YOLO之boxes小记

python 复制代码
import cv2
from ultralytics import YOLO
# 加载模型
model = YOLO(model='yolov8n.pt')
results = model(source='animal.jpg')

result = results[0]
img = result.plot()
from matplotlib import pyplot as plt
# matplotlib :rgb模式
# cv:bgr模式
plt.imshow(X=img[:,:,::-1])
python 复制代码
result.boxes



```python
"""
# 类别
cls: tensor([22., 20., 23., 20., 20.])
# 置信度 也就是概率
conf: tensor([0.8806, 0.8598, 0.5866, 0.5551, 0.3515])
data: tensor([[2.4926e+01, 5.1402e+02, 3.7411e+02, 7.9772e+02, 8.8055e-01, 2.2000e+01],
        [3.2387e+02, 3.8592e+02, 7.2567e+02, 8.0409e+02, 8.5977e-01, 2.0000e+01],
        [5.9173e+02, 2.6204e+02, 8.0608e+02, 7.7721e+02, 5.8656e-01, 2.3000e+01],
        [7.1596e+02, 6.3707e+02, 9.0578e+02, 8.5622e+02, 5.5513e-01, 2.0000e+01],
        [7.2943e+02, 5.2940e+02, 1.1668e+03, 7.8796e+02, 3.5151e-01, 2.0000e+01]])
id: None
is_track: False
orig_shape: (897, 1200)
shape: torch.Size([5, 6])
# 中心点坐标 (x,y) ,w宽 h高  n是规范化以后的数据,所有跟x相关的除以宽度,所有与y相关的除以高度,相当于归一化了 (相对坐标是用的比较多的)
xywh: tensor([[199.5182, 655.8711, 349.1838, 283.6943],
        [524.7690, 595.0039, 401.7979, 418.1656],
        [698.9015, 519.6245, 214.3517, 515.1679],
        [810.8722, 746.6467, 189.8149, 219.1466],
        [948.1376, 658.6791, 437.4136, 258.5655]])
xywhn: tensor([[0.1663, 0.7312, 0.2910, 0.3163],
        [0.4373, 0.6633, 0.3348, 0.4662],
        [0.5824, 0.5793, 0.1786, 0.5743],
        [0.6757, 0.8324, 0.1582, 0.2443],
        [0.7901, 0.7343, 0.3645, 0.2883]])
# 这个是左上角坐标(x,y)和右下角坐标(x,y)        
xyxy: tensor([[  24.9263,  514.0239,  374.1101,  797.7183],
        [ 323.8700,  385.9211,  725.6679,  804.0867],
        [ 591.7256,  262.0406,  806.0774,  777.2085],
        [ 715.9648,  637.0734,  905.7797,  856.2200],
        [ 729.4308,  529.3964, 1166.8444,  787.9619]])
xyxyn: tensor([[0.0208, 0.5730, 0.3118, 0.8893],
        [0.2699, 0.4302, 0.6047, 0.8964],
        [0.4931, 0.2921, 0.6717, 0.8665],
        [0.5966, 0.7102, 0.7548, 0.9545],
        [0.6079, 0.5902, 0.9724, 0.8784]])
"""
复制代码
相关推荐
hyshhhh1 天前
【算法岗面试题】深度学习中如何防止过拟合?
网络·人工智能·深度学习·神经网络·算法·计算机视觉
Listennnn1 天前
优雅的理解神经网络中的“分段线性单元”,解剖前向和反向传播
人工智能·深度学习·神经网络
牙牙要健康1 天前
【目标检测】【深度学习】【Pytorch版本】YOLOV3模型算法详解
pytorch·深度学习·目标检测
Scc_hy1 天前
强化学习_Paper_1988_Learning to predict by the methods of temporal differences
人工智能·深度学习·算法
誉鏐1 天前
从零开始设计Transformer模型(1/2)——剥离RNN,保留Attention
人工智能·深度学习·transformer
神经星星1 天前
无需预对齐即可消除批次效应,东京大学团队开发深度学习框架STAIG,揭示肿瘤微环境中的详细基因信息
人工智能·深度学习·机器学习
程序员Linc1 天前
写给新人的深度学习扫盲贴:向量与矩阵
人工智能·深度学习·矩阵·向量
补三补四1 天前
机器学习-聚类分析算法
人工智能·深度学习·算法·机器学习
荷包蛋蛋怪1 天前
【北京化工大学】 神经网络与深度学习 实验6 MATAR图像分类
人工智能·深度学习·神经网络·opencv·机器学习·计算机视觉·分类
贤小二AI1 天前
贤小二c#版Yolov5 yolov8 yolov10 yolov11自动标注工具 + 免python环境 GPU一键训练包
人工智能·深度学习·yolo