生成Haar Cascade标注时遇'opencv_annotation'未识别错误求助

• 先排查OpenCV安装方式：
  • 如果你是用pip install opencv-python装的，这个版本默认不带opencv_annotation命令行工具，得装带完整工具链的扩展包：

    pip install opencv-contrib-python
    

    安装后，找到Python安装目录下的Scripts文件夹（Windows系统一般在C:\Users\你的用户名\AppData\Local\Programs\Python\Python版本\Scripts），把这个路径添加到系统PATH环境变量里，再重启命令行就能用这个工具了。
  • 如果你是手动下载OpenCV安装包或源码编译的，别只加cv2的路径，要把OpenCV的build/bin目录（Windows）或bin目录（Linux/macOS）加到系统PATH里，因为opencv_annotation是这个目录下的独立可执行文件。
• 应急替代方法：要是实在搞不定命令，直接手动写标注文件。positive_annotations.txt的格式很简单：

  positive_images/face01.jpg 1 45 50 90 110
  positive_images/face02.jpg 1 30 40 85 105
  

  规则是：图片相对路径 + 标注框数量 + 框的x坐标、y坐标、宽度、高度，用系统自带的画图工具就能查目标的坐标和尺寸。

• 样本准备是核心：
  • 正样本：至少攒几百张，要覆盖目标的不同角度、光照、背景，标注框必须精准框住目标，别带多余背景。比如做人脸检测器，要收集正面、侧面、戴口罩、不同光线的人脸图。
  • 负样本：数量要是正样本的2-3倍，必须是目标不会出现的场景，但要和正样本的背景环境匹配。比如人脸检测器的负样本可以是风景、物体、动物，但绝对不能有人脸。
• 训练参数调优：
  • 用opencv_traincascade训练时，先设小一点的--numStages（比如10）快速跑一遍测试效果，没问题再加到20-25。
  • 固定--minHitRate=0.995、--maxFalseAlarmRate=0.5，这俩参数能平衡训练速度和精度。
  • --w和--h要设成正样本里目标的最小尺寸，统一所有样本的目标大小，避免训练出的分类器漏检小目标。
• 训练细节注意：
  • 训练过程别中断，中断就得重来；要是报错，先查样本路径对不对、标注文件格式有没有写错（比如空格是不是用对了、坐标有没有超图片范围）。
  • 训练完拿几张没见过的测试图测效果，要是识别率低，要么补更多样本，要么调小--maxFalseAlarmRate再重新训练。

内容的提问来源于stack exchange，提问作者Kelo Kelo