<think>我们只需要生成检测框图，也就是只绘制真实标注框（ground truth）。上面的代码已经实现了这个功能。 但是，根据用户要求，需要将代码改成生成检测框图的代码。实际上，上面的代码已经是在生成检测框图（即真实标注框）。 不过，为了更清晰，我们可以将函数名改为`draw_detection_boxes`，但实际上我们绘制的是真实标注。 注意：用户要求的是生成检测框图，而这里我们只有真实标注（ground truth），所以实际上我们绘制的是真实标注框。 如果用户希望同时绘制预测框和真实框，则需要修改。但根据上下文，用户只要求生成检测框图（即真实标注框）。 因此，我们保持功能不变，但为了符合要求，我们将函数名改为`draw_detection_boxes`（虽然这里检测框指的是真实标注）。 另外，我们也可以调整颜色等参数以区分不同情况（但这里只有真实框，所以用绿色即可）。 由于用户没有提供预测结果，我们只绘制真实标注框。 我们修改函数名，并调整注释，使其更符合“检测框图”的表述（这里检测框即真实标注框）。 另外，注意代码中已经将标注框绘制在图像上，并保存到输出目录。 所以，我们只需将函数名`draw_ground_truth`改为`draw_detection_boxes`，并更新注释说明。 同时，我们也可以增加一个参数`is_ground_truth`来标记是否是真实标注，但这里不需要，因为我们只画真实框。 修改后的代码如下： </think> 以下是生成检测框图的代码，只绘制真实标注框而不使用YOLO模型进行预测。这个脚本会读取图像和对应的YOLO格式标注文件，然后在图像上绘制边界框并保存： ```python import cv2 import os import matplotlib.pyplot as plt import numpy as np from tqdm import tqdm # 配置路径 input_img_dir = "/AppleDataset/images/val" # 原始图像目录 input_label_dir = "/AppleDataset/labels/val" # 标注文件目录 output_dir = "/AppleDataset/output/annotated_images" # 标注图输出目录 os.makedirs(output_dir, exist_ok=True) # 类别名称 class_names = ["apple"] # 根据你的数据集调整 # 自定义绘制真实标注框的函数 def draw_detection_boxes(image, label_path, class_names, color=(0, 255, 0), thickness=2): """ 在图像上绘制检测框（真实标注） 参数: image: 输入图像 (numpy数组) label_path: 标注文件路径 class_names: 类别名称列表 color: 框的颜色 (BGR格式) thickness: 框线粗细 返回: 绘制了检测框的图像 """ img_h, img_w = image.shape[:2] annotated_img = image.copy() if os.path.exists(label_path): with open(label_path, 'r') as f: lines = f.readlines() for line in lines: parts = line.strip().split() if len(parts) >= 5: # YOLO格式: class_id center_x center_y width height class_id = int(parts[0]) x_center = float(parts[1]) * img_w y_center = float(parts[2]) * img_h width = float(parts[3]) * img_w height = float(parts[4]) * img_h # 计算框的左上角和右下角坐标 x1 = int(x_center - width/2) y1 = int(y_center - height/2) x2 = int(x_center + width/2) y2 = int(y_center + height/2) # 绘制矩形框 cv2.rectangle(annotated_img, (x1, y1), (x2, y2), color, thickness) # 添加类别标签 label = class_names[class_id] if class_id < len(class_names) else str(class_id) cv2.putText(annotated_img, label, (x1, y1-5), cv2.FONT_HERSHEY_SIMPLEX, 0.5, color, 1) return annotated_img # 批量处理函数 def process_images(): image_files = [f for f in os.listdir(input_img_dir) if f.lower().endswith(('.png', '.jpg', '.jpeg'))] for filename in tqdm(image_files, desc="Generating Detection Images"): img_path = os.path.join(input_img_dir, filename) # 读取原图 original = cv2.imread(img_path) if original is None: print(f"无法读取图像: {img_path}") continue # 获取对应的标注文件路径 label_filename = os.path.splitext(filename)[0] + '.txt' label_path = os.path.join(input_label_dir, label_filename) # 绘制检测框 annotated_img = draw_detection_boxes(original, label_path, class_names) # 保存标注图 output_path = os.path.join(output_dir, f"detection_{filename}") cv2.imwrite(output_path, annotated_img) # 执行批量处理 process_images() print(f"处理完成! 检测框图保存在: {output_dir}") # 在VSCode中查看样例检测框图 if os.listdir(output_dir): sample_path = os.path.join(output_dir, os.listdir(output_dir)[0]) sample = cv2.imread(sample_path) if sample is not None: sample_rgb = cv2.cvtColor(sample, cv2.COLOR_BGR2RGB) plt.figure(figsize=(10, 10)) plt.title("检测框图样例 (真实标注)") plt.imshow(sample_rgb) plt.axis('off') plt.show() else: print(f"无法读取样例图像: {sample_path}") else: print("输出目录为空，请检查路径配置") ``` ### 代码解释： 1. **路径配置**： - `input_img_dir`: 包含原始图像的目录 - `input_label_dir`: 包含YOLO格式标注文件(.txt)的目录 - `output_dir`: 保存带检测框图像的输出目录 2. **`draw_detection_boxes` 函数**： - 读取YOLO格式的标注文件（每行格式：`class_id center_x center_y width height`） - 将归一化坐标转换为实际像素坐标 - 在图像上绘制矩形框和类别标签 - 使用绿色(BGR: (0,255,0))作为默认框颜色 3. **处理流程**： - 遍历输入图像目录中的所有图像文件 - 为每个图像查找对应的标注文件 - 在图像上绘制检测框并保存到输出目录 - 添加进度条显示处理进度 4. **结果预览**： - 处理完成后显示第一个结果图像作为样例 - 所有带检测框的图像保存在指定输出目录 ### 使用说明： 1. 根据你的数据集修改 `class_names` 列表 2. 确保路径配置正确： - 图像和标注文件应一一对应（同名不同扩展名） - 标注文件格式为YOLO格式（归一化坐标） 3. 运行脚本后，所有带检测框的图像将保存在输出目录 ### 注意事项： - 如果图像无法读取，会打印错误信息并跳过 - 如果找不到对应标注文件，图像将保持原样保存 - 输出图像文件名前缀为 `detection_`