OpenCV SVM参数的推荐值

Recommended values for OpenCV SVM parameters

本文关键字：SVM 参数 OpenCV      更新时间：2023-10-16

对OpenCV SVM的推荐参数有什么想法吗？我在OpenCV样本目录中玩letter_recog.cpp，然而，SVM的准确性很差！在一次测试中，我只得到了62%的准确率：

$ ./letter_recog_modified -data /home/cobalt/opencv/samples/data/letter-recognition.data  -save svm_letter_recog.xml -svm
The database /home/cobalt/opencv/samples/data/letter-recognition.data is loaded.
Training the classifier ...
data.size() = [16 x 20000]
responses.size() = [1 x 20000]
Recognition rate: train = 64.3%, test = 62.2%

默认参数为：

model = SVM::create();
model->setType(SVM::C_SVC);
model->setKernel(SVM::LINEAR);
model->setC(1);
model->train(tdata);

将其设置为trainAuto（）没有帮助；它给了我一个奇怪的0%的测试准确率：

model = SVM::create();
model->setType(SVM::C_SVC);
model->setKernel(SVM::LINEAR);
model->trainAuto(tdata);

结果：

Recognition rate: train = 0.0%, test = 0.0%

使用杨杰的答案更新：

$ ./letter_recog_modified -data /home/cobalt/opencv/samples/data/letter-recognition.data  -save svm_letter_recog.xml -svm
The database /home/cobalt/opencv/samples/data/letter-recognition.data is loaded.
Training the classifier ...
data.size() = [16 x 20000]
responses.size() = [1 x 20000]
Recognition rate: train = 58.8%, test = 57.5%

结果不再是0%，但准确度比之前的62%更差。

将RBF内核与trainAuto（）一起使用是最糟糕的吗？

$ ./letter_recog_modified_rbf -data /home/cobalt/opencv/samples/data/letter-recognition.data  -save svm_letter_recog.xml -svm
The database /home/cobalt/opencv/samples/data/letter-recognition.data is loaded.
Training the classifier ...
data.size() = [16 x 20000]
responses.size() = [1 x 20000]
Recognition rate: train = 18.5%, test = 11.6%

参数：

    model = SVM::create();
    model->setType(SVM::C_SVC);
    model->setKernel(SVM::RBF);
    model->trainAuto(tdata);

我建议尝试RBF内核而不是线性。在很多情况下，这是最好的选择。。。

我调试了示例代码并找到了原因。

responses是字母的ASCII码的Mat。

然而，由SVM::trainAuto训练的SVM返回的预测标签的范围为0-25，其对应于26个类别。这也可以通过查看输出文件svm_letter_recog.xml中的<class_labels>...</class_labels>来观察到。

因此，在test_and_save_classifier中，r = model->predict( sample )和responses.at<int>(i)明显不相等。

我还发现，如果我们使用SVM::train，类标签将是65-89，这就是为什么一开始可以得到正常结果的原因。

解决方案

我不确定这是不是一个bug。但如果你现在想在这个样本中使用SVM::trainAuto，你可以更改

test_and_save_classifier(model, data, responses, ntrain_samples, 0, filename_to_save);

在build_svm_classifier到中

test_and_save_classifier(model, data, responses, ntrain_samples, 'A', filename_to_save);

更新

CCD_ 12和CCD_ 13在CCD_。该问题是由于以前的错误修复造成的。因此，我创建了一个到OpenCV的pull请求来解决这个问题。

相关文章：