yolov目标检测的图片onnx输入尺寸及预处理
参考 (github.com)
当你使用不同的图像尺寸(例如1280)进行预测时,YOLOv8会自动对输入图像进行适当的预处理以适配模型。这通常包括缩放和填充操作,确保图像不会发生畸变,同时保持原始宽高比。
对于使用OpenCV进行预处理,你可以按照以下步骤来模拟YOLOv8的预处理过程:
- 保持图像的宽高比,将图像缩放到模型的输入尺寸(例如640x640)中较短的一边。
- 对缩放后的图像进行填充,以达到所需的输入尺寸,通常填充的是图像的右侧和底部。
- 确保填充值(通常是灰色,即(114, 114, 114))与训练时使用的填充值相匹配。
以下是一个简单的OpenCV代码示例,展示了如何进行这种预处理:
def letterbox(im, new_shape=(640, 640), color=(114, 114, 114), auto=True, scaleFill=False, scaleup=True, stride=32):
# Resize and pad image while meeting stride-multiple constraints
shape = im.shape[:2] # current shape [height, width]
if isinstance(new_shape, int):
new_shape = (new_shape, new_shape)
# Scale ratio (new / old)
r = min(new_shape[0] / shape[0], new_shape[1] / shape[1])
if not scaleup: # only scale down, do not scale up (for better val mAP)
r = min(r, 1.0)
# Compute padding
ratio = r, r # width, height ratios
new_unpad = int(round(shape[1] * r)), int(round(shape[0] * r))
dw, dh = new_shape[1] - new_unpad[0], new_shape[0] - new_unpad[1] # wh padding
if auto: # minimum rectangle
dw, dh = np.mod(dw, stride), np.mod(dh, stride) # wh padding
elif scaleFill: # stretch
dw, dh = 0.0, 0.0
new_unpad = (new_shape[1], new_shape[0])
ratio = new_shape[1] / shape[1], new_shape[0] / shape[0] # width, height ratios
dw /= 2 # divide padding into 2 sides
dh /= 2
if shape[::-1] != new_unpad: # resize
im = cv2.resize(im, new_unpad, interpolation=cv2.INTER_LINEAR)
top, bottom = int(round(dh - 0.1)), int(round(dh + 0.1))
left, right = int(round(dw - 0.1)), int(round(dw + 0.1))
im = cv2.copyMakeBorder(im, top, bottom, left, right, cv2.BORDER_CONSTANT, value=color) # add border
return im, ratio, (dw, dh)
# Load image
img, ratio, dw, dh = cv2.imread('path/to/your/image.jpg')
# Preprocess image
img_preprocessed = letterbox(img)
# Now you can pass `img_preprocessed` to your model for prediction
这段代码会将图像缩放并填充到指定的尺寸,同时保持原始宽高比,从而避免畸变。
在实际应用中,你可能需要根据你的具体需求调整这个函数。