首页 前端知识 使用YOLOv8预测图像时生成相应的json文件

使用YOLOv8预测图像时生成相应的json文件

2024-07-30 22:07:52 前端知识 前端哥 691 569 我要收藏

        在使用yolov8对数据进行val验证时,有一个参数save_json,当设置为save_json=True时,模型会将验证时所有关于框的信息存放在一个json文件中。但这个参数只在val验证时可以使用,在predict预测图像时设置save_json=True并不会生成json文件,但我的工作需求是希望在predicr时也能生成图像的json文件,所以我借鉴源码中val里生成json的功能,在源码predicr下也增加了这个功能,然后记录下来。

        可以先看一下val中生成json的代码,在ultralytics/models/yolo/val.py文件中,代码如下: 

    def pred_to_json(self, predn, filename):
        """Serialize YOLO predictions to COCO json format."""
        stem = Path(filename).stem
        image_id = int(stem) if stem.isnumeric() else stem
        box = ops.xyxy2xywh(predn[:, :4])  # xywh
        box[:, :2] -= box[:, 2:] / 2  # xy center to top-left corner
        for p, b in zip(predn.tolist(), box.tolist()):
            self.jdict.append({
                'image_id': image_id,
                'category_id': self.class_map[int(p[5])],
                'bbox': [round(x, 3) for x in b],
                'score': round(p[4], 5)})

        其中最关键的信息是predn, 这是从其他地方传过来的一个参数,具体从哪里生成的因为跟本文关系不大就不再多说,predn信息里包含了关于图片的信息,包括框坐标,图像标签等,但是predn中的信息比较复杂,需要经过处理才能得到有用的信息。

        根据val.py文件,我对同目录下的predict.py文件进行了研究,并对如图所示的pred参数进行了输出。

         输出内容如下:

          

        可以看出,pred是tensor格式,里面是一个二维列表,在后面可以将pred转换为列表格式,当图片经过预测生成两个框时,就会有两个一维数组,有几个框就会有几个一维数组表示每个框的信息。如上图所示,前四个数字表示生成检测框的左上和右下两个点的坐标(x0,y0,x1,y0)。第五个数字表示框的置信度,在检测后生成的图片上也会显示。第六个数字表示框的类别,目前是浮点数,后面可以将其转换为整型。

        有了pred中的内容,接下来就简单了,只需要经过简单的处理,就可以将其中的内容放入json文件,首先可以看到predict.py文件中,类DetectionPredictor继承了类BasePredictor。

 我们可以在目录ultralytics/engine/predictor下找到BasePredictor类,然后在其中加入一个参数self.jdict = [],val中就是这样的,用来存放需要向json中写入的内容。

    # 代码中的表示类别字典,例如:
    label_idx_map = {0:"person", 1:"car", 2:"dog"}

    def pred_to_json(self,pred,img_path):
        """将predict模式下预测结果转换为json格式"""
        # stem表示图片不带后缀的名称
        stem = Path(img_path).stem
        image_id = stem
        # box表示预测的框的坐标
        box = pred[:,:4]
        # 将pred和box转换为列表类型后,依次获取每个框的信息
        for p,b in zip(pred.tolist(),box.tolist()):
            self.jdict.append ({
                'img_id':image_id,
                'img_path':img_path,
                'label':label_idx_map[int(pred[5])], # 表示类别
                 # round(x,4)表示取x小数点后四位
                'bbox':[round(x,4) for x in b],
                'score':round(pred[4],5)
                })
        # 创建json文件的存放路径,self.save_dir是类中自带的默认存放地址
        jsons_path = Path(os.path.join(self.save_dir,'json'))
        if not os.path.exists(jsons_path):
            os.makedirs(jsons_path)
        # 创建json文件,并将self.jdict中的内容写进去
        with open(str(jsons_path / f'{image_id}.json'),'w') as f:
            json.dump(self.jdict,f,ensure_ascii=False)
        # 因为我希望每张图片都可以有一个单独的json文件,所以每次写完一个图片需要将jdict清空
        # 如果想将所有的内容写入一个json文件中(跟val一样),可以删除下面这一行代码
        self.jdict = []

        在源码中我将其写成一个成员方法,可以在predict.py文件下的postprocess方法中使用

    def postprocess(self, preds, img, orig_imgs):
        """Post-processes predictions and returns a list of Results objects."""
        preds = ops.non_max_suppression(preds,
                                        self.args.conf,
                                        self.args.iou,
                                        agnostic=self.args.agnostic_nms,
                                        max_det=self.args.max_det,
                                        classes=self.args.classes)

        results = []
        is_list = isinstance(orig_imgs, list) 
        for i, pred in enumerate(preds):
            orig_img = orig_imgs[i] if is_list else orig_imgs
            if is_list:
                pred[:, :4] = ops.scale_boxes(img.shape[2:], pred[:, :4], orig_img.shape)
            img_path = self.batch[0][i]
            # 代码运行参数,当设置save_json=True时才会使用下面的函数
            if self.args.save_json:
                # 可以看出,我们所写pred_to_json函数需要传入的参数在上面都已经给出,直接使用即可
                self.pred_to_json(pred,img_path)
            results.append(Results(orig_img, path=img_path, names=self.model.names, boxes=pred))
        return results

        到此,将框信息写入json文件的操作就全部完成了。

        这是我写的第一篇博客,不足之处请大家指正,也希望能帮助到大家,并多多交流!

转载请注明出处或者链接地址:https://www.qianduange.cn//article/14676.html
评论
发布的文章

RapidJSON介绍

2024-08-14 00:08:38

jQuery 4 beta 震撼发布

2024-08-14 00:08:36

cJSON的使用

2024-08-14 00:08:36

大家推荐的文章
会员中心 联系我 留言建议 回顶部
复制成功!