數據集隨機+比例分爲訓練集和測試集：並分別存爲文件夾

需求：將數據集隨機分爲訓練集和測試集，並將隨機分類的圖像保存至對應的文件夾。讓train+test=原始數據，且帶有隨機比例。

原因：需要將初始化數據集隨機分配之後，再將訓練集做數據增光，所以不能直接採用txt隨機生成路徑的方式。

原始數據：0,1

train：0,1；把原始數據的內容複製到train裏，再做分割。

test:0,1

---

1. 數據集隨機分爲訓練集+測試集，並分別保存在相應的文件夾中 

# coding=utf-8
# 隨機生成訓練集和測試集
# 對一個文件夾下的圖像生成txt，然後隨機選取裏面的內容，然後保存到不同的文件夾。
# coding=utf-8
import os, random, shutil


def moveFile(fileDir):
    pathDir = os.listdir(fileDir)  # 取圖片的原始路徑
    filenumber = len(pathDir)
    picknumber = int(filenumber * ratio)  # 按照rate比例從文件夾中取一定數量圖片
    sample = random.sample(pathDir, picknumber)  # 隨機選取picknumber數量的樣本圖片
    for name in sample:
        shutil.move(os.path.join(fileDir, name), os.path.join(tarDir, name))
    return


if __name__ == '__main__':
    ori_path = 'G:\\train'  # 最開始train的文件夾路徑
    split_Dir = 'G:\\test1'  # 移動到新的文件夾路徑
    ratio = 0.3  # 抽取比例
    for firstPath in os.listdir(ori_path):
        fileDir = os.path.join(ori_path, firstPath)  # 原圖片文件夾路徑
        tarDir = os.path.join(split_Dir, firstPath)  # val下子文件夾名字
        if not os.path.exists(tarDir):  # 如果val下沒有子文件夾，就創建
            os.makedirs(tarDir)
        moveFile(fileDir)  # 從每個子類別開始逐個劃分

2. 對訓練集的圖像進行鏡像處理

# coding=utf-8
# 訓練集擴充：生成鏡像
from PIL import Image
import os

rootPath = 'G:\\flir adas dataset\\infra_pestrain_0606\\train'
for firstPath in os.listdir(rootPath):
    # 將子文件夾的名字加入到路徑裏面
    fileDir = os.path.join(rootPath, firstPath)
    pathDir = os.listdir(fileDir)
    filenumber = len(pathDir)
    for name in pathDir:
        image = Image.open(fileDir+'\\'+name)
        # 圖像左右翻轉
        out = image.transpose(Image.FLIP_LEFT_RIGHT)
        # 重命名
        savename = fileDir+'\\'+name[:-4]+"_mirr.jpg"
        # 圖像存儲
        out.save(savename, quality=100)  # quality=100

3、Windows下dos將文件夾下的圖像名的路徑保存爲txt

https://blog.csdn.net/Young__Fan/article/details/84998254

 

4、libsvm訓練多分類

參考代碼：HOG+SVM的minist https://github.com/YihangLou/SVM-Minist-HandWriting-Recognition/tree/4f29be085f4977e7f38df1a84a6c84abbc05f58e 手寫數字體識別，肯定是多分類，且是10類分類，還可以統計accuracy，有Python對應的代碼來統計信息。

libsvm svm_predict_probability函數的用法——>返回概率 表明libsvm是可以實現多分類的，接口和意義如下：

同樣的數據在Python的sklearn的svm下面訓練，accuracy是1，所以不知道問題是什麼？先搭建一下C++的環境，然後再python環境下查找問題，然後優化，然後再移植。

仍然存在的問題：

（1）數據量不夠，數據採集規則見https://blog.csdn.net/haronchou/article/details/106649118

（2）沒有負樣本了，單分類肯定放很多負樣本進去以確保模型的魯棒性，但是多分類怎麼確保呢？

（3）python下面的train error是0，testing error是0，對應着accuracy=1。就是每一個都預測的是對的，這……是特徵很容易分開，還是模型過擬合了？

（4）現在的問題是：既不是行人也不是汽車的樣本進入到分類器後，會怎麼樣？