Traceback (most recent call last): File "i:\18Breakageratecalculation\SVM run\HOG_SVM-master\hog_color_self", line 16, in <module> from sklearn.externals import joblib ImportError: cannot import name 'joblib' from 'sklearn.externals' (C:\Users\win10\AppData\Local\Programs\Python\Python311\Lib\site-packages\sklearn\externals\__init__.py)

这个错误提示是因为你使用的是较新版本的scikit-learn（sklearn）库，而该库已经将`joblib`模块从`sklearn.externals`移动到了顶层，所以旧的导入方法不再适用。解决方法有两种：

1. 直接使用`joblib`模块：

   import joblib

2. 使用`sklearn`顶层导入：

   from sklearn import joblib

你可以根据自己的需要选择其中一种方法进行修改。

相关问题

Traceback (most recent call last): File "i:\18Breakageratecalculation\SVM run\HOG_SVM-master\hog_color_self", line 16, in <module> from sklearn import joblib ImportError: cannot import name 'joblib' from 'sklearn' (C:\Users\win10\AppData\Local\Programs\Python\Python311\Lib\site-packages\sklearn\__init__.py)

这个错误提示是因为你的scikit-learn（sklearn）库中没有`joblib`模块，可能是由于你的scikit-learn版本过低，或者没有正确安装。建议你先升级一下scikit-learn库，可以使用以下命令：

pip install -U scikit-learn

如果升级后仍然无法导入`joblib`模块，可以尝试重新安装scikit-learn库，使用以下命令：

pip uninstall scikit-learn
pip install scikit-learn

如果你使用的是conda环境，可以使用以下命令升级或重新安装：

conda update scikit-learn
conda install scikit-learn

如果以上方法仍然无法解决问题，建议你检查一下Python环境和依赖库是否正确安装配置。

Traceback (most recent call last): File "i:\18Breakageratecalculation\SVM run\hog-color-svm", line 11, in <module> for i in range(num_samples = 681): ^^^^^^^^^^^^^^^^^^^^^^^^ TypeError: range() takes no keyword arguments

在`range()`函数中不能使用关键字参数来指定循环次数，因此抛出了`TypeError: range() takes no keyword arguments`异常。你需要将`num_samples = 681`这个赋值语句移到循环外面，然后使用`range(num_samples)`来指定循环次数。例如，你可以这样修改代码：

import cv2
import numpy as np

# 提取图像的HOG特征
def get_hog_features(image):
    hog = cv2.HOGDescriptor()
    hog_features = hog.compute(image)
    return hog_features

# 加载训练数据集
train_data = [r"I:\18Breakageratecalculation\SVM run\detection_cut\whole\train128"]
train_labels = [r"I:\18Breakageratecalculation\SVM run\detection_cut\whole\train128\labels.txt"]

num_samples = 681  # 定义循环次数
for i in range(num_samples):
    image = cv2.imread('image_'+str(i)+'.jpg', 0)
    hog_features = get_hog_features(image)

    hsv_image = cv2.cvtColor(image, cv2.COLOR_BGR2HSV)
    color_hist = cv2.calcHist([hsv_image], [0, 1], None, [180, 256], [0, 180, 0, 256])
    color_features = cv2.normalize(color_hist, color_hist).flatten()

    train_data.append(hog_features)
    train_labels.append(labels[i])

# 训练SVM模型
svm = cv2.ml.SVM_create()
svm.setType(cv2.ml.SVM_C_SVC)
svm.setKernel(cv2.ml.SVM_LINEAR)
svm.train(np.array(train_data), cv2.ml.ROW_SAMPLE, np.array(train_labels))

# 对测试图像进行分类
test_image = cv2.imread('I:\18Breakageratecalculation\mask-slic use\maskSLIC-master\result\split\result2\maskslic2_roi.png', 0)
test_features = get_hog_features(test_image)
result = svm.predict(test_features.reshape(1,-1))

# 显示分割结果
result_image = np.zeros(test_image.shape, np.uint8)
for i in range(test_image.shape[0]):
    for j in range(test_image.shape[1]):
        if result[i,j] == 1:
            result_image[i,j] = 255

cv2.imshow('I:\18Breakageratecalculation\mask-slic use\maskSLIC-master\result\split\result2\Result.png', result_image)
cv2.waitKey(0)
cv2.destroyAllWindows()