Machine learning 在测试用于目标检测的Svm模型时出错

**中的ValueError回溯（最近一次调用） ---->1对于金字塔型高斯分布的img1（img，缩尺=2）： 2对于滑动窗口中的（x，y，窗口）（调整大小，步长=10，窗口大小=（winW，winH））： 3如果窗口形状为[0]！=winH或window。形状[1]=winW: 4继续 5窗口=颜色。RGB2灰色（窗口）

D:\Anaconda3\lib\site packages\skimage\transform\pyramids.py in 金字塔-高斯（图像、最大层、缩小、西格玛、顺序、模式、， cval（多通道） 195 196#强制转换为浮点，以实现金字塔中的一致数据类型 -->197图像=img_as_float（图像） 198 199层=0

D:\Anaconda3\lib\site packages\skimage\util\dtype.py in img_as_float（图像、强制复制） 411 412 """ -->413返回转换（图像、np.floating、强制拷贝） 414 415

D:\Anaconda3\lib\site packages\skimage\util\dtype.py在convert中（图， 数据类型，强制拷贝，统一） 124如果不是（数据类型输入支持的类型和数据类型输出输入支持的类型）： 125 raise VALUERROR（“无法从{}转换为{}。” -->126.格式（dtypeobj_输入，dtypeobj_输出）） 127 128 def符号丢失（）

ValueError:无法从对象转换为浮点64

**

---

你能从skimage import io；io尝试

吗？使用插件（'matplotlib'）

？来源：没有变化，先生..请帮助，我最近几天一直陷入这个错误。你确定错误来自你共享的代码的同一部分吗？我在代码的任何部分都没有看到'for img1 in pyramid_gaussian（img，downscale=2）：'

from skimage.transform import pyramid_gaussian
from sklearn.externals import joblib
from skimage import color
from skimage import io
from imutils.object_detection import non_max_suppression
import imutils
import numpy as np
import cv2
import os
import glob 


orientations = 9
pixels_per_cell = (8, 8)
cells_per_block = (2, 2)
threshold = .3


def sliding_window(image, stepSize, windowSize):
    for y in range(0, image.shape[0], stepSize):
        for x in range(0, image.shape[1], stepSize):
            yield (x, y, image[y: y + windowSize[1], x:x + windowSize[0]])

 model = joblib.load('model_name.npy')

scale = 0
detections = []

img= cv2.imread("pos\56_resized.jpg")


(winW, winH)= (180,320)
windowSize=(winW,winH)
downscale=1.5
for resized in pyramid_gaussian(img, downscale=1.5):
    for (x,y,window) in sliding_window(resized, stepSize=10, windowSize=(winW,winH)):
        if window.shape[0] != winH or window.shape[1] !=winW:
            continue
        window=color.rgb2gray(window)
        fds = hog(window, orientations, pixels_per_cell, cells_per_block, block_norm='L2')
        fds = fds.reshape(1, -1)
        pred = model.predict(fds)

        if pred == 1:
            if model.decision_function(fds) > 0.6:
                print("Detection:: Location -> ({}, {})".format(x, y))
                print("Scale ->  {} | Confidence Score {} \n".format(scale,model.decision_function(fds)))
                detections.append((int(x*(downscale**scale)),int(y*(downscale**scale)),model.decision_function(fds),int(windowSize[0]*(downscale**scale)),int(windowSize[1]*(downscale**scale))
    scale+=1