在mmdet 3.0系列中使用visualizer进行目标检测真实框和检测框的可视化和绘制 并保存为图像

在 MMDetection 3.0 中,使用 visualizer 进行目标检测的真实框和检测框的可视化和绘制,并将结果保存为图像,是一个比较简便且高效的方法。以下是具体的实现步骤和代码示例。

步骤

加载必要的库和初始化模型。

加载测试图像和数据集。

进行推理。

使用 visualizer 绘制真实框和检测框。

保存绘制结果。

示例代码

首先,确保你的环境中安装了最新版本的 MMDetection。

bash 复制代码
pip install mmdet==3.0.0
pip install -U openmim
mim install mmdet

以下是一个完整的代码示例:

python 复制代码
import mmcv
import cv2
import numpy as np
import matplotlib.pyplot as plt
from mmdet.apis import init_detector, inference_detector
from mmdet.utils import register_all_modules
from mmdet.visualization import DetLocalVisualizer
from mmdet.datasets import build_dataset
from mmdet.datasets.pipelines import Compose

# 注册所有模块
register_all_modules()

# 配置文件和模型检查点的路径
config_file = 'path/to/your/config/file.py'
checkpoint_file = 'path/to/your/checkpoint/file.pth'

# 初始化模型
model = init_detector(config_file, checkpoint_file, device='cuda:0')

# 测试图像路径
img = 'path/to/your/test/image.jpg'

# 构建数据集
cfg = mmcv.Config.fromfile(config_file)
dataset = build_dataset(cfg.data.test)

# 获取样本数据
data = dataset[0]

# 提取图像和 ground truth boxes
img_path = data['img_metas'][0].data['filename']
gt_bboxes = data['gt_bboxes'][0].data.numpy()
gt_labels = data['gt_labels'][0].data.numpy()

# 加载图像
img = mmcv.imread(img_path)

# 绘制 ground truth boxes
visualizer = DetLocalVisualizer()
visualizer.dataset_meta = dataset.metainfo

# 创建 ground truth 数据
gt_data = {
    'bboxes': gt_bboxes,
    'labels': gt_labels
}

# 绘制 ground truth boxes
visualizer.add_datasample('ground_truth', img, gt_data, draw_gt=True)

# 推理检测
result = inference_detector(model, img)

# 绘制检测框
visualizer.add_datasample('detection', img, result, draw_pred=True, show=True)

# 保存结果图像
out_file = 'path/to/save/result_image.jpg'
visualizer.add_datasample('detection', img, result, draw_pred=True, show=False, out_file=out_file)
相关推荐
聚客AI16 分钟前
🔥 大模型开发进阶:基于LangChain的异步流式响应与性能优化
人工智能·langchain·agent
CareyWYR36 分钟前
每周AI论文速递(250707-250711)
人工智能
AI街潜水的八角38 分钟前
深度学习图像分类数据集—五种电器识别分类
人工智能·深度学习·分类
众链网络38 分钟前
AI进化论08:机器学习的崛起——数据和算法的“二人转”,AI“闷声发大财”
人工智能·算法·机器学习
生命是有光的41 分钟前
【机器学习】机器学习基础
人工智能·机器学习
平和男人杨争争41 分钟前
机器学习13——支持向量机下
人工智能·机器学习·支持向量机
胖达不服输42 分钟前
「日拱一码」025 机器学习——评价指标
人工智能·python·机器学习·评价指标
默辨42 分钟前
机器学习(ML)、深度学习(DL)、强化学习(RL)关系和区别
人工智能·深度学习·机器学习
乙真仙人2 小时前
AI Agents时代,数据分析将彻底被颠覆
人工智能·数据挖掘·数据分析
大模型最新论文速读2 小时前
指令微调时,也要考虑提示损失
人工智能·深度学习·语言模型·自然语言处理·llama