Python 如何使用dlib训练或合并多个.svm并检测多个类

我想做一个非常简单的例子：使用dlib进行训练，以检测“猫”和“狗”（两个类），并提供框坐标

到目前为止，我发现的示例是只使用一个类进行训练并生成一个.svm文件：

我不擅长C++（但我可以学习），我更喜欢用Python做事情。经过几天的研究（我也是深度学习新手），我想我必须改变以下几行：

object_detector<image_scanner_type> detector = trainer.train(images, object_locations, ignore);
serialize("object_detector.svm") << detector;

object\u detector=trainer.train（图像、object\u位置、忽略）；
序列化（“ObjtTyTrace.SVM”）
我可以告诉你如何在C++中这样做。然后，我希望您能够了解如何使用Python实现它
这样做不需要使用单个.dat文件。您可以单独训练探测器并保存到单独的文件中。这允许您添加新探测器、更换现有探测器等，而无需再培训。
之后需要创建检测器的向量。i、 e:

std::vector<object_detector> detectors(3);
dlib::deserialize(detectors[0], "object_detector.svm");
dlib::deserialize(detectors[1], "object_detector_2.svm");
dlib::deserialize(detectors[2], "object_detector_3.svm");

在我的例子中，一次运行所有检测器（5）的执行速度大约是顺序运行检测器的2.5-3倍。但这将取决于每个探测器的检测窗口有多相似

std::vector<object_detector> detectors(3);
dlib::deserialize(detectors[0], "object_detector.svm");
dlib::deserialize(detectors[1], "object_detector_2.svm");
dlib::deserialize(detectors[2], "object_detector_3.svm");

std::vector<dlib::rect_detection> detections;
dlib::evaluate_detectors(detectors, image, detections);

for (auto& det : detections) {
    det.rect;          // found rectangle
    det.weight_index;  // detector index in vector (to indentify object class)
}