yolo的obb模型的标签已经归一化了, 现在原图要放在一个宽高是原来2倍和3倍的图片上,各个位置的标签如何变幻,python代码

YOLO (You Only Look Once) 的 OBB 模型通常用于目标检测任务,并且其坐标通常是相对于图像尺寸进行了归一化的。也就是说,坐标的值范围是在0到1之间的浮点数,代表的是物体框相对整个图像宽度和高度的比例。 当你有一个原本已标注好的图片,现在需要将它放置在一个新的画布上——这个新画布的宽度是原始图像宽度的两倍、高度是三倍的情况下: 假设我们有一张原图大小为 WxH,现将其放入一张 2W x 3H的新图像中,并且这张原图位于新图像中心位置的话,则原来的左上角不再是(0,0),而是变成了(W//2,H//3)。(这里假定新的大图是以同样的比例拉伸了原有图像) 对于每个已经过归一化处理后的边界框(x_center_norm,y_center_norm,w_norm,h_norm,angle), 其转换公式可以表示为: ```python # 假设 w_ratio 和 h_ratio 分别是新图对比老图宽度和高度放大的比率,在本题情境下即为 2 和 3. w_ratio = 2 h_ratio = 3 def convert_bbox_normalized_coords_to_new_image_space( x_center_norm, y_center_norm, w_norm, h_norm, angle, original_width, original_height): # 新的位置偏移量计算 new_x_offset = original_width * (w_ratio - 1) / 2 # 归一化的中心点坐标变为真实像素值再调整至新图空间内 x_center_real = x_center_norm * original_width + new_x_offset y_center_real = y_center_norm * original_height + new_y_offset # 如果角度等属性不变则直接返回变换过的坐标和其他信息一起组成新的bbox列表 return [x_center_real/original_width/w_ratio, y_center_real/original_height/h_ratio, w_norm*w_ratio, h_norm*h_ratio, angle] ``` 需要注意的一点是因为我们的宽高都变大了,因此 `w_norm` 和 `h_norm` 需要乘以各自的缩放因子来保持正确的物理尺度;同时由于我们要把结果再次归一化以便适应某些框架的要求,所以对更新后的实际中心点也要做除法操作得到最终的答案。 这段Python函数实现了上述过程,你可以根据实际情况修改此代码片段应用到项目当中去。

创作声明:本文部分内容由AI辅助生成(AIGC),仅供参考

Python内容推荐

[yolo11改进]将yolo11的backbone更换为EfficientNet 的python源码+项目说明.zip

[yolo11改进]将yolo11的backbone更换为EfficientNet 的python源码+项目说明.zip

[yolo11改进]将yolo11的backbone更换为EfficientNet 的python源码+项目说明.zip

基于python的yolov5实现的旋转目标检测

基于python的yolov5实现的旋转目标检测

基于python的yolov5实现的旋转目标检测 、基于python的yolov5实现的旋转目标检测

在YOLOv7的基础上使用KLD损失修改为旋转目标检测yolov7-obb(python源码+项目说明).zip

在YOLOv7的基础上使用KLD损失修改为旋转目标检测yolov7-obb(python源码+项目说明).zip

【资源说明】 1、该资源内项目代码都是经过测试运行成功,功能正常的情况下才上传的,请放心下载使用。 2、适用人群:主要针对计算机相关专业(如计科、信息安全、数据科学与大数据技术、人工智能、通信、物联网、数学、电子信息等)的同学或企业员工下载使用,具有较高的学习借鉴价值。 3、不仅适合小白学习实战练习,也可作为大作业、课程设计、毕设项目、初期项目立项演示等,欢迎下载,互相学习,共同进步!

YOLO11-OBB预测结果分析[可运行源码]

YOLO11-OBB预测结果分析[可运行源码]

本文详细介绍了YOLO11-OBB(定向边界框检测)任务的预测返回结果。相比标准物体检测,OBB引入了一个额外的角度参数,能够更准确地定位图像中的物体,尤其适用于物体以不同角度出现的场景,如航空图像。文章解析了YOLO-obb推理返回的Python list类型的Results对象,包括其数据结构、主要属性(如obb对象的cls、conf、xywhr、xyxy等)以及如何调用和处理这些数据。通过实例分析,展示了如何使用预训练模型对图像进行检测,并解读了Results对象中的各项数据,如边界框的坐标、置信度、类别索引等。此外,还介绍了如何展示和保存处理后的图像结果。

YOLOV7-OBB:You Only Look Once OBB旋转目标检测模型在pytorch当中的实现

YOLOV7-OBB:You Only Look Once OBB旋转目标检测模型在pytorch当中的实现

YOLOV7-OBB:You Only Look Once OBB旋转目标检测模型在pytorch当中的实现

YOLO V10 OBB旋转目标检测[可运行源码]

YOLO V10 OBB旋转目标检测[可运行源码]

本文介绍了基于YOLO V10源码实现的旋转目标检测模型YOLO V10 OBB,并详细说明了如何通过修改yaml文件和脚本代码来适配旋转目标检测任务。文章提到,YOLOv10是清华大学研究人员在Ultralytics Python包基础上开发的新实时目标检测方法,通过消除非最大抑制(NMS)和优化模型组件,显著降低了计算开销并提升了性能。作者还分享了训练结果,指出在没有预训练权重的情况下,YOLO V10 OBB的精度不如V8X,但推理结果显示V10X OBB在某些情况下能检测出V8X OBB未能识别的目标。最后,作者强调了使用包含丰富场景的数据集(如DOTA)进行预训练的重要性,并欢迎读者交流指正。

YOLO-OBB卫星影像裁剪融合工具.zip

YOLO-OBB卫星影像裁剪融合工具.zip

YOLO-OBB卫星影像裁剪融合工具.zip

yolov5-obb旋转目标检测直接运行版,只需配置好虚拟环境就可直接运行,包含部分demo数据集

yolov5-obb旋转目标检测直接运行版,只需配置好虚拟环境就可直接运行,包含部分demo数据集

yolov5-obb旋转目标检测直接运行版,只需配置好虚拟环境就可直接运行,包含部分demo数据集

基于YOLO-OBB的ONNX_Runtime推理实现设计.zip

基于YOLO-OBB的ONNX_Runtime推理实现设计.zip

基于YOLO-OBB的ONNX_Runtime推理实现设计.zip

基于yolo_obb的onnx_runtime推理实现设计.zip

基于yolo_obb的onnx_runtime推理实现设计.zip

基于yolo_obb的onnx_runtime推理实现设计.zip

YOLOV11数据预处理[项目代码]

YOLOV11数据预处理[项目代码]

本文详细介绍了如何将原始标注数据转换为YOLO-OBB格式,以便用于YOLOv11的旋转目标检测。文章首先分析了原始标注格式(x1 y1 x2 y2 x3 y3 x4 y4 class_name difficulty)与YOLO-OBB所需格式(class_index x1_norm y1_norm x2_norm y2_norm x3_norm y3_norm x4_norm y4_norm)的差异,并提供了完整的Python代码实现坐标归一化和格式转换。此外,还介绍了如何通过可视化脚本验证转换后的标注是否正确对齐原图目标。整个过程包括读取图片尺寸、坐标归一化、写入YOLO格式以及绘制四边形边界框等关键步骤,为使用YOLOv11进行旋转目标检测提供了实用的数据预处理方案。

基于yolo_obb的卫星影像处理工具设计.zip

基于yolo_obb的卫星影像处理工具设计.zip

基于yolo_obb的卫星影像处理工具设计.zip

yolov8-obb旋转目标检测训练自己的数据集

yolov8-obb旋转目标检测训练自己的数据集

附上修改后的源码,以及训练数据集和教程,Yolov8_obb旋转框训练、测试、推理手把手教学

基于YOLO-OBB的卫星影像处理工具设计.zip

基于YOLO-OBB的卫星影像处理工具设计.zip

基于YOLO-OBB的卫星影像处理工具设计.zip

YOLOv5_DOTA_OBB-旋转体识别.zip

YOLOv5_DOTA_OBB-旋转体识别.zip

适用于旋转体的识别,具体需求还可以再改,下载后帮忙配置环境等,手把手教学。

YOLOv11-OBB样本标注转换[项目源码]

YOLOv11-OBB样本标注转换[项目源码]

本文介绍了如何将YOLOv11-OBB训练中的样本标注从json格式转换为txt格式。首先,使用X-AnyLabeling工具进行标注,然后通过Python脚本处理json文件,提取标注框的坐标信息并进行归一化处理,最终生成符合YOLOv11-OBB训练要求的txt文件。脚本中详细展示了如何读取json文件、处理标注框坐标、归一化坐标以及写入txt文件的完整流程。

YOLO模型安装指南:多版本实战教程,覆盖环境准备、代码下载与依赖安装

YOLO模型安装指南:多版本实战教程,覆盖环境准备、代码下载与依赖安装

内容概要:本教程详细介绍了YOLO系列模型(YOLOv3、YOLOv4、YOLOv5、YOLOv6、YOLOv7-OBB)的安装流程,涵盖环境搭建、模型下载、依赖安装及配置。针对不同版本的具体步骤进行了详细的描述,包括如何安装Anaconda,创建和激活虚拟环境,安装CUDA和cuDNN,下载YOLO代码,安装必要的Python库,配置数据集,下载预训练权重以及测试模型是否安装成功。 适合人群:适用于具有一定Python编程基础,希望了解和使用YOLO系列目标检测模型的研究人员和开发者。 使用场景及目标:通过跟随本教程,读者可以掌握如何在自己的环境中部署YOLO模型,无论是进行研究实验还是实际应用开发。教程不仅涵盖了基本的环境准备,还包括了如何处理常见问题,确保模型能够顺利运行。 其他说明:由于YOLO系列模型的不同版本在细节上存在差异,本教程对每个版本进行了针对性的介绍,帮助读者根据具体需求选择合适的版本并完成安装。此外,提供了丰富的资源链接和命令示例,方便读者操作。

YOLO11旋转目标检测[源码]

YOLO11旋转目标检测[源码]

本文详细介绍了如何使用YOLO11进行旋转目标检测(OBB定向检测),包括从.pt权重文件导出ONNX模型、ONNX模型推理、旋转NMS过滤重复框以及旋转IOU计算。文章提供了完整的Python代码实现,支持不同尺寸图片输入、旋转NMS和ProbIoU计算。主要内容包括导出ONNX模型的两种方法(简洁版和专业版)、所需依赖库、整体框架思路、图像预处理函数、旋转边界框IoU计算函数、旋转NMS函数、解析ONNX模型输出函数以及完整代码。此外,文章还介绍了如何批量处理文件夹中的图像,并提供了相关参数配置建议。

YOLOv8-OBB推理与部署[项目源码]

YOLOv8-OBB推理与部署[项目源码]

本文详细介绍了YOLOv8-OBB模型的推理流程及部署实现,包括Python和C++环境下的预处理、后处理步骤。内容涵盖了ONNX模型导出、环境配置、源码修改及实际运行效果展示。此外,还探讨了ProbIoU的计算方法及其在旋转目标检测中的应用,为读者提供了完整的部署指南和技术解析。

ultralytics_obb_segment.zip

ultralytics_obb_segment.zip

ultralytics_obb_segment.zip

最新推荐最新推荐

recommend-type

pandas DataFrame实现几列数据合并成为新的一列方法

今天小编就为大家分享一篇pandas DataFrame实现几列数据合并成为新的一列方法,具有很好的参考价值,希望对大家有所帮助。一起跟随小编过来看看吧
recommend-type

Python学习笔记之pandas索引列、过滤、分组、求和功能示例

主要介绍了Python学习笔记之pandas索引列、过滤、分组、求和功能,结合实例形式分析了Python针对抓取保存的csv数据使用pandas进行索引列、过滤、分组、求和等操作的相关实现技巧,需要的朋友可以参考下
recommend-type

pandas 选取行和列数据的方法详解

前言 本文介绍在 pandas 中如何读取数据行列的方法。数据由行和列组成,在数据库中,一般行被称作记录 (record),列被称作字段 (field)。回顾一下我们对记录和字段的获取方式:一般情况下,字段根据名称获取,记录根据筛选条件获取。比如获取 student_id 和 studnent_name 两个字段;记录筛选,比如 sales_amount 大于 10000 的所有记录。对于熟悉 SQL 语句的人来说,就是下面的语句: select student_id, student_name from exam_scores where chinese >= 90 and math >
recommend-type

从pandas一个单元格的字符串中提取字符串方式

以titanic数据集为例。 其中name列是字符串,现在想从其中提取title作为新的一列。 例如: # create new Title column df['Title'] = df['Name'].str.extract('([A-Za-z]+)\.', expand=True) 提取其中的title作为新的一列。 以上就是对从pandas的单元格中提取字符串的认识。 这篇从pandas一个单元格的字符串中提取字符串方式就是小编分享给大家的全部内容了,希望能给大家一个参考,也希望大家多多支持软件开发网。 您可能感兴趣的文章:pandas
recommend-type

pandas读取CSV文件时查看修改各列的数据类型格式

主要介绍了pandas读取CSV文件时查看修改各列的数据类型格式,本文给大家介绍的非常详细,具有一定的参考借鉴价值,需要的朋友可以参考下
recommend-type

学生成绩管理系统C++课程设计与实践

资源摘要信息:"学生成绩信息管理系统-C++(1).doc" 1. 系统需求分析与设计 在进行学生成绩信息管理系统开发前,首先需要进行系统需求分析,这是确定系统开发目标与范围的过程。需求分析应包括数据需求和功能需求两个方面。 - 数据需求分析: - 学生成绩信息:需要收集学生的姓名、学号、课程成绩等数据。 - 数据类型和长度:明确每个数据项的数据类型(如字符串、整型等)和长度,例如学号可能是字符串类型且长度为一定值。 - 描述:详细描述每个数据项的意义,以确保系统能够准确处理。 - 功能需求分析: - 列出功能列表:用户界面应提供清晰的操作指引,列出所有可用功能。 - 查询学生成绩:系统应能通过学号或姓名查询学生的成绩信息。 - 增加学生成绩信息:允许用户添加未保存的学生成绩信息。 - 删除学生成绩信息:能够通过学号或姓名删除已经保存的成绩信息。 - 修改学生成绩信息:通过学号或姓名修改已有的成绩记录。 - 退出程序:提供安全退出程序的选项,并确保所有修改都已保存。 2. 系统设计 系统设计阶段主要完成内存数据结构设计、数据文件设计、代码设计、输入输出设计、用户界面设计和处理过程设计。 - 内存数据结构设计: - 使用链表结构组织内存中的数据,便于动态增删查改操作。 - 数据文件设计: - 选择文本文件存储数据,便于查看和编辑。 - 代码设计: - 根据功能需求,编写相应的函数和模块。 - 输入输出设计: - 设计简洁明了的输入输出提示信息和操作流程。 - 用户界面设计: - 用户界面应为字符界面,方便在命令行环境下使用。 - 处理过程设计: - 设计数据处理流程,确保每个操作都有明确的处理逻辑。 3. 系统实现与测试 实现阶段需要根据设计阶段的成果编写程序代码,并进行系统测试。 - 程序编写: - 完成系统设计中所有功能的程序代码编写。 - 系统测试: - 设计测试用例,通过测试用例上机测试系统。 - 记录测试方法和测试结果,确保系统稳定可靠。 4. 设计报告撰写 最后,根据系统开发的各个阶段,撰写详细的设计报告。 - 系统描述:包括问题说明、数据需求和功能需求。 - 系统设计:详细记录内存数据结构设计、数据文件设计、代码设计、输入/输出设计、用户界面设计、处理过程设计。 - 系统测试:包括测试用例描述、测试方法和测试结果。 - 设计特点、不足、收获和体会:反思整个开发过程,总结经验和教训。 时间安排: - 第19周(7月12日至7月16日)完成项目。 - 7月9日8:00到计算机学院实验中心(三楼)提交程序和课程设计报告。 指导教师和系主任(或责任教师)需要在文档上签名确认。 系统需求分析: - 使用表格记录系统需求分析的结果,包括数据项、数据类型、数据长度和描述。 - 分析数据项如学生成绩信息、状态器、链表节点等,确定其属性和行为。 以上就是文档中提到的学生成绩信息管理系统开发的关键知识点。开发此类系统需要熟练掌握C++编程基础,了解面向对象的程序设计思想,以及熟悉文件操作和链表等数据结构的应用。此外,良好的软件开发流程意识、测试意识和文档撰写能力也是必不可少的。
recommend-type

别再手动拖拽了!用Lumerical脚本批量创建FDTD仿真结构(附完整代码)

# 告别低效建模:Lumerical脚本自动化实战指南 在光子学仿真领域,时间就是科研生命线。当同行还在GUI界面里反复点击菜单时,你已经用脚本批量生成了20组参数化结构——这不是未来场景,而是每位FDTD用户都应该掌握的基础生产力革命。本文将彻底改变你与Lumerical的交互方式,从手动拖拽的农耕时代,跃迁到自动化建模的工业文明。 ## 1. 为何脚本建模是必然选择 2019年Nature Photonics的一项研究显示,科研工作者在仿真工具上平均浪费37%的时间在重复性操作上。对于需要参数扫描的纳米光学结构设计,这个数字可能更高。手动创建10个不同尺寸的纳米柱阵列意味着: -
recommend-type

Java邮件解析任务中,如何安全高效地提取HTML邮件内容并避免硬编码、资源泄漏和类型转换异常?

<think>我们被要求优化一段Java代码,该代码用于处理邮件(特别是来自特定发件人的构建通知邮件)。代码的主要问题包括: 1. 重复获取邮件内容:在检查MIME类型后,多次调用`msg[i].getContent()`,这可能导致性能问题或流关闭异常。 2. 类型转换问题:直接将邮件内容转换为`Multipart`而不进行类型检查,可能引发`ClassCastException`。 3. 代码结构问题:逻辑嵌套过深,可读性差,且存在重复代码(如插入邮件详情的操作在两个地方都有)。 4. 硬编码和魔法值:例如在解析HTML表格时使用了硬编码的索引(如list3.get(10)),这容易因邮件
recommend-type

RH公司应收账款管理优化策略研究

资源摘要信息:"本文针对RH公司的应收账款管理问题进行了深入研究,并提出了改进策略。文章首先分析了应收账款在企业管理中的重要性,指出其对于提高企业竞争力、扩大销售和充分利用生产能力的作用。然后,以RH公司为例,探讨了公司应收账款管理的现状,并识别出合同管理、客户信用调查等方面的不足。在此基础上,文章提出了一系列改善措施,包括完善信用政策、改进业务流程、加强信用调查和提高账款回收力度。特别强调了建立专门的应收账款回收部门和流程的重要性,并建议在实际应用过程中进行持续优化。同时,文章也意识到企业面临复杂多变的内外部环境,因此提出的策略需要根据具体情况调整和优化。 针对财务管理领域的专业学生和从业者,本文提供了一个关于应收账款管理问题的案例研究,具有实际指导意义。文章还探讨了信用管理和征信体系在应收账款管理中的作用,强调了它们对于提升企业信用风险控制和市场竞争能力的重要性。通过对比国内外企业在应收账款管理上的差异,文章总结了适合中国企业实际环境的应收账款管理方法和策略。" 根据提供的文件内容,以下是详细的知识点: 1. 应收账款管理的重要性:应收账款作为企业的一项重要资产,其有效管理关系到企业的现金流、财务健康以及市场竞争力。不良的应收账款管理会导致资金链断裂、坏账损失增加等问题,严重影响企业的正常运营和长远发展。 2. 应收账款的信用风险:在信用交易日益频繁的商业环境中,企业必须对客户信用进行评估,以便采取合理的信用政策,降低信用风险。 3. 合同管理的薄弱环节:合同是应收账款管理的法律基础,严格的合同管理能够保障企业权益,减少因合同问题导致的应收账款风险。 4. 客户信用调查:了解客户的信用状况对于预测和控制应收账款风险至关重要。企业需要建立有效的客户信用调查机制,识别和筛选信用良好的客户。 5. 应收账款回收策略:企业应建立有效的账款回收机制,包括定期的账款跟进、逾期账款的催收等。同时,建立专门的应收账款回收部门可以提升回收效率。 6. 应收账款管理流程优化:通过改进企业内部管理流程,如简化审批流程、提高工作效率等措施,能够提升应收账款的管理效率。 7. 应收账款管理策略的调整和优化:由于企业的内外部环境复杂多变,因此制定的管理策略需要根据实际情况进行动态调整和持续优化。 8. 信用管理和征信体系的作用:建立和完善企业内部信用管理体系和征信体系,有助于企业更好地控制信用风险,并在市场竞争中占据有利地位。 9. 对比国内外应收账款管理实践:通过研究国内外企业在应收账款管理上的不同做法和经验,可以借鉴先进的管理理念和方法,提升国内企业的应收账款管理水平。 综上所述,本文深入探讨了应收账款管理的多个方面,为RH公司乃至其他同类型企业提供了应收账款管理的改进方向和策略,对于财务管理专业的教育和实践都具有重要的参考价值。
recommend-type

新手别慌!用BingPi-M2开发板带你5分钟搞懂Tina Linux SDK目录结构

# 新手别慌!用BingPi-M2开发板带你5分钟搞懂Tina Linux SDK目录结构 第一次拿到BingPi-M2开发板时,面对Tina Linux SDK里密密麻麻的文件夹,我完全不知道从哪下手。就像走进一个陌生的大仓库,每个货架上都堆满了工具和零件,却找不到操作手册。这种困惑持续了整整两天,直到我意识到——理解目录结构比死记硬背每个文件更重要。 ## 1. 为什么SDK目录结构如此重要 想象你正在组装一台复杂的模型飞机。如果所有零件都混在一个箱子里,你需要花大量时间寻找每个螺丝和面板。但如果有分门别类的隔层,标注着"机身部件"、"电子设备"、"紧固件",组装效率会成倍提升。Ti