157 lines
6.8 KiB
Markdown
157 lines
6.8 KiB
Markdown
# 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
|
||
|
||
```Python
|
||
|
||
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](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:
|
||
|
||
```Plain Text
|
||
|
||
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
|
||
|
||
1. **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;
|
||
|
||
2. **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`;
|
||
|
||
3. **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) |