【目标检测之Ultralytics预测框颜色修改】

在 Ultralytics YOLOv8 中修改预测框颜色为红色,以下是三种实用方案:


方案 1:直接修改 plot() 方法的 colors 参数

在调用 results.plot() 时直接指定颜色参数:

python 复制代码
from ultralytics import YOLO

# 加载模型
model = YOLO("yolov8n.pt")

# 预测并绘制结果
results = model.predict("image.jpg")
plotted_img = results[0].plot(colors=(255, 0, 0))  # BGR格式:红色

# 保存或显示
plotted_img.show()  # 直接显示
# plotted_img.save("output.jpg")  # 保存结果

原理
plot() 方法的 colors 参数接受一个 BGR 元组 (B, G, R)(255, 0, 0) 表示红色。


方案 2:自定义调色板覆盖默认颜色

创建全红色的调色板并传递给 plot()

python 复制代码
from ultralytics import YOLO

# 加载模型
model = YOLO("yolov8n.pt")
results = model.predict("image.jpg")

# 创建全红色调色板 (每个类别都是红色)
num_classes = len(model.names)  # 获取类别总数
red_palette = [(255, 0, 0)] * num_classes  # 每个类别分配红色

# 应用自定义调色板
plotted_img = results[0].plot(colors=red_palette)
plotted_img.show()

原理

YOLOv8 默认使用类别索引映射调色板颜色。此方案为所有类别强制指定红色。


方案 3:修改 Annotator 源码(高级)

直接修改 Ultralytics 的绘图工具类:

  1. 找到文件 ultralytics/utils/plotting.py
  2. 定位 Annotator 类中的 box_label 方法。
  3. 将颜色生成逻辑改为固定红色:
python 复制代码
# 原始代码 (约在 265 行附近)
color = color or [random.randint(0, 255) for _ in range(3)]

# 修改为固定红色
color = (255, 0, 0)  # BGR: 红色

效果

全局所有预测框变为红色(需重新安装包或修改环境文件)。


额外方案:自定义后处理绘制

手动解析结果并绘制红色框:

python 复制代码
import cv2
from ultralytics import YOLO

# 加载模型和图像
model = YOLO("yolov8n.pt")
img = cv2.imread("image.jpg")
results = model.predict(img)

# 手动绘制结果
for box in results[0].boxes:
    x1, y1, x2, y2 = map(int, box.xyxy[0].tolist())
    cv2.rectangle(img, (x1, y1), (x2, y2), (0, 0, 255), 2)  # BGR红色 + 线宽2

# 显示结果
cv2.imshow("Red Boxes", img)
cv2.waitKey(0)

方案对比

方案 优势 适用场景
方案 1 简单快捷,单行代码修改 临时快速调试
方案 2 不修改源码,控制所有类别颜色 需全局红色但保留类别文本
方案 3 永久生效 长期项目且需全局修改
额外方案 完全自定义绘制逻辑 需要复杂自定义的场景

选择方案时,优先推荐 方案 1 (临时使用)或 方案 2(保留类别文本的红色框)。如需永久生效,可用方案 3(注意备份源码)。

相关推荐
元宇宙时间14 分钟前
全球发展币GDEV:从中国出发,走向全球的数字发展合作蓝图
大数据·人工智能·去中心化·区块链
小黄人202543 分钟前
自动驾驶安全技术的演进与NVIDIA的创新实践
人工智能·安全·自动驾驶
ZStack开发者社区2 小时前
首批 | 云轴科技ZStack加入施耐德电气技术本地化创新生态
人工智能·科技·云计算
千宇宙航2 小时前
闲庭信步使用图像验证平台加速FPGA的开发:第六课——测试图案的FPGA实现
图像处理·计算机视觉·fpga开发
X Y O2 小时前
神经网络初步学习3——数据与损失
人工智能·神经网络·学习
FL16238631293 小时前
如何使用目标检测深度学习框架yolov8训练钢管管道表面缺陷VOC+YOLO格式1159张3类别的检测数据集步骤和流程
深度学习·yolo·目标检测
唯创知音3 小时前
玩具语音方案选型决策OTP vs Flash 的成本功耗与灵活性
人工智能·语音识别
Jamence3 小时前
多模态大语言模型arxiv论文略读(151)
论文阅读·人工智能·语言模型·自然语言处理·论文笔记
tongxianchao3 小时前
LaCo: Large Language Model Pruning via Layer Collapse
人工智能·语言模型·剪枝
HyperAI超神经3 小时前
OmniGen2 多模态推理×自我纠正双引擎,引领图像生成新范式;95 万分类标签!TreeOfLife-200M 解锁物种认知新维度
人工智能·数据挖掘·数据集·图像生成·医疗健康·在线教程·数学代码