tensorflow-yolov3 yunyang1994 image_preporcess(image, target_size, gt_boxes=None)函数 image

该函数将源图结合input_size，将其转换成预投喂的方形图像（作者默认544×544，中间为缩小尺寸的源图，上下空区域为灰图）

# D·C191107：图像处理函数，参数分别为（输入图片，输入方形框尺寸，还有个不管）
def image_preporcess(image, target_size, gt_boxes=None):# D·C 191107：不懂为何转换数据类型，节省存储空间？一般默认float64image = cv2.cvtColor(image, cv2.COLOR_BGR2RGB).astype(np.float32)ih, iw = target_sizeh, w, _ = image.shape# D·C 191107：取两个值中较小的一个作为scalescale = min(iw / w, ih / h)# D·C 191108：不懂这步操作啥意思，从代码上看就是创建一对与原图等比缩小的子图尺寸变量nw, nh = int(scale * w), int(scale * h)# D·C 191108：创建一个按比例变换后的图片image_resized = cv2.resize(image, (nw, nh))# D·C 191108：创建一张iw×ih分辨率的图片，以灰色填充（128 128 128）image_paded = np.full(shape=[ih, iw, 3], fill_value=128.0)# D·C 191108：创建步长变量？不太懂原理dw, dh = (iw - nw) // 2, (ih - nh) // 2# D·A 191108：打印几个变量看看# print('(w,h):({},{})'.format(w, h))# print('(iw,ih):({},{})'.format(iw, ih))# print('(nw,nh):({},{})'.format(nw, nh))# print('(dw,dh):({},{})'.format(dw, dh))# (w, h): (1280, 720)# (iw, ih): (544, 544)# (nw, nh): (544, 306)# (dw, dh): (0, 119)# D·A 191108：打印对象类型看看：# print(type(image_resized))# <class 'numpy.ndarray'># print(type(image_paded))# <class 'numpy.ndarray'># D·A 191108：打印图片形状看看：# print(image_resized.shape)# (306, 544, 3)# print(image_paded.shape)# (544, 544, 3)# D·C 191108：从dh到nh + dh行，dw到nw + dw列，所有维（下标0-2），全部用image_resized的值替换# 用图画出来就是把等比例缩小后的图片image_resized（544×306）置入544×544的image_paded中（沿水平中心线对称）image_paded[dh:nh + dh, dw:nw + dw, :] = image_resized# D·C 191108：将数组转换成0-1之间的小数表示：image_paded = image_paded / 255.# 打印image_paded看看，还是不看了，太多！# print(image_paded)if gt_boxes is None:return image_paded# D·C 191108：暂时不管它干嘛用的。else:gt_boxes[:, [0, 2]] = gt_boxes[:, [0, 2]] * scale + dwgt_boxes[:, [1, 3]] = gt_boxes[:, [1, 3]] * scale + dhreturn image_paded, gt_boxes

tensorflow-yolov3 yunyang1994 image_preporcess(image, target_size, gt_boxes=None)函数 image_preprocess相关推荐

tensorflow yolov3训练自己的数据集，详细教程
这个教程是我在自己学习的过程中写的,当作一个笔记,写的比较详细在github上下载yolov3的tensorflow1.0版本: https://github.com/YunYang1994/ten ...
归一化（Normalization）标准化（Standarlization）tensorflow和opencv区别：opencv之transform函数解析CHW与HWC：图像的线性数据格
目录归一化:transforms.Normalize 归一化(Normalization) 标准化(Standarlization) tensorflow和opencv区别:opencv之trans ...
Tensorflow yolov3 Intel Realsense D435 双摄像头下测试python多线程（假的多线程）self.predict()函数运行时间（191204）
测试代码: # -*- coding: utf-8 -*- """ @File : test-191204-两个摄像头调用多线程识别.py @Time : 2019/12 ...
Tensorflow yolov3 Intel Realsense D435 单摄像头下各模块识别时间测试
文章目录 1.一次循环总耗时 2.从循环开始到self.predict()之前 3.第一次循环主要耗时函数:wait_for_frames()(其实self.predict()函数在第一次循环更耗时) ...
Tensorflow YOLOv3实现与详解
tips:大部分资源来自https://www.jianshu.com/p/3943be47fe84,这里权当一组学习记录. 另外推荐一个英文详解blog:YOLO V3 PyTorch实现 1 环境 ...
Tensorflow yolov3 Intel Realsense D435 多进程multiprocessing线程池pool识别时间测试
单摄像头下: 耗时:3.571178674697876秒耗时:0.0682528018951416秒耗时:0.07838797569274902秒耗时:0.08464503288269043秒 ...
Tensorflow yolov3 Intel Realsense D435 识别时间测试
CPU:i75820k GPU:GTX1080 Ti 内存:32G 测试1:两摄像头并发耗时:0.1476612091064453秒耗时:0.18199372291564941秒耗时:0.140 ...
深度学习--TensorFlow（6）神经网络 -- 拟合线性函数非线性函数
目录一.拟合线性函数 1.生成随机坐标 2.神经网络拟合代码二.拟合非线性函数 1.生成二次随机点 2.神经网络拟合代码一.拟合线性函数学习率0.03,训练1000次: 学习率0.05,训 ...
tensorflow dataset_ops map()方法（返回数据集通过函数“ map_func”的元素映射）
def map(self, map_func, num_parallel_calls=None):"""Maps `map_func` across the elemen ...

tensorflow-yolov3 yunyang1994 image_preporcess(image, target_size, gt_boxes=None)函数 image_preprocess

tensorflow-yolov3 yunyang1994 image_preporcess(image, target_size, gt_boxes=None)函数 image_preprocess相关推荐

最新文章

热门文章