python安装dlib

⑴ dlib库，怎么在python中安装

直接使用pip install dlib即可

⑵ dlib库，怎么在python中安装

现进入CMD，然后输入DOS命令进入setup.py文件所在目录，然后输入python setup.py install就搞定了。

⑶ python pip 安装dlib一直失败

安装失败需要检查几个问题：

1. 兼容问题，对应的包支持的操作系统，支持的Python版本

2. 安装问题，部分包只能通过源码安装，或者离线的wheel方式安装

3. 核对包的安装文档
   

⑷ Python的Dlib安装时一直出现找不到boost怎么解决

刚刚在 macOS 遇到了类似问题并有了一个解决方案:解决 macOS 下 Python 安装 Dlib 的问题：Cmake 找不到 boost-python

Linux 以及 其他 类 Unix 系统可能都可以参考上面在 macOS High Sierra 下的思路来通过设定 ~/.bashprofile 里面的 CMAKE_PREFIX_PATH 指向 boost 安装路径来解决这个问题。

现在我正在Windows虚拟机里面测试，发现似乎也是 cmake 没有设定 boost 位置导致的。

我尝试一下用类似方法来解决，然后把细节过程截图发上来。

到Python Extension Packages for Windows

下载对应系统版本的 boost python 的 whl：

上面这些内容部分参考了 BOOST 官方文档的内容：Getting Started on Windows

上述步骤完成之后，使用 pip install dlib 来安装吧.

我自己在 Windows 7 32bit 系统下测到一半提示编译错误，不过能确定的是上面这些步骤都没问题了，算了，我懒得折腾了，以上内容供参考了。

希望大家都安装顺利，另外开发机还是 类 Unix 系统好配置啊。

⑸ dlib库，怎么在python中安装

这几天刚好用到Python，其中用到了Dlib库的人脸对齐算法。python中需要用到import dlib.pyd文件，这个文件需要用python对dlib源码进行编译生成。
具体的生成步骤如下：
1. 安装boost库
本人用的是boost_1_61_0版本，在这里简单说下安装步骤，具体的方法可以参考网上其它人的博客。
也可参考本文博文《windows下使用bjam安装Boost》。安装完成之后，记得配置环境变量。
2. 用python的CMD窗口，进入到dlib库的目录下，输入命令：python setup.py install.
如果提前配置好了boost库，并且把生成的boost_python-vc120-mt-1_61.dll和boost_python-vc120-mt-gd-1_61.dll两个文件放到python目录下。
还需要配置cmake的环境变量，../cmake/bin添加在系统环境变量path里，否则出错：cannot find cmake in the path.
成功编译后，会在../dlib/dist/dlib/目录下找到生成的dlib.pyd文件，把该文件拷贝放到python目录下的Lib\site-packages\下面，这样就完成了python编译dlib库的工作。
注意：在用python进行dlib编译时，可能因为python版本的问题，在Lib\distutils\log.py文件中编译出错
UnicodeEncodeError: 'gbk' codec can't encode character u'\x9' in position...的问题。
stream.write('%s\n' % msg) ///源文件
修改方法：stream.write('%s\n' % msg.decode('gbk'))，即可编译通过。这是python2.7版本中的gbk和unicode编解码的原因造成的。
注意：上面的方法本人成功编译过一次，但是后来又有问题。总是显示"Could Not Found Boost."(期间卸载了电脑上的vs2008和vs2010，仅保留vs2013).
后来，借鉴了其他网友的方法如下：
首先，添加系统变量 BOOST_ROOT = D:\boost_1_59_0 和 BOOST_LIBRARYDIR = D:\boost_1_59_0\stage\lib。然后打开cmd，进入到boost目录，输入以下指令编译python library（我的python是32位，因此address-model=32）：

编译python库生成两个lib文件：libboost_python-vc120-mt-s-1_61和libboost_python-vc120-mt-sgd-1_61，复制到...\stage\lib目录下面。
再键入命令：python setup.py install，显示如下：

不过按下面这种方式编译dlib，对于32位的笔记本需要把stream.write('%s\n' % msg.decode('gbk'))恢复为原来的stream.write('%s\n' % msg). 而在64位的PC机上，保留下面的修改的方法：stream.write('%s\n' % msg.decode('gbk'))stream.flush()并且在python的Lib\site-packages文件夹下新建一个sitecustomize.py,内容为：import sys
reload(sys)

sys.setdefaultencoding('utf8') #set default encoding to utf-8
两台机器上都可以编译成功。
Ps:在win7系统下用python编译dlib，花了我两天时间去琢磨调试，上面的经验需要的朋友请拿去进一步整理，以免浪费不必好的时间。有问题的童鞋请在下面留言。

⑹ ubuntu里面怎么安装dlib

下面是在ubuntu下如何为Python安装dlib:
1.在官网dlib官网下载最新版本的dlib
由于dlib最初是一个C++库，要安装为python第三方库，
2.要下载boost将C++ 编译为python，同时还要下载cmake
命令：sudo apt-get install libboost-python-dev cmake11

3.然后切换到 dlib-18.17/python_examples目录
然后运行
./compile_dlib_python_mole.bat 11
会生成dlib.so
4.该脚本还要加上可执行权限
这样在dlib-18.17/python_examples目录下就可以导入dlib库，但在其它地方 还不能导入
将dlib.so复制到python第三库的文件夹下
sudo cp dlib.so /usr/local/lib/python2.7/dist-packages/11
这样dlib库就安装好了

⑺ 安装 dlib 遇到 No CMAKE_CXX_COMPILER could be found.

问题现象

这里显示 g++ 出现错误

第一次解决方式

安装完成后，重新安装携败喊 dlib， 问题再次出现

在安装g++时看到枯答这样一个警告

解决方法

再次安装dlib， 这次安装辩野上了

⑻ 基于python如何建立人脸库

您好，基于Python建立人脸库的方法如下：
1. 安装Python和相关包：首先，您需要安装Python和相关的包，如OpenCV、NumPy等，以便使用Python来处理图像和视频。
2. 获取人脸数据：您需此盯要获取足够多的人脸数据，以便训练模型。
3. 提取特征：使用Python中的OpenCV库，您可以提取人脸图像中的特征，以便进行识别。
4. 训练模型：使用提取的特征，您可以训练一个机器学习森败和模型，以便识别不同的人脸。
5. 测试模型：最后，您可以使用测试数据来测试模型的准确性，以确保它能够准确地识别不同枯旁的人脸。

⑼ dlib库，怎么在python中安装

因为这个工程中用到的依赖库比较多，所以索性下载了Anaconda，它是一个python的发行版，包括了python和很多常见的软件库, 和一个包管理器conda，所以安装了Anaconda后就不用再安装python了。

1、下载Anaconda的链接：https://www.continuum.io/downloads
我下载的是对应python2.7 version的64位Anaconda4.2.0，我的电脑系统是win64。

2、现在的问题就转换成如何用Anaconda安装第三方库的问题（Anaconda不包含dlib库），在自己电脑上运行cmd.exe，直接在默认的路径上面执行如下程序即可安装成功：
conda install -c menpo dlib=18.18

3、执行没问题的话，结果应该如上图所示。困扰我好几天的问题终于解决了，走的太多的弯路，不过也是一个学习的过程，希望大家能有所收获吧。

⑽ 如何线上部署用python基于dlib写的人脸识别算法

python使用dlib进行人脸检测与人脸关键点标记

Dlib简介：

首先给大家介绍一下Dlib

我使用的版本是dlib-18.17,大家也可以在我这里下载：

之后进入python_examples下使用bat文件进行编译，编译需要先安装libboost-python-dev和cmake

cd to dlib-18.17/python_examples

./compile_dlib_python_mole.bat 123

之后会得到一个dlib.so，复制到dist-packages目录下即可使用

这里大家也可以直接用我编译好的.so库,但是也必须安装libboost才可以，不然python是不能调用so库的，下载地址：

将.so复制到dist-packages目录下

sudo cp dlib.so /usr/local/lib/python2.7/dist-packages/1

最新的dlib18.18好像就没有这个bat文件了，取而代之的是一个setup文件，那么安装起来应该就没有这么麻烦了，大家可以去直接安装18.18，也可以直接下载复制我的.so库，这两种方法应该都不麻烦～

有时候还会需要下面这两个库，建议大家一并安装一下

9.安装skimage

sudo apt-get install python-skimage1

10.安装imtools

sudo easy_install imtools1

Dlib face landmarks Demo

环境配置结束之后，我们首先看一下dlib提供的示例程序

1.人脸检测

dlib-18.17/python_examples/face_detector.py 源程序：

#!/usr/bin/python# The contents of this file are in the public domain. See LICENSE_FOR_EXAMPLE_PROGRAMS.txt## This example program shows how to find frontal human faces in an image. In# particular, it shows how you can take a list of images from the command# line and display each on the screen with red boxes overlaid on each human# face.## The examples/faces folder contains some jpg images of people. You can run# this program on them and see the detections by executing the# following command:# ./face_detector.py ../examples/faces/*.jpg## This face detector is made using the now classic Histogram of Oriented# Gradients (HOG) feature combined with a linear classifier, an image# pyramid, and sliding window detection scheme. This type of object detector# is fairly general and capable of detecting many types of semi-rigid objects# in addition to human faces. Therefore, if you are interested in making# your own object detectors then read the train_object_detector.py example# program. ### COMPILING THE DLIB PYTHON INTERFACE# Dlib comes with a compiled python interface for python 2.7 on MS Windows. If# you are using another python version or operating system then you need to# compile the dlib python interface before you can use this file. To do this,# run compile_dlib_python_mole.bat. This should work on any operating# system so long as you have CMake and boost-python installed.# On Ubuntu, this can be done easily by running the command:# sudo apt-get install libboost-python-dev cmake## Also note that this example requires scikit-image which can be installed# via the command:# pip install -U scikit-image# Or downloaded from . import sys

import dlib

from skimage import io

detector = dlib.get_frontal_face_detector()

win = dlib.image_window()

print("a");for f in sys.argv[1:]:

print("a");

print("Processing file: {}".format(f))
img = io.imread(f)
# The 1 in the second argument indicates that we should upsample the image
# 1 time. This will make everything bigger and allow us to detect more
# faces.
dets = detector(img, 1)
print("Number of faces detected: {}".format(len(dets))) for i, d in enumerate(dets):
print("Detection {}: Left: {} Top: {} Right: {} Bottom: {}".format(
i, d.left(), d.top(), d.right(), d.bottom()))

win.clear_overlay()
win.set_image(img)
win.add_overlay(dets)
dlib.hit_enter_to_continue()# Finally, if you really want to you can ask the detector to tell you the score# for each detection. The score is bigger for more confident detections.# Also, the idx tells you which of the face sub-detectors matched. This can be# used to broadly identify faces in different orientations.if (len(sys.argv[1:]) > 0):
img = io.imread(sys.argv[1])
dets, scores, idx = detector.run(img, 1) for i, d in enumerate(dets):
print("Detection {}, score: {}, face_type:{}".format(
d, scores[i], idx[i]))5767778798081

我把源代码精简了一下，加了一下注释： face_detector0.1.py

# -*- coding: utf-8 -*-import sys

import dlib

from skimage import io#使用dlib自带的frontal_face_detector作为我们的特征提取器detector = dlib.get_frontal_face_detector()#使用dlib提供的图片窗口win = dlib.image_window()#sys.argv[]是用来获取命令行参数的，sys.argv[0]表示代码本身文件路径，所以参数从1开始向后依次获取图片路径for f in sys.argv[1:]: #输出目前处理的图片地址
print("Processing file: {}".format(f)) #使用skimage的io读取图片
img = io.imread(f) #使用detector进行人脸检测 dets为返回的结果
dets = detector(img, 1) #dets的元素个数即为脸的个数
print("Number of faces detected: {}".format(len(dets))) #使用enumerate 函数遍历序列中的元素以及它们的下标
#下标i即为人脸序号
#left：人脸左边距离图片左边界的距离 ；right：人脸右边距离图片左边界的距离
#top：人脸上边距离图片上边界的距离 ；bottom：人脸下边距离图片上边界的距离
for i, d in enumerate(dets):
print("dets{}".format(d))
print("Detection {}: Left: {} Top: {} Right: {} Bottom: {}"
.format( i, d.left(), d.top(), d.right(), d.bottom())) #也可以获取比较全面的信息，如获取人脸与detector的匹配程度
dets, scores, idx = detector.run(img, 1)
for i, d in enumerate(dets):
print("Detection {}, dets{},score: {}, face_type:{}".format( i, d, scores[i], idx[i]))

#绘制图片(dlib的ui库可以直接绘制dets)
win.set_image(img)
win.add_overlay(dets) #等待点击
dlib.hit_enter_to_continue()041424344454647484950

分别测试了一个人脸的和多个人脸的，以下是运行结果：

运行的时候把图片文件路径加到后面就好了

python face_detector0.1.py ./data/3.jpg12

一张脸的：

两张脸的：

这里可以看出侧脸与detector的匹配度要比正脸小的很多

2.人脸关键点提取

人脸检测我们使用了dlib自带的人脸检测器（detector），关键点提取需要一个特征提取器（predictor），为了构建特征提取器，预训练模型必不可少。

除了自行进行训练外，还可以使用官方提供的一个模型。该模型可从dlib sourceforge库下载：

arks.dat.bz2

也可以从我的连接下载：

这个库支持68个关键点的提取，一般来说也够用了，如果需要更多的特征点就要自己去训练了。

dlib-18.17/python_examples/face_landmark_detection.py 源程序：

#!/usr/bin/python# The contents of this file are in the public domain. See LICENSE_FOR_EXAMPLE_PROGRAMS.txt## This example program shows how to find frontal human faces in an image and# estimate their pose. The pose takes the form of 68 landmarks. These are# points on the face such as the corners of the mouth, along the eyebrows, on# the eyes, and so forth.## This face detector is made using the classic Histogram of Oriented# Gradients (HOG) feature combined with a linear