mask图像获取物体标注框(仅限一张图片一个物体)

CVAT标注工具保姆级上手教程:从界面布局到第一个标注框的完整流程 本文提供CVAT标注工具的保姆级教程,从界面布局到第一个标注框的完整流程,详细解析五大核心区域功能,包括顶栏、工作区、标签侧边栏等。通过实操步骤和快捷键技巧,帮助用户快速上手标注任务,提升工作效率。 阅读详情

这是我自己写的程序,mask图像就是类似下面的图像,黑色部分为1,白色部分为255.

使用下面程序可以获得物体的位置.

import cv2


# 判断第y行中是否存在物体
def is_row_exist_object(image, y, xx):
    for x in range(0, xx):
        if image[y, x] > 128:
            return True
    return False


# 判断第x列是否存在物体
def is_col_exist_object(image, x, low_bound, high_bound):
    for y in range(low_bound, high_bound + 1):
        if image[y, x] > 128:
            return True
    return False


# 获取mask最上边的点,最左边点,最右边点以及最下面点的坐标
def get_res_list(fliename):
    image = cv2.imread(fliename, cv2.IMREAD_GRAYSCALE) 
    yy, xx = image.shape
    res_list = []

    for up_y in range(0, yy):
        if is_row_exist_object(image, up_y, xx):
            res_list.append(up_y)
            break

    for y in range(0, yy):
        down_y = yy - y - 1
        if is_row_exist_object(image, down_y, xx):
            res_list.append(down_y)
            break

    for left_x in range(0, xx):
        if is_col_exist_object(image, left_x, res_list[0], res_list[1]):
            res_list.append(left_x)
            break

    for x in range(0, xx):
        right_x = xx - x - 1
        if is_col_exist_object(image, right_x, res_list[0], res_list[1]):
            res_list.append(right_x)
            break

    res = [res_list[2], res_list[0], res_list[3], res_list[1]]

    return res

算法速度很快,但是只适用于一幅图像仅有一个物体的情况或没有物体.

转载请附上链接

YOLO-MASK实战:如何用3步清洗图像数据集提升模型精度(附避坑指南) 本文详细介绍了使用YOLO-MASK高效清洗图像数据集的3步进阶技巧,包括环境配置、数据清洗实战和高级避坑指南。通过自动筛查、人工复核和数据增强等方法,显著提升模型精度,适用于工业质检、医疗影像和自动驾驶等多个场景。 阅读详情

相关推荐

见微知著:细粒度图像分析进展

作者简介:魏秀参,南京大学计算机系机器学习与数据挖掘所(LAMDA)博士生,专攻计算机视觉和机器学习。曾在国际顶级期刊和会议发表多篇学术论文,并两次获得国际计算机视觉相关竞赛冠亚军。 责编:何永灿,欢迎人工智能领域技术投稿、约稿、给文章纠错,请发送邮件至heyc@youkuaiyun.com 本文为《程序员》原创文章,未经允许不得转载,更多精彩文章请订阅2017年《程序员》 有别于通用图像分...

优快云 人工智能 3267

语义分割标签——mask的读取与保存

此篇博客为采坑后的知识点总结,记录语义分割中mask的保存与读取方式:分L、P两种方式,分别为灰度模式、调色板模式。灰度模式下,直接保存的结果没有颜色,调色板模式下保存的结果有颜色,但两种方式得到的mask的png图像中的值一致。读取时,PIL可以通用,而OpenCV则需要区别对待。

AI数据工厂 2万+

Mask-CNN Localizing Parts and Selecting Descriptors for Fine-Grained Image Recognition

Mask-CNN: Localizing Parts and Selecting Descriptors for Fine-Grained Image Recognition 作者:魏秀参,Chen-Wei Xie,Jianxin Wu 来自:南京大学新型软件技术国家重点实验室 Abstract 细粒度的图像识别是一个具有挑战性的计算机视觉问题,这是由于由高度相似的下属类别引起的较小的类别间变化以及姿势,比例和旋转的较大的类别内变化。在本文中,我们提出了一种新颖的端到端Mask-CNN模型,该模型无需全连接

bingling92的博客 998

「解析」图像分割-mask的读取与保存

Pillow 图像常见属性 im.width # 宽度 im.height # 高度 im.size # 尺寸(宽和高),是一个元组 im.mode # 模式,如RGB, RGBA, P, L等 im.format # 格式,如.jpg .png等 im.readonly # 是否只读,值为0或1 im.category # 类别 im.info # 图片的信息,是一个字典 三、图片的模式 1位像素的范围是0-1,0表示黑1表示白,中间表示灰。8位像素的范围是

绿色羽毛 2981

对10G/40Gphy中auto-negotiation功能调试

在近期有一个项目,是一台设备中发现mac与phy之间的信号质量有一些差,报文会出现很多的crc错误码。希望可以将mac与phy之间的工作模式改为10GBASE-KR/40GBASE-KR4,从而提高信号质量,减少crc错误码。要实现10GBASE-KR/40GBASE-KR4,需要打开auto-negotiation,所以,文章主要内容是如何开启自协商,以及相关参数的解释。 需要的文档: 1、802.3协议手册 2、所调试phy的芯片手册(我自己使用的是bcm的万兆phy) 万兆phy情况摘要 PHY寄存

MTzhang_22的博客 5828

H.264 入门篇 - 09 (帧间预测 - 参考帧列表)

短期和长期的关系和区别:在一个解码器中的 DPB(参考帧缓存)大小总是有限的,所以引入一个问题,什么样的参考帧会被保存到 DPB 中,什么样的参考帧会被移除出去,因此将分为长期和短期参考帧,所谓短期参考帧是这帧不会长期驻留在DPB中,如果参考帧缓存已满或者有其他特定的条件,那么短期参考帧就会被从DPB中移除;与之相对的长期参考帧,只要没有遇到某个指定的条件,遇到某个IDR帧, 遇到了清空整个DPB的指令等等,那么长期参考帧会长期在DPB中,不会因为有新的参考帧而被冲刷掉;(P帧是按照编码顺序)

StephenZhou 5101

OpenCV之seamlessClone泊松融合及mask目标几何中心的计算

一张图像作为背景,另外一副图像作为目标,要叠在背景上,为了融合入背景,可以使用泊松融合。 一,泊松融合 output = cv2.seamlessClone(src, dst, mask, center, flags) 1.src 目标影像。 2.dst 背景图像。 3.mask 目标影像上的mask,表示目标影像上那些区域是感兴趣区域。如果只对飞机感兴趣,那么mask上就只有飞机所在的区域。 4...

qq_43258953的博客 3914

告别‘抓瞎’:CANoe的Trace、Graphics和Logging窗口实战技巧,高效分析总线故障

本文深入解析CANoe的Trace、Graphics和Logging窗口实战技巧,帮助工程师高效分析总线故障。通过智能过滤、可视化监控和智能日志管理,构建系统级问题定位工作流,显著提升车载网络故障排查效率。

weixin_42709044的博客 292

几何操作 剪切matlab,图像的几何操作及基于区域的处理

1.图像插值的基本原理在对图像的几种几何操作中,图像的缩放和旋转都要用到插值操作。插值算法的好坏直接关系到图像的失真程度,插值函数的设计是插值算法的核心问题。插值通常采用曲线拟合的方法。通过离散的采样点建立一个连续函数,用这个函数便可以求出任意位置的函数值。对于等间距的离散数据,插值可以表示为:其中h为插值核,Ck为权系数。(1)最紧邻插值:每一个插值输出象素的值就是在输入函数中与其最临近的采样点...

weixin_33695092的博客 616

手把手教 - VSCode 开发 GD32F450 单片机

系统版本:rt-thread v5.2.2单片机型号:GD32F450ZK基于文章进行开发。

weixin_46158019的博客 837

ITK-snap进行分割区域标注、三维显示及改变显示颜色

在进行医学图像器官分割时,无论我们是用传统方法还是深度学习,最后肯定要用到手动分割的区域作为金标准来验证我们方法的精度。但是手动标注器官的轮廓是十分耗时的,这里我介绍一个比较简单的标注方法,以肺分割作为例子。 我们使用ITK-snap作为分割标注工具。 当切片间距离比较小时,比如1mm,一个患者的完整HRCT序列通常在200张以上,如果让医生一一进行分割区域标注是非常耗时乏味的。因此,我们可以使用最简单的阈值法比如OSTU,加上基本的形态学操作对肺进行粗分割得到粗略的分割掩码,在此基础上再手动的对分割结果进

u010409517的博客 2万+

项目记录一:用Python识别图片中指定颜色标记块并绘制其最小矩形框以及坐标点

记录准研一小白第一次动手实践课题组师姐安排的任务,非常感谢优快云前辈们所撰写的博客对我的帮助。 一、项目背景 如图所示,有这样一张现场勘测的图片,要实现绘制出图中三个黄色标记块的最小矩形框以及左上角的坐标点 二、研究思路 读取图片——>提取图中黄色部分——>腐蚀操作剔除细小轮廓——>查找所有轮廓——>筛选并绘制出符合条件的轮廓——>绘制最小矩形框并标记出坐标 三、代码实现 读取图片代码如下: # 1.读取图片 # 使用函数cv2.imread(filepath,flag

weixin_45145550的博客 1万+

交换机端口模式详解:Access、Hybrid、Trunk

交换机是网络中至关重要的组件之一,用于连接各种设备并启用数据的高效流动。为了更好地管理和控制网络流量,交换机提供了不同的端口模式,其中包括Access、Hybrid和Trunk。本文将深入探讨这三种端口模式,详细解释它们的配置、特性和应用场景,以帮助网络管理员更好地理解和优化网络架构。

网络技术联盟站 4013

【Mask RCNN的前世今生】

1、FCN: 与经典的CNN在卷积层之后使用全连接层得到固定长度的特征向量进行分类(全连接层+softmax输出)不同,FCN可以接受任意尺寸的输入图像,采用反卷积层对最后一个卷积层的feature map进行上采样, 使它恢复到输入图像相同的尺寸,从而可以对每个像素都产生了一个预测, 同时保留了原始输入图像中的空间信息, 最后在上采样的特征图上进行逐像素分类。它在下面的情况下可以更高效:让卷积网络在一张更大的输入图片上滑动,得到多个输出,这样的转化可以让我们在单个向前传播的过程中完成上述的操作。

weixin_44372720的博客 2088

2026年GESP3月认证C++五级真题解析

因为要合并成升序数组,所以当A[i]小于等于B[j]时,取A[i],否则取B[j]。当a[i]>a[j]时,左边数组中从i到m的所有元素都大于a[j],因此逆序对数量增加m-i+1。给定一个包含n个互不相同的正整数的数组A与一个包含m个互不相同的正整数的数组B,请你帮忙计算有多少个数在数组A与数组B中均出现。下面代码实现两个整数除法,其中被除数为一个“大整数”,用字符串表示,除数是一个小整数,用int表示,则横线处应该填写()。且a[i] > a[j],则a[i]和a[j]是一个逆序对。

lan_in的博客 116

EPLAN中2D安装板的绘制方法示例

EPLAN中2D安装板的绘制方法示例

Robot_PLC_HMI_Automation 3211

目标检测数据集object365、coco、PASCAL-voc的类别标签

object365(365类) 旷视科技发布了通用物体检测数据集Objects365,包含63万张图像,覆盖365个类别数量,边界框高达 1000 万个,相较前者,Objects365的图片数量是COCO的5倍,标注框超过COCO的11倍。Objects365目前只有物体检测框(Box),尚无分割(Mask)的部分 human, id: 1 sneakers, id: 2 chair, id...

qq_36559293的博客 1万+

win10 跳过U8环境检测的IE WebControls.rar

win10 安装u8的时候 提示IE WebControls 不通过,这个工具可以欺骗u8的检查。 跳过U8环境检测的IE WebControls。提示导入失败后,重新检测通过。

mask rcnn 召回率_物体检测-YOLO V1-V3

目标检测常识two-stage:Faster-Rcnn、Mask-Rcnn (5FPS)one-stage:YOLO (类似回归任务,速度快,效果没上边的好)recall = (查全率、召回率、覆盖率) 基于置信度阈值计算precision = (精度、信噪比) 基于置信度阈值计算AP:PR 曲线下边的面积,mAP:所有类别的平均 APYOLO V1网络架构输出中每个结果的意义(S 为网格大小,B...

weixin_39685459的博客 308

jdk-8u144-linux-x64.tar.gz.

该资源为搭建Linux系统Java环境用,资源的后缀为tar.gz格式的压缩包

假人有限元模型

假人模型,车辆碰撞假人有限元模型,适合做乘员安全的研究者利用

YOLO系列----(一)最基础也是最重要的训练数据读取

YOLO制作自己的数据集,记录自己的一些小心得

m0_48095841的博客 1192

深度学习: 细粒度图像分类 (fine-grained image recognition)

向AI转型的程序员都关注了这个号????????????人工智能大数据与深度学习 公众号:datayx细粒度图像识别 (fine-grained image recognition),...

datayx的文章 1万+

物体检测 - YOLO V1-V3 阅读笔记

目标检测常识 two-stage:Faster-Rcnn、Mask-Rcnn (5FPS) one-stage:YOLO (类似回归任务,速度快,效果没上边的好) recall = TPTP+FN\frac{TP}{TP+FN}TP+FNTP​ (查全率、召回率、覆盖率) 基于置信度阈值计算 precision = TPTP+FP\frac{TP}{TP+FP}TP+FPTP​ (精度、信噪比) 基于置信度阈值计算 AP:PR 曲线下边的面积,mAP:所有类别的平均 AP YOLO V1 网络架构

qq_45439948的博客 793

细粒度分类

1、什么时候用? 针对同一类中不同子类进行分类 关注:扩大类内差距 语义分割(semantic segmentation)进行稠密预测(dense prediction)推断每个像素点的类标签,通过这种方式,区域或物体内的像素点被标记为相应的类别。 物体分割(instance segmentation):分别标记同一类的不同物体,甚至是基于部分的分割(part based segmenta...

weixin_38740463的博客 1万+

论文阅读笔记(二)细粒度图像分类

0、参考文献 [1]见微知著 http://geek.youkuaiyun.com/news/detail/191718 [2]Cyiano http://blog.youkuaiyun.com/Cyiano/article/details/72081855 1、概要 细粒度图像识别是现在图像分类中一个颇具挑战性的任务,它的目标是在一个大类中的数百数千个子类中正确识别目标。 相同的子类中物体的动作姿态可能大不相

huang2818138的博客 2万+

深度学习篇---图像分类、目标检测和图像分割任务对比

计算机视觉三大核心任务呈现递进关系:图像分类识别整体内容,目标检测定位物体位置(使用矩形标注框),图像分割实现像素级理解(包括语义分割、实例分割和全景分割)。标注框是目标检测的基础,常用轴对齐或旋转格式表示,通过交并比(IoU)评估准确性。现代检测器采用锚框或无锚框方法生成边界框,这些任务共同推动着图像理解从全局到局部的精细化发展。

在你不想做的时候,正是应该做的时候。 796

CV-目标检测数据集

它由微软发布,旨在推动图像理解领域的研究,相较于PASCAL VOC,MSCOCO提供了更多的图像、更多的类别以及更详细的注释。数据集中的每张图像都有明确的标签,这些标签是由人工标注的,确保了数据集的高质量。:PASCAL VOC数据集包含了多种物体类别,常见的有20类,包括人、动物(如猫、狗、马)、交通工具(如自行车、汽车、飞机)、日常物体(如椅子、杯子、桌子)等。MSCOCO包含了80个物体类别,包括日常生活中的物品(如人类、家具、交通工具、动物等),而且类别更加多样化和丰富,适用于复杂的视觉场景。

1329

mask-rcnn 数据处理(制作自己的数据集)以及labelme工具的安装和使用介绍

使用工具labelme 使用conda命令行,我安装了anaconda3 win 下: 创建虚拟环境:conda create --name=labelme python=3.6 激活环境:activate labelme 安装:conda install labelme 直接输入labeleme 打开使用 ubuntu: conda create --name=labelm...

xingtianyao的博客 1043
上一篇: 散列表C++实现
下一篇: 任意顺序的四个点获取矩形的中心点,长宽和角度
-Gentle-
博客等级 码龄8年 80粉丝 16原创
评论 1
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值