深度学习(目标跟踪和目标检测)--边界框bbox坐标转换(任意格式【list,numpy,tensor】、任意维度【向量、一维矩阵、二维矩阵】)

作者提示：可能存在错误，在我的电脑上可以运行；
写程序过程中发现不同的人写的边界框转换程序不一样，
有的只能转换numpy矩阵，
有的只能是转换tensor矩阵，
我就尝试着写了一个可以转换任何维度的任意格式的bbox函数。
水平不够，写的时候用的时间长了，脑袋就有些晕乎乎的，就发出来希望大家一起发现其中的错误，也方便大家使用；
如果朋友们发现程序有问题，希望可以及时指出，我会立马做出修改，共同进步。

本程序目的是：可以转换以下三种格式的输入数据 list,numpy,tensor，维度可以从0维到2维，也就是shape为：(4,) (3, 4) torch.Size([4]) torch.Size([3, 4])的边界框数据

import numpy as np
import torch#  ===============================================================================#
#  坐标转换系列函数
#  输入：可能是 列表、np矩阵、tensor矩阵 以下六个函数可以保证输入输出的维度一致
#  输入的维度可能是一个向量shape=(4,)（.T转置之后的到的是原变量）
#  ===============================================================================#
def ltwh2center(bbox):""":param bbox:[left, top, w, h]:return:[cx, cy, w, h]"""if isinstance(bbox, list):bbox = np.array(bbox)if bbox.shape[-1] != 4:raise ValueError('bbox.shape[-1] should equal 4')else:if isinstance(bbox, np.ndarray):left, top, w, h = bbox[..., 0], bbox[..., 1], bbox[..., 2], bbox[..., 3]# cx=left+w/2; cy=top+h/2;w;h_bbox = np.stack([left + w / 2, top + h / 2, w, h], axis=-1)return _bboxif isinstance(bbox, torch.Tensor):left, top, w, h = bbox[..., 0], bbox[..., 1], bbox[..., 2], bbox[..., 3]# cx=left+w/2; cy=top+h/2;w;h_bbox = torch.stack((left + w / 2, top + h / 2, w, h), dim=-1)return _bboxdef ltwh2corner(bbox):""":param bbox:[left, top, w, h]:return:[left, top, right, bottom]"""if isinstance(bbox, list):bbox = np.array(bbox)if bbox.shape[-1] != 4:raise ValueError('bbox.shape[-1] should equal 4')else:if isinstance(bbox, np.ndarray):left, top, w, h = bbox[..., 0], bbox[..., 1], bbox[..., 2], bbox[..., 3]# left; top; right=left+w; bottom=top+h_bbox = np.stack([left, top, left + w, top + h], axis=-1)return _bboxif isinstance(bbox, torch.Tensor):left, top, w, h = bbox[..., 0], bbox[..., 1], bbox[..., 2], bbox[..., 3]_bbox = torch.stack((left, top, left + w, top + h), dim=-1)return _bboxdef corner2ltwh(bbox):""":param bbox:[left, top, right, bottom]:return:[left, top, w, h]"""if isinstance(bbox, list):bbox = np.array(bbox)if bbox.shape[-1] != 4:raise ValueError('bbox.shape[-1] should equal 4')else:if isinstance(bbox, np.ndarray):left, top, right, bottom = bbox[..., 0], bbox[..., 1], bbox[..., 2], bbox[..., 3]# left; top; w=right-left; h=bottom-top_bbox = np.stack([left, top, right - left, bottom - top], axis=-1)return _bboxif isinstance(bbox, torch.Tensor):left, top, right, bottom = bbox[..., 0], bbox[..., 1], bbox[..., 2], bbox[..., 3]_bbox = torch.stack((left, top, right - left, bottom - top), dim=-1)return _bboxdef corner2center(bbox):""":param bbox:[left, top, right, bottom]:return:[cx,cy, w, h]"""if isinstance(bbox, list):bbox = np.array(bbox)if bbox.shape[-1] != 4:raise ValueError('bbox.shape[-1] should equal 4')else:if isinstance(bbox, np.ndarray):left, top, right, bottom = bbox[..., 0], bbox[..., 1], bbox[..., 2], bbox[..., 3]# cx=(left+right)/2; cy=(top+bottom)/2; w=right-left; h=bottom-top_bbox = np.stack([(left + right) / 2, (top + bottom) / 2, right - left, bottom - top], axis=-1)return _bboxif isinstance(bbox, torch.Tensor):left, top, right, bottom = bbox[..., 0], bbox[..., 1], bbox[..., 2], bbox[..., 3]_bbox = torch.stack(((left + right) / 2, (top + bottom) / 2, right - left, bottom - top), dim=-1)return _bboxdef center2corner(bbox):""":param bbox: [cx,cy,w,h]:return: [left, top, right, bottom]"""if isinstance(bbox, list):bbox = np.array(bbox)if bbox.shape[-1] != 4:raise ValueError('bbox.shape[-1] should equal 4')else:if isinstance(bbox, np.ndarray):cx, cy, w, h = bbox[..., 0], bbox[..., 1], bbox[..., 2], bbox[..., 3]# left=cx-w/2; top=cy-h/2; right=cx+w/2; bottom=cy+h/2_bbox = np.stack([cx - w / 2, cy - h / 2, cx + w / 2, cy + h / 2], axis=-1)return _bboxif isinstance(bbox, torch.Tensor):cx, cy, w, h = bbox[..., 0], bbox[..., 1], bbox[..., 2], bbox[..., 3]_bbox = torch.stack((cx - w / 2, cy - h / 2, cx + w / 2, cy + h / 2), dim=-1)return _bboxdef center2ltwh(bbox):""":param bbox: [cx, cy, w, h]:return: [left, top, w, h]"""if isinstance(bbox, list):bbox = np.array(bbox)if bbox.shape[-1] != 4:raise ValueError('bbox.shape[-1] should equal 4')else:if isinstance(bbox, np.ndarray):cx, cy, w, h = bbox[..., 0], bbox[..., 1], bbox[..., 2], bbox[..., 3]# left=cx-w/2; top=cy-h/2; w; h_bbox = np.stack([cx - w / 2, cy - h / 2, w, h], axis=-1)  # cx,cy,w,hreturn _bboxif isinstance(bbox, torch.Tensor):cx, cy, w, h = bbox[..., 0], bbox[..., 1], bbox[..., 2], bbox[..., 3]_bbox = torch.stack((cx - w / 2, cy - h / 2, w, h), dim=-1)  # 将数据坐标拼接起来return _bboxif __name__ == '__main__':print('Start...')box1 = [50, 50, 100, 200]  # listbox2 = np.array([50, 50, 120, 220])  # 一个坐标box3 = np.array([[50, 50, 100, 200], [50, 50, 120, 220], [50, 50, 120, 220]])  # 多个坐标box4 = torch.FloatTensor([50, 50, 100, 200])  # 一个tensor坐标数据box5 = torch.FloatTensor([[50, 50, 100, 200], [50, 50, 120, 220], [50, 50, 120, 220]])  # 多个tensor坐标数据for box in [box1, box2, box3, box4, box5]:box_ = ltwh2center(box)print('\n', 'input (%s):\n' % type(box), box, '\n', 'output(%s):\n' % type(box_), box_)

深度学习(目标跟踪和目标检测)--边界框bbox坐标转换(任意格式【list,numpy,tensor】、任意维度【向量、一维矩阵、二维矩阵】)相关推荐

机器学习_深度学习毕设题目汇总——目标检测B
下面是该类的一些题目: 题目典型恶劣天气条件下高铁周界入侵目标检测图模型融合时空特征的视觉显著性目标检测算法研究基于SAR图像的舰船目标检测方法研究基于三维点云分析的智能汽车目标检测方法研究 ...
全网唯一一套labview深度学习教程：tensorflow+目标检测：龙哥教你学视觉—LabVIEW深度学习教程
全网唯一一套labview深度学习教程:tensorflow+目标检测:龙哥教你学视觉-LabVIEW深度学习教程一.知识背景: 随着自动化技术的快速发展,在工业生产中很多需要人工操作的环节逐渐转由 ...
【深度学习】深入浅出YOLOv3目标检测算法和实现（图片和视频）
[深度学习]深入浅出YYOLOv3目标检测算法(图片和视频) 文章目录 1 概述 2 一个全卷积神经网络--Darknet-53 3 解释输出 4 代码实现4.1 导入项目4.2 执行脚本4.3 预测 ...
深度学习在遥感图像目标检测中的应用综述
深度学习在遥感图像目标检测中的应用综述 1 人工智能发展 1.1 发展历程 1.2 深度学习的应用 2 深度学习 2.1 机器学习概述 2.2 神经网络模型 2.3 深度学习 2.4 深度学习主要模型 ...
【深度学习前沿应用】目标检测
[深度学习前沿应用]目标检测作者简介:在校大学生一枚,华为云享专家,阿里云星级博主,腾云先锋(TDP)成员,云曦智划项目总负责人,全国高等学校计算机教学与产业实践资源建设专家委员会(TIPCC)志愿 ...
《动手学深度学习》Task09：目标检测基础+图像风格迁移+图像分类案例1
1 目标检测基础 1.1 目标检测和边界框(9.3) %matplotlib inline from PIL import Imageimport sys sys.path.append('/home ...
目标检测YOLO实战应用案例100讲-基于深度学习的自动驾驶目标检测算法研究
目录基于深度学习的自动驾驶目标检测算法研究相关理论基础 2.1 卷积神经网络基本原理
动手学深度学习之Task09：目标检测基础；图像风格迁移；图像分类案例1
目标检测基础 9.4 锚框目标检测算法通常会在输入图像中采样大量的区域,然后判断这些区域中是否包含我们感兴趣的目标,并调整区域边缘从而更准确地预测目标的真实边界框(ground-truth boun ...
吴恩达深度学习笔记12-Course4-Week3【目标检测】
目标检测(Object detection) 一.目标定位(Object Localization) 图像识别的三个层次: 图像分类:判断图像中是否包含某一类物体,并且假定每张图像只有一个目标. 目标 ...

深度学习(目标跟踪和目标检测)--边界框bbox坐标转换(任意格式【list,numpy,tensor】、任意维度【向量、一维矩阵、二维矩阵】)

深度学习(目标跟踪和目标检测)--边界框bbox坐标转换(任意格式【list,numpy,tensor】、任意维度【向量、一维矩阵、二维矩阵】)相关推荐

最新文章

热门文章