### YOLO 网络绘图工具及可视化 #### 使用 Python 实现 YOLO 模型检测框和关键点的可视化 为了实现YOLO模型预测结果的可视化，可以采用Python脚本读取YOLO格式的标注文件并将其绘制到原始图像上。此过程涉及解析txt文件中的边界框坐标，并利用OpenCV库来完成图形渲染工作[^1]。 ```python import cv2 from pathlib import Path def plot_one_box(x, img, color=None, label=None, line_thickness=3): # Plots one bounding box on image img tl = line_thickness or round(0.002 * (img.shape[0] + img.shape[1]) / 2) + 1 # line/font thickness c1, c2 = (int(x[0]), int(x[1])), (int(x[2]), int(x[3])) cv2.rectangle(img, c1, c2, color, thickness=tl, lineType=cv2.LINE_AA) if label: tf = max(tl - 1, 1) # font thickness t_size = cv2.getTextSize(label, 0, fontScale=tl / 3, thickness=tf)[0] c2 = c1[0] + t_size[0], c1[1] - t_size[1] - 3 cv2.rectangle(img, c1, c2, color, -1, cv2.LINE_AA) # filled cv2.putText(img, label, (c1[0], c1[1] - 2), 0, tl / 3, [225, 255, 255], thickness=tf, lineType=cv2.LINE_AA) # Load an example image and labels file here... image_path = 'path/to/image.jpg' labels_file = 'path/to/label.txt' img = cv2.imread(image_path) with open(labels_file, "r") as f: lines = f.readlines() for line in lines: elements = list(map(float, line.strip().split())) class_id = int(elements[0]) bbox_center_x = float(elements[1]) bbox_center_y = float(elements[2]) bbox_width = float(elements[3]) bbox_height = float(elements[4]) h, w = img.shape[:2] x_min = int((bbox_center_x - bbox_width / 2.) * w) y_min = int((bbox_center_y - bbox_height / 2.) * h) x_max = int((bbox_center_x + bbox_width / 2.) * w) y_max = int((bbox_center_y + bbox_height / 2.) * h) plot_one_box([x_min, y_min, x_max, y_max], img, label=str(class_id)) cv2.imshow('Image', img) cv2.waitKey(0) cv2.destroyAllWindows() ``` 这段代码展示了如何加载图片以及对应的标签文件，接着遍历每一个目标对象的信息（类别ID、中心位置、宽度高度），最后调用`plot_one_box()`函数画出矩形边框及其分类名称。 #### 批量处理YOLO标注数据可视化 当面对大量需要可视化的YOLO格式的数据集时，可以通过编写批处理程序自动将所有带注解的图片转换成带有标记框的效果图，并保存至指定路径下[^2]。 #### 训练过程中参数变化趋势图表展示 除了静态的目标识别结果外，在训练阶段监控各类性能指标同样重要。通过matplotlib等第三方库能够轻松创建折线图来跟踪损失值(loss)、交并比(IOU)、平均召回率(avg Recall)随迭代次数的变化情况[^3]。 ```python import matplotlib.pyplot as plt import pandas as pd df_results = pd.read_csv('runs/train/exp/results.csv') fig, ax = plt.subplots(figsize=(10, 6)) ax.plot(df_results[' metrics/mAP_0.5'], marker='o') ax.set_title('mAP@0.5 over Epochs') ax.set_xlabel('Epoch') ax.set_ylabel('mAP@0.5') plt.show() ``` 上述例子说明了怎样从CSV日志文件中提取特定列作为X轴(Y轴)，进而构建直观易懂的趋势分析图谱。