Py之dlib：Python库之dlib库的简介、安装、使用方法详细攻略

 

 

 

目录

dlib库的简介

dlib库的安装

dlib库的使用函数

0、利用dlib.get_frontal_face_detector函数实现人脸检测可视化

1、hog提取特征的函数

2、CNN提取特征的函数

 

 

dlib库的简介

    一个机器学习的开源库，包含了机器学习的很多算法，使用起来很方便，直接包含头文件即可，并且不依赖于其他库（自带图像编解码库源码）。Dlib可以帮助您创建很多复杂的机器学习方面的软件来帮助解决实际问题。目前Dlib已经被广泛的用在行业和学术领域,包括机器人,嵌入式设备,移动电话和大型高性能计算环境。

Dlib是一个使用现代C++技术编写的跨平台的通用库，遵守Boost Software licence. 主要特点如下： 

完善的文档：每个类每个函数都有详细的文档，并且提供了大量的示例代码，如果你发现文档描述不清晰或者没有文档，告诉作者，作者会立刻添加。 
	
可移植代码：代码符合ISO C++标准，不需要第三方库支持，支持win32、Linux、Mac OS X、Solaris、HPUX、BSDs 和 POSIX 系统 
	
线程支持：提供简单的可移植的线程API 
	
网络支持：提供简单的可移植的Socket API和一个简单的Http服务器 
	
图形用户界面：提供线程安全的GUI API 
	
数值算法：矩阵、大整数、随机数运算等 
	
机器学习算法：
	
图形模型算法： 
	
图像处理：支持读写Windows BMP文件，不同类型色彩转换 
	
数据压缩和完整性算法：CRC32、Md5、不同形式的PPM算法 
	
测试：线程安全的日志类和模块化的单元测试框架以及各种测试assert支持
	
一般工具：XML解析、内存管理、类型安全的big/little endian转换、序列化支持和容器类

	 



dlib pypi
dlib库
dlib c++ library

 

 

dlib库的安装

本博客提供三种方法进行安装

T1方法：pip install dlib

此方法是需要在你安装cmake、Boost环境的计算机使用

T2方法：conda install -c menpo dlib=18.18

此方法适合那些已经安装好conda库的环境的计算机使用，conda库的安装本博客有详细攻略，请自行翻看。

T3方法：pip install dlib-19.8.1-cp36-cp36m-win_amd64.whl

dlib库的whl文件——dlib-19.7.0-cp36-cp36m-win_amd64.rar

dlib-19.3.1-cp35-cp35m-win_amd64.whl







哈哈，大功告成！如有资料或问题需求，请留言！

 

 

dlib库的使用函数

0、利用dlib.get_frontal_face_detector函数实现人脸检测可视化

CV之dlib：利用dlib.get_frontal_face_detector函数实现人脸检测



 

1、hog提取特征的函数

dlib.get_frontal_face_detector()    #人脸特征提取器，该函数是在C++里面定义的

help(dlib.get_frontal_face_detector())
Help on fhog_object_detector in module dlib.dlib object:

class fhog_object_detector(Boost.Python.instance)
 |  This object represents a sliding window histogram-of-oriented-gradients based object detector.
 |
 |  Method resolution order:
 |      fhog_object_detector
 |      Boost.Python.instance
 |      builtins.object
 |
 |  Methods defined here:
 |
 |  __call__(...)
 |      __call__( (fhog_object_detector)arg1, (object)image [, (int)upsample_num_times=0]) -> rectangles :
 |          requires
 |              - image is a numpy ndarray containing either an 8bit grayscale or RGB
 |                image.
 |              - upsample_num_times >= 0
 |          ensures
 |              - This function runs the object detector on the input image and returns
 |                a list of detections.
 |              - Upsamples the image upsample_num_times before running the basic
 |                detector.
 |
 |  __getstate__(...)
 |      __getstate__( (fhog_object_detector)arg1) -> tuple
 |
 |  __init__(...)
 |      __init__( (object)arg1) -> None
 |
 |      __init__( (object)arg1, (str)arg2) -> object :
 |          Loads an object detector from a file that contains the output of the
 |          train_simple_object_detector() routine or a serialized C++ object of type
 |          object_detector<scan_fhog_pyramid<pyramid_down<6>>>.
 |
 |  __reduce__ = <unnamed Boost.Python function>(...)
 |
 |  __setstate__(...)
 |      __setstate__( (fhog_object_detector)arg1, (tuple)arg2) -> None
 |
 |  run(...)
 |      run( (fhog_object_detector)arg1, (object)image [, (int)upsample_num_times=0 [, (float)adjust_threshold=0.0]]) -> tuple :
 |          requires
 |              - image is a numpy ndarray containing either an 8bit grayscale or RGB
 |                image.
 |              - upsample_num_times >= 0
 |          ensures
 |              - This function runs the object detector on the input image and returns
 |                a tuple of (list of detections, list of scores, list of weight_indices).
 |              - Upsamples the image upsample_num_times before running the basic
 |                detector.
 |
 |  save(...)
 |      save( (fhog_object_detector)arg1, (str)detector_output_filename) -> None :
 |          Save a simple_object_detector to the provided path.
 |
 |  ----------------------------------------------------------------------
 |  Static methods defined here:
 |
 |  run_multiple(...)
 |      run_multiple( (list)detectors, (object)image [, (int)upsample_num_times=0 [, (float)adjust_threshold=0.0]]) -> tuple :
 |          requires
 |              - detectors is a list of detectors.
 |              - image is a numpy ndarray containing either an 8bit grayscale or RGB
 |                image.
 |              - upsample_num_times >= 0
 |          ensures
 |              - This function runs the list of object detectors at once on the input image and returns
 |                a tuple of (list of detections, list of scores, list of weight_indices).
 |              - Upsamples the image upsample_num_times before running the basic
 |                detector.
 |
 |  ----------------------------------------------------------------------
 |  Data and other attributes defined here:
 |
 |  __instance_size__ = 160
 |
 |  __safe_for_unpickling__ = True
 |
 |  ----------------------------------------------------------------------
 |  Methods inherited from Boost.Python.instance:
 |
 |  __new__(*args, **kwargs) from Boost.Python.class
 |      Create and return a new object.  See help(type) for accurate signature.
 |
 |  ----------------------------------------------------------------------
 |  Data descriptors inherited from Boost.Python.instance:
 |
 |  __dict__
 |
 |  __weakref__

2、CNN提取特征的函数

cnn_face_detector = dlib.cnn_face_detection_model_v1(cnn_face_detection_model)

help(dlib.cnn_face_detection_model_v1)
Help on class cnn_face_detection_model_v1 in module dlib.dlib:

class cnn_face_detection_model_v1(Boost.Python.instance)
 |  This object detects human faces in an image.  The constructor loads the face detection model from a file. You can download a pre-trained model from http://dlib.net/files/mmod_human_face_detector.dat.bz2.
 |
 |  Method resolution order:
 |      cnn_face_detection_model_v1
 |      Boost.Python.instance
 |      builtins.object
 |
 |  Methods defined here:
 |
 |  __call__(...)
 |      __call__( (cnn_face_detection_model_v1)arg1, (object)img [, (int)upsample_num_times=0]) -> mmod_rectangles :
 |          Find faces in an image using a deep learning model.
 |                    - Upsamples the image upsample_num_times before running the face
 |                      detector.
 |
 |      __call__( (cnn_face_detection_model_v1)arg1, (list)imgs [, (int)upsample_num_times=0 [, (int)batch_size=128]]) -> mmod_rectangless :
 |          takes a list of images as input returning a 2d list of mmod rectangles
 |
 |  __init__(...)
 |      __init__( (object)arg1, (str)arg2) -> None
 |
 |  __reduce__ = <unnamed Boost.Python function>(...)
 |
 |  ----------------------------------------------------------------------
 |  Data and other attributes defined here:
 |
 |  __instance_size__ = 984
 |
 |  ----------------------------------------------------------------------
 |  Methods inherited from Boost.Python.instance:
 |
 |  __new__(*args, **kwargs) from Boost.Python.class
 |      Create and return a new object.  See help(type) for accurate signature.
 |
 |  ----------------------------------------------------------------------
 |  Data descriptors inherited from Boost.Python.instance:
 |
 |  __dict__
 |
 |  __weakref__

 

inline frontal_face_detector get_frontal_face_detector()

 



 

有哪些开源的 Python 库让你相见恨晚？
最近发现了几个不错的 Python 库，一并整理分享给大家，希望对你有帮助，别问，问就是良心的一批。
Arrow
我们知道 Python 已经内置了好几个处理时间相关的库，但是对于时间以及时区间的转换并不清晰，操作起来略繁琐，而 Arrow 可以弥补这个问题，它提供了更友好的方法，方便我们对时间，日期，格式化等操作。
项目地址：

https://github.com/crsmithdev/arrow

start：6.1k
thefuck
这个名字一看就厉害啊，我们常常会使用到命令行，但有时候会对一些命令不是很熟悉，或者说偶尔出现打错命令的情况，然后有人就用 Python 搞了这个项目，当你输错命令的时候，你只要再输一个 “fuck”，就能马上更正你的命令。很牛逼有没有，以前我们一遇到不爽的，说句 woc 也没什么鸟用，但是在这里遇到不爽的，说句 fuck 还真能帮你解决问题：
项目地址：

https://github.com/nvbn/thefuck

star：4w+
face_recognition
这是一个强大、简单、易上手的人脸识别开源项目，并且配备了完整的开发文档和应用案例，特别是兼容树莓派系统。
项目地址：

https://github.com/ageitgey/face_recognition

star：2.7w+
learn-regex
学习正则表达式的正确姿势，上次刚好看到这个项目，留意了下，发现这算是很全面的正则学习资料了：
项目地址：

https://github.com/ziishaned/learn-regex

star：2.7w+
musicbox
这个项目好玩，直接使用命令行来运行操作网易云音乐，是不是很 geek 咧：
妈妈再也不用担心我在 Linux 无法好好的听歌了。
PaddlePaddle Models
PaddlePaddle 提供了丰富的计算单元，使得用户可以采用模块化的方法解决各种学习问题。在此Repo中，我们展示了如何用 PaddlePaddle来解决常见的机器学习任务，提供若干种不同的易学易用的神经网络模型。
地址：

https://github.com/PaddlePaddle/models
vipstone/faceai
一款入门级的人脸、视频、文字检测以及识别的项目：
地址：

https://github.com/vipstone/faceai
AiLearning
机器学习 - MachineLearning - ML、深度学习 - DeepLearning - DL、自然语言处理 NLP：
地址：

https://github.com/apachecn/AiLearning
Algorithm_Interview
2018/2019/校招/春招/秋招/算法/机器学习(Machine Learning)/深度学习(Deep Learning)/自然语言处理(NLP)/C/C++/Python/面试笔记：
地址：

https://github.com/imhuay/Algorithm_Interview_Notes-Chinese
learn_python3_spider
python爬虫教程系列、从0到1学习python爬虫，包括浏览器抓包，手机APP抓包，如 fiddler、mitmproxy，各种爬虫涉及的模块的使用，如：requests、beautifulSoup、selenium、appium、scrapy等，以及IP代理，验证码识别，Mysql，MongoDB数据库的python使用，多线程多进程爬虫的使用，css 爬虫加密逆向破解，JS爬虫逆向，爬虫项目实战实例等：
项目地址：

https://github.com/wistbean/learn_python3_spider

star数量：3.6k
12306
这是用 Python 开发的 12306 购票助手，它实现了自动打码，自动登录，捡漏，候补等功能。用 Python 帮你抢票，还是可以的。虽然国庆没用到，这不春节马上要到了么？到时可以用上来。
这个项目已经有 1.6w+ star，作者也一直在维护。
项目地址：

https://github.com/testerSunshine/12306
d2l-zh
这是一本《动手学深度学习》教材，面向中文读者，源代码都在这里面了，能运行，可以讨论。1.3w+ 的star，内容如下：
项目地址：

https://github.com/d2l-ai/d2l-zh
httpx
这个是建立在 requests 之上的库，声称是 Python 下一代的 http ，使用方式：
requests 有的功能它都有，没有的功能它也有：
项目地址：

https://github.com/encode/httpx
pandas-profiling
我们知道数据分析有个 pandas 框架，而这个项目就是继承 pandas 的， 它几乎可以做到一行代码快速对数据进行可视化分析：
这里一行代码就可以直接生成可视化数据：
项目地址：

https://github.com/pandas-profiling/pandas-profiling
WeRoBot
这是一个 Python 开发的微信公众号框架，有些朋友如果是基于微信公众号开发的话，可以不用自己造轮子了，这个框架可以节省你很多时间：
项目地址：

https://github.com/offu/WeRoBot
PySimpleGUI
你可以使用它简单的创建用户界面，PySimpleGUI 同时支持 Python2 和 Python3。它将 tkinter、Qt、WxPython、Remi 转化为可移植的人性化 Pythonic 接口，搞出来的用户界面可以运行在 Linux、Mac OS、Windows 系统上。
一个最简单的例子：
GitHub地址：

https://github.com/PySimpleGUI/PySimpleGUI

star：2.4k
yagmail
yagmail 是我见过实现 Python 发送邮件这个功能用到的最短的代码：
甚至可以一行搞定：
群发邮件也是 easy 啦：
GitHub地址：

https://github.com/kootenpv/yagmail

star：1.6k
wtfpython
顾名思义，what the fxxk Python ，这名字一看就有趣，这个项目意在收集 Python 中那些难以理解和反人类直觉的例子以及鲜为人知的功能特性，并尝试讨论这些现象背后真正的原理。
说白了，也就是你看到那样的 Python 例子，会不自觉的脱口而出：“what the fxxk ，这是什么鬼？”
GitHub地址：

https://github.com/leisurelicht/wtfpython-cn

star：9.1k
faker
faker 就是假，不够 real ，我们有时候在写代码的时候需要一些假数据进行测试，有了 faker 之后，你就再也不用自己整一些“张三”、“李四”、“隔壁老王” 了。
想要中文“假数据”也有：
GitHub地址：

https://github.com/joke2k/faker

star：8.7k
pelican
这个也是厉害，pelican 可以快速生成一个网站，我来给你演示一下：
创建一个目录：
进入：
然后直接输入命令：pelican-quickstart。
回答各种沙雕网站问题：
然后就完事了，随便搞个 md 文件：
保存一波之后，在你当前的目录创建一个 content 文件，把你编辑的这个文件塞进去。
然后输入  pelican content：
接着输入 pelican --listen 就可以预览你的网站了：
是不是很爽？怎一个帅字了得？
GitHub地址：

https://github.com/getpelican/pelican

star：9.2k
FastAPI
FastAPI是一个基于 Python3.6+ 构建的高性能 web 框架，使用它可以很快的简单写一些 API 接口。
举个例子：
接着可以安装 uvicorn 后运行起来：
监听 8000 端口了，可以通过 http://127.0.0.1:8000 进行访问：
除此之外，它基于 Swagger 还能直接生成接口文档，省了你大量写接口文档的时间：
还能直接测试接口：
项目地址：

https://github.com/tiangolo/fastapi

star数：6k
Ultra-Light-Fast-Generic-Face-Detector-1MB
这是一个轻量级的人脸检测模型，针对边缘计算设备设计的轻量人脸检测模型，默认FP32精度下（.pth）文件大小为 1.04~1.1MB。
项目地址：

https://github.com/Linzaer/Ultra-Light-Fast-Generic-Face-Detector-1MB

star数量：3.9k
you-get
安装完 you-get 就能通过一个命令下载网上的在线视频了：
牛逼的是，现在它已经能够支持大部分主流的在线视频网站的下载：
项目地址：

https://github.com/soimort/you-get

star数量：28.4k
Fire
这个库的方便之处在于，他可以让任何 Python 项目快速自动生成命令行接口，不用自己写 docstring 就可以生成，而且只需要用 Fire 调用一下就可以了，舒服！
一个官方的例子：
通过 python 运行：

python calculator.py
项目地址：

https://github.com/google/python-fire

star数量:16.9k
ok，以上，别光收藏呀，点个在赞呗，Python 好用的库远不止这些，以后我发现不错的库再整理一波分享给你！

Py之Scipy：Python库之Scipy库的简介、安装、使用方法详细攻略

 

 

 

目录

Scipy库的简介

Scipy库的安装

Scipy库的使用方法

1、Scipy库的子包

1.1、子包导入方法

1.2、常见的子包

 

 

Scipy库的简介

      Scipy高级科学计算库：和Numpy联系很密切，Scipy一般都是操控Numpy数组来进行科学计算、统计分析，所以可以说是基于Numpy之上了。Scipy有很多子模块可以应对不同的应用，例如插值运算，优化算法等等。SciPy则是在NumPy的基础上构建的更为强大，应用领域也更为广泛的科学计算包。正是出于这个原因，SciPy需要依赖NumPy的支持进行安装和运行。

      Scipy是世界上著名的Python开源科学计算库，建立在Numpy之上。它增加的功能包括数值积分、最优化、统计和一些专用函数。 SciPy函数库在NumPy库的基础上增加了众多的数学、科学以及工程计算中常用的库函数。例如线性代数、常微分方程数值求解、信号处理、图像处理、稀疏矩阵等等。

      Scipy是基于Numpy构建的一个集成了多种数学算法和方便的函数的Python模块。通过给用户提供一些高层的命令和类，SciPy在python交互式会话中，大大增加了操作和可视化数据的能力。通过SciPy，Python的交互式会话变成了一个数据处理和一个system-prototyping环境，足以和MATLAB，IDL，Octave，R-Lab，以及SciLab抗衡。   更重要的是，在Python中使用SciPy，还可以同时用一门强大的语言————Python来开发复杂和专业的程序。用SciPy写科学应用，还能获得世界各地的开发者开发的模块的帮助。从并行程序到web到数据库子例程到各种类，都已经有可用的给Python程序员了。这些强大的功能，SciPy都有，特别是它的数学库。

      Scipy是在Python的NumPy扩展上构建的数学算法和方便函数的集合。它通过为用户提供高级命令和类来操作和可视化数据，为交互式Python会话添加了强大的功能。有了SciPy，交互式Python会话就变成了一个数据处理和系统原型环境，可以与MATLAB、IDL、Octave、R-Lab和SciLab等系统相匹敌。

      以Python为基础的SciPy的另一个好处是，它还提供了一种强大的编程语言，可用于开发复杂的程序和专门的应用程序。使用SciPy的科学应用程序受益于世界各地的开发人员在软件领域的许多小众领域中开发的附加模块。从并行编程到web和数据库的子例程和类，Python程序员都可以使用。除了SciPy中的数学库之外，所有这些功能都是可用的

 

scipy
scipy.org
Numpy：Python之numpy库简介、安装、使用方法之详细攻略



 

Scipy库的安装

pip install scipy





哈哈，安装成功，大功告成！继续学习去啦！

 

升级阶段

先pip install numpy-1.15.0rc1+mkl-cp36-cp36m-win_amd64.whl

再pip install scipy==0.19.1

继续更新版本

 



 

继续降低版本180704  1154


 

Scipy库的使用方法

1、Scipy库的子包

1.1、子包导入方法

from scipy import linalg, optimize

 

1.2、常见的子包


			
Subpackage
			
			

			
Description
			
		

			
cluster
			
			

			
Clustering algorithms

			
聚类算法在信息理论、目标检测、通信、压缩等领域有着广泛的应用。vq模块只支持矢量量化和k-均值算法。
			
		

			
constants
			
			

			
Physical and mathematical constants
			
		

			
fftpack
			
			

			
Fast Fourier Transform routines
			
		

			
integrate
			
			

			
Integration and ordinary differential equation solvers
			
		

			
interpolate
			
			

			
Interpolation and smoothing splines

			
此子包包含样条函数和类、一维和多维（单变量和多变量）插值类、Lagrange和Taylor多项式插值器以及FITPACK和DFITPACK函数的包装器。
			
		

			
io
			
			

			
Input and Output
			
		

			
linalg
			
			

			
Linear algebra
			
		

			
ndimage
			
			

			
N-dimensional image processing
			
		

			
odr
			
			

			
Orthogonal distance regression
			
		

			
optimize
			
			

			
Optimization and root-finding routines
			
		

			
signal
			
			

			
Signal processing
			
		

			
sparse
			
			

			
Sparse matrices and associated routines
			
		

			
spatial
			
			

			
Spatial data structures and algorithms
			
		

			
special
			
			

			
Special functions
			
		

			
stats
			
			

			
Statistical distributions and functions

			
该模块包含大量的概率分布以及不断增长的统计函数库。每个单变量分布都是rv_连续（rv_离散用于离散分布）的一个子类的实例。
			
		
 

 

 

 

 

 

 

 

 

用 pip install xxx 安装库时，pip 把库缓存在了：C:\Users\Administrator\AppData\Local\pip\cache，

我的用户是管理员，所以是 Administrator 。
如果我们想查看库的源码的话，可以直接把地址复制到浏览器，就会直接下载下来。

chche 不知道有什么存储规则，我是没找到对应的位置。
C:\Users\Administrator>pip install PyHook3
Collecting PyHook3
  Using cached https://files.pythonhosted.org/packages/d2/e9/01e84a297a83e826978
ca917e9ee538b86924c6235b656f3cc81950cda44/PyHook3-1.6.1.tar.gz

效果图如下：



喜欢的点个赞❤吧！