca) 
    print("done in %0.3fs" % (time() - t0)) 

を、私はまた、上記のサンプルに対して実行する一つのテスト画像を取得する：エラーが発生します ラインX_test_pca = pca.transformです（ X_test）

にエラーがある：私が正しくフォーマットされていない私のデータとは何かを持っている疑いがある

ValueError: operands could not be broadcast together with shapes (130,130) (92,) 

。

Answer 1

あなたはPCAすなわち行訓練するために使用しているあなたのX_train、これは次のとおりです。あなたのX_testは130点の特徴を持っているのに対し、

pca = RandomizedPCA(n_components=n_components, whiten=True).fit(X_train) 

は、92元の列/機能を備えています。手動でこの行のテストデータに130の大きさを提供します。

b = cv2.resize(a, (130, 130), interpolation=cv2.INTER_CUBIC) 

あなたはこれを修正たらあなたは問題ないはずです。