Ошибка нехватки памяти в OpenCV Python - (-215) u!= 0 в функции cv::Mat::create

Question

Я работаю над своим проектом, связанным с исследованием человеческих эмоций, используя OpenCV + Python, Я следую учебному пособию с использованием наборов данных CK+ для обучения. Но когда я пытаюсь запустить код для обучения набора данных, он дает OutOfMemory Ошибка. Как я могу решить эту проблему. Пожалуйста, помогите мне. Я новичок в OpenCV и питон. Я поместил мой код ошибки и исходный код ниже.

OpenCV Error: Insufficient memory (Failed to allocate 495880000 bytes) in cv::OutOfMemoryError, file C:\projects\opencv-python\opencv\modules\core\src\alloc.cpp, line 55
OpenCV Error: Assertion failed (u != 0) in cv::Mat::create, file C:\projects\opencv-python\opencv\modules\core\src\matrix.cpp, line 436
Traceback (most recent call last):
  File "D:/Documents/Private/Pycharm/EmotionDetection/training.py", line 71, in <module>
    correct = run_recognizer()
  File "D:/Documents/Private/Pycharm/EmotionDetection/training.py", line 49, in run_recognizer
    fishface.train(training_data, np.asarray(training_labels))
cv2.error: C:\projects\opencv-python\opencv\modules\core\src\matrix.cpp:436: error: (-215) u != 0 in function cv::Mat::create

Это исходный код.

   import cv2
    import glob
    import random
    import numpy as np

    emotions = ["neutral", "anger", "contempt", "disgust", "fear", "happy", "sadness", "surprise"]  # Emotion list
    fishface = cv2.face.EigenFaceRecognizer_create()  # Initialize fisher face classifier

    data = {}


    def get_files(emotion):  # Define function to get file list, randomly shuffle it and split 80/20
        files = glob.glob("dataset\\%s\\*" % emotion)
        random.shuffle(files)
        training = files[:int(len(files) * 0.8)]  # get first 80% of file list
        prediction = files[-int(len(files) * 0.2):]  # get last 20% of file list
        return training, prediction


    def make_sets():
        training_data = []
        training_labels = []
        prediction_data = []
        prediction_labels = []
        for emotion in emotions:
            training, prediction = get_files(emotion)
            # Append data to training and prediction list, and generate labels 0-7
            for item in training:
                image = cv2.imread(item)  # open image
                gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)  # convert to grayscale
                training_data.append(gray)  # append image array to training data list
                training_labels.append(emotions.index(emotion))

            for item in prediction:  # repeat above process for prediction set
                image = cv2.imread(item)
                gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)
                prediction_data.append(gray)
                prediction_labels.append(emotions.index(emotion))

        return training_data, training_labels, prediction_data, prediction_labels


    def run_recognizer():
        training_data, training_labels, prediction_data, prediction_labels = make_sets()

        print("training fisher face classifier")
        print("size of training set is:", len(training_labels), "images")

        fishface.train(training_data, np.asarray(training_labels))

        print("predicting classification set")

        cnt = 0
        correct = 0
        incorrect = 0
        for image in prediction_data:
            pred, conf = fishface.predict(image)
            if pred == prediction_labels[cnt]:
                correct += 1
                cnt += 1
            else:
                cv2.imwrite("difficult\\%s_%s_%s.jpg" % (emotions[prediction_labels[cnt]], emotions[pred], cnt), image)  # <-- this one is new
                incorrect += 1
                cnt += 1
        return (100 * correct) / (correct + incorrect)


    # Now run it
    meta_score = []
    for i in range(0, 10):
        correct = run_recognizer()
        print("got", correct, "percent correct!")
        meta_score.append(correct)

    print("\n\nend score:", np.mean(meta_score), "percent correct!")

Answer 1

Если вы используете 32-разрядную систему, это невозможно, поскольку недостаточно памяти, к которой вы можете обратиться. ваши изображения слишком велики для вашей системы сборки. Если у вас 32-битная операционная система, обновитесь до 64-битной, иначе вы, вероятно, используете 32-битные среды сборки, и вам следует перейти на 64-битные инструменты сборки.