6.8 KiB
Python OpenCV 中随机森林模型转换及预测演示
你想要将C# Emgu.CV中基于随机森林(RTrees)的训练和预测逻辑,转换成Python OpenCV的实现,并演示如何加载训练好的模型文件进行特征值预测,我会为你提供完整的代码和详细解释。
一、完整实现代码
import cv2
import numpy as np
# ======================== 1. 训练随机森林模型(模拟你的C#逻辑) ========================
def train_rf_model():
"""
模拟你的C#训练逻辑:
- 特征:H,S,V,L,A,B(6个特征)
- 分类:0/1(二分类)
"""
# 1. 构造训练数据(模拟你提供的trainData格式)
# 数据格式:每行是 [分类, H, S, V, L, A, B]
train_data_raw = [
[0, 4.71, 22.95, 222.95, 214.38, 133.27, 131.75],
[1, 19.76, 33.55, 245.74, 238.11, 128.11, 139.79],
# 可以添加更多训练样本
[0, 5.20, 21.80, 220.50, 212.10, 132.50, 130.90],
[1, 20.10, 32.80, 244.90, 237.50, 127.80, 139.20]
]
# 2. 分离特征和标签
# 特征:取第2-7列(H,S,V,L,A,B),转换为float32格式(OpenCV要求)
train_features = np.array([row[1:] for row in train_data_raw], dtype=np.float32)
# 标签:取第1列,转换为int32格式
train_labels = np.array([row[0] for row in train_data_raw], dtype=np.int32)
# 3. 初始化随机森林模型(对应C#的RTrees)
rf = cv2.ml.RTrees_create()
# 4. 设置模型参数(对应你C#中的参数)
rf.setActiveVarCount(0) # 0 = 考虑所有特征(对应ActiveVarCount=0)
rf.setCalculateVarImportance(False) # 不计算变量重要性(对应CalculateVarImportance=false)
# 终止条件:(迭代次数, 精度) 对应TermCriteria(15, 0.003f)
rf.setTermCriteria((cv2.TERM_CRITERIA_MAX_ITER + cv2.TERM_CRITERIA_EPS, 15, 0.003))
rf.setMaxDepth(10) # 树最大深度(对应MaxDepth=10)
rf.setMinSampleCount(20) # 节点分裂最小样本数(对应MinSampleCount=20)
rf.setMaxCategories(15) # 最大类别数(对应MaxCategories=15)
rf.setUseSurrogates(False) # 不使用代理分裂(对应UseSurrogates=false)
rf.setUse1SERule(True) # 使用1SE规则剪枝(对应Use1SERule=true)
rf.setTruncatePrunedTree(True) # 截断剪枝后的树(对应TruncatePrunedTree=true)
# 5. 训练模型
# RowSample = 每行是一个样本(对应DataLayoutType.RowSample)
rf.train(train_features, cv2.ml.ROW_SAMPLE, train_labels)
# 6. 保存模型(对应C#的rts.Save("rts.data"))
rf.save("rts_data.xml") # OpenCV模型默认保存为XML/YAML格式
print("模型训练完成,已保存为 rts_data.xml")
return rf
# ======================== 2. 加载模型并预测 ========================
def predict_with_rf_model(features_to_predict):
"""
加载训练好的随机森林模型,预测特征值
:param features_to_predict: 6个特征值的列表/数组 [H,S,V,L,A,B]
:return: 预测结果(分类标签)
"""
# 1. 加载训练好的模型(对应C#加载rts.data)
try:
rf = cv2.ml.RTrees_load("rts_data.xml")
print("模型加载成功!")
except Exception as e:
print(f"模型加载失败:{e}")
return None
# 2. 预处理输入特征:转换为OpenCV要求的格式(float32 + 2D数组)
# 注意:predict要求输入是N行6列的矩阵,即使只有1个样本也要reshape为(1,6)
sample = np.array(features_to_predict, dtype=np.float32).reshape(1, 6)
# 3. 执行预测(对应C#的rts.Predict)
# predict返回值:(是否预测成功, 预测结果矩阵)
_, result = rf.predict(sample)
# 4. 提取预测结果(取第一个元素,即当前样本的分类)
predicted_label = int(result[0, 0])
return predicted_label
# ======================== 3. 主函数:演示训练+预测流程 ========================
if __name__ == "__main__":
# 第一步:训练模型(首次运行执行,后续可注释)
train_rf_model()
# 第二步:测试预测(模拟你的特征值 [9.09, 33.01, 239.63, 225.98, 133.86, 135.3])
test_features = [9.09, 33.01, 239.63, 225.98, 133.86, 135.3]
predicted_label = predict_with_rf_model(test_features)
# 输出结果
print(f"\n输入特征值:{test_features}")
print(f"预测分类结果:{predicted_label}")
二、关键代码解释
1. 模型参数映射(C# → Python)
| C# Emgu.CV 参数 | Python OpenCV 对应参数 | 说明 |
|---|---|---|
| ActiveVarCount = 0 | setActiveVarCount(0) | 0 = 使用所有6个特征 |
| CalculateVarImportance | setCalculateVarImportance(False) | 是否计算特征重要性 |
| TermCriteria(15, 0.003) | setTermCriteria((MAX_ITER+EPS, 15, 0.003)) | 终止条件:15棵树/精度0.003 |
| MaxDepth = 10 | setMaxDepth(10) | 树的最大深度 |
| MinSampleCount = 20 | setMinSampleCount(20) | 节点分裂最小样本数 |
2. 核心操作说明
-
模型训练:
-
训练数据必须转换为
np.float32格式(OpenCV ML模块的强制要求); -
cv2.ml.ROW_SAMPLE表示“每行是一个样本”,和你C#中的RowSample完全一致; -
模型保存格式为XML(OpenCV默认,替代C#的.data格式,兼容性更好)。
-
-
模型加载与预测:
-
cv2.ml.RTrees_load("rts_data.xml")加载训练好的模型,对应C#加载rts.data; -
输入特征必须reshape为
(1,6)的2D数组(即使只有1个样本),因为OpenCV要求输入是“样本数×特征数”的矩阵; -
rf.predict()返回两个值:第一个是布尔值(是否预测成功),第二个是预测结果矩阵,取result[0,0]即可得到当前样本的分类标签。
-
3. 运行依赖
-
安装OpenCV:
pip install opencv-python(版本建议4.5+,兼容RTrees模块); -
安装NumPy:
pip install numpy(处理数组)。
三、运行结果示例
执行代码后,控制台会输出:
模型训练完成,已保存为 rts_data.xml
模型加载成功!
输入特征值:[9.09, 33.01, 239.63, 225.98, 133.86, 135.3]
预测分类结果:0 # 或1,取决于训练数据的分布
总结
-
核心映射:Python中
cv2.ml.RTrees_create()对应C#的RTrees,参数设置方法完全对齐你的C#逻辑; -
数据格式:训练/预测的特征必须转换为
np.float32且为2D数组(样本数×特征数),标签为np.int32; -
模型读写:OpenCV随机森林模型保存为XML格式(
save()),加载用RTrees_load(),预测用predict()即可得到分类结果。
如果你的实际训练数据量很大,只需替换 train_data_raw 为你的真实数据(可从CSV文件读取),其余逻辑无需修改。
(注:文档部分内容可能由 AI 生成)