成功解决.append方法出现错误IndexError: list index out of range

简介: 成功解决.append方法出现错误IndexError: list index out of range

解决问题


.append方法出现错误IndexError: list index out of range




解决方法


X.append(fr.face_encodings(image,known_face_locations=boxes)[0])

print(fr.face_encodings(image,known_face_locations=boxes)),


发现有张图片输出的fr.face_encodings(image,known_face_locations=boxes)的列表为  [ ]  即是空的,所以出现了list index out of range,


T1、只需要删除那张图片即可!


T2、改写函数,增加判断,如果当前数值列表为空,则跳出循环执行下一次循环

       for img_path in image_files_in_folder(os.path.join(train_dir, class_dir)):

           image = fr.load_image_file(img_path)

           boxes = fr.face_locations(image)

           print(img_path)

#             print(fr.face_encodings(image,known_face_locations=boxes))

         

           if len(fr.face_encodings(image,known_face_locations=boxes))==0:   #判断空列表

               print("这张图片不合法,请删除!即将退出程序",img_path)

               continue

#                 sys.exit()

           # 对于当前图片,增加编码到训练集,返回128个值放到X集合里(X.append)

           X.append(fr.face_encodings(image,known_face_locations=boxes)[0])



相关文章
|
人工智能
【Mixup】探索数据增强技术:深入了解Mixup操作
【Mixup】探索数据增强技术:深入了解Mixup操作
1162 0
|
机器学习/深度学习 人工智能
一键生成PPT的AI工具介绍
一键生成PPT的AI工具介绍
1636 0
|
8月前
|
人工智能 计算机视觉
RT-DETR改进策略【损失函数篇】| NWD损失函数,提高小目标检测精度
RT-DETR改进策略【损失函数篇】| NWD损失函数,提高小目标检测精度
617 5
RT-DETR改进策略【损失函数篇】| NWD损失函数,提高小目标检测精度
|
8月前
|
编解码 计算机视觉
YOLOv11改进策略【YOLO和Mamba】| 替换骨干 Mamba-YOLOv11-T !!! 最新的发文热点
YOLOv11改进策略【YOLO和Mamba】| 替换骨干 Mamba-YOLOv11-T !!! 最新的发文热点
1225 7
YOLOv11改进策略【YOLO和Mamba】| 替换骨干 Mamba-YOLOv11-T !!! 最新的发文热点
|
8月前
|
SQL 关系型数据库 MySQL
详解如何优雅实现先分组再组内排序取数据解决方案
本文介绍了在数据库查询中常见的业务需求:先对数据进行分组,然后在每组内按规则排序并取出特定记录。使用MySQL和Elasticsearch实现这一操作,并对比了不同方法的性能。具体包括: **MySQL实现**:通过窗口函数`ROW_NUMBER()`、子查询和JOIN关联查询三种方式实现分组排序取数据,并探讨了索引优化的效果。 **Elasticsearch实现**:利用`terms`聚合和`top_hits`聚合实现分组排序,适用于大规模数据场景。 推荐优先使用窗口函数,结合索引优化提升查询性能。对于小规模查询,可在应用层处理。 通过实例和性能对比,帮助读者选择最适合的实现方案。
260 16
详解如何优雅实现先分组再组内排序取数据解决方案
|
12月前
|
机器学习/深度学习 编解码 监控
目标检测实战(六): 使用YOLOv8完成对图像的目标检测任务(从数据准备到训练测试部署的完整流程)
这篇文章详细介绍了如何使用YOLOv8进行目标检测任务,包括环境搭建、数据准备、模型训练、验证测试以及模型转换等完整流程。
18852 59
目标检测实战(六): 使用YOLOv8完成对图像的目标检测任务(从数据准备到训练测试部署的完整流程)
|
11月前
|
机器学习/深度学习 编解码 Java
YOLO11创新改进系列:卷积,主干 注意力,C3k2融合,检测头等创新机制(已更新100+)
《YOLO11目标检测创新改进与实战案例》专栏已更新100+篇文章,涵盖注意力机制、卷积优化、检测头创新、损失与IOU优化、轻量级网络设计等多方面内容。每周更新3-10篇,提供详细代码和实战案例,帮助您掌握最新研究和实用技巧。[专栏链接](https://blog.csdn.net/shangyanaf/category_12810477.html)
YOLO11创新改进系列:卷积,主干 注意力,C3k2融合,检测头等创新机制(已更新100+)
|
机器学习/深度学习 计算机视觉
【YOLOv8改进】骨干网络: SwinTransformer (基于位移窗口的层次化视觉变换器)
YOLO目标检测创新改进与实战案例专栏介绍了YOLO的有效改进,包括使用新型视觉Transformer——Swin Transformer。Swin Transformer解决了Transformer在视觉领域的尺度变化和高分辨率问题,采用分层结构和移位窗口自注意力计算,适用于多种视觉任务,如图像分类、目标检测和语义分割,性能超越先前最佳模型。此外,文章还展示了如何在YOLOv8中引入Swin Transformer,并提供了相关代码实现。
|
机器学习/深度学习 计算机视觉 文件存储
YOLOv5改进系列(5)——替换主干网络之 MobileNetV3
YOLOv5改进系列(5)——替换主干网络之 MobileNetV3
10675 3
YOLOv5改进系列(5)——替换主干网络之 MobileNetV3
|
12月前
|
存储 项目管理 数据库
6款适合团队使用的在线协作文档工具:功能、费用与特色对比
在数字化工作环境中,选择合适的在线协作文档工具对团队生产力至关重要。本文介绍了六款备受好评的工具:板栗看板、Google Docs、Microsoft OneNote、Notion、Dropbox Paper 和 Quip。从功能、费用到特色,全面对比分析,帮助企业管理者找到最适合团队需求的解决方案。
913 6