目标检测之边缘框及数据集

目标检测

目标检测的任务是尝试去看一下这个图片里面到底有那些东西/物体，识别图片里面所有我们感兴趣的物体，是一只猫或者是一只狗等等，而且不仅如此，目标检测还需要把物体在这个图片中的位置给找出来，用方框来框定位置。

边缘框Bounding Box(bbox)

是用来表示物体的位置的，当然表示方法可以有很多种，但一般都是用四个数字来定义，这4个数字就是在预测物体位置的时候需要去预测出来的数据。

通常有如下几种表示方式，都是以整张图片的左上角点为坐标原点(0,0)，bbox框的:

(左上x, 左上y, 右下x, 右下y)
(左上x, 左上y, 宽w, 高h)
(中心点x, 中心点y, 宽w, 高h)

这个边缘框呢按照种类来分又可以分成预测出来的检测框，以及数据集中人工标注的真实框Ground truth，因此在有些资料中也被称作GT框，也就是真值。

数据集

目标检测的数据集其标签label值需要单独存，当然图片是要存储的，而标签值的存储方法有很多，简单来讲就是可以用一个文本文件来存储所有的标签值，里面有很多行，每一行表示一个图片中的一个物体，需要存储：图片文件名、物体类别以及边缘框的4个值等共6个数据。然后有很多行，这样一个文件就可以存储完所有图片的标签值了。其中的物体类别呢就是所有你感兴趣或者有标号的物体类别的序号，如0-人 1-狗 2-猫等等之类的。

一个非常著名的开源数据集被称为COCO数据集，官方网址为：COCO - Common Objects in Context

在学术界用的非常广泛。

与边缘框相关的代码如下：

# 在PyCharm中
import torch
from d2l import torch as d2l
import matplotlib.pyplot as plt

# 设置 Matplotlib 后端
import matplotlib

matplotlib.use('TkAgg')

d2l.set_figsize()
img = d2l.plt.imread('./img/catdog.jpg')
d2l.plt.imshow(img)


# 确保显示图像
# plt.show()

def box_corner_to_center(boxes):
    """从（左上，右下）转换到（中间，宽度，高度）"""
    # 各列 这些张量的形状都是 (N,)，即 N 个数。
    x1, y1, x2, y2 = boxes[:, 0], boxes[:, 1], boxes[:, 2], boxes[:, 3]
    # 这些张量的形状仍然是 (N,)。
    cx = (x1 + x2) / 2
    cy = (y1 + y2) / 2
    w = x2 - x1
    h = y2 - y1
    # torch.stack 会在指定维度 新增 一个维度，并把所有输入的张量堆叠在一起
    #  沿着最后一个维度（axis=-1）堆叠，得到的 boxes 形状变为 (N, 4)，
    #  即 N 行，每行有 4 个元素 (cx, cy, w, h)，对应新的坐标格式。
    boxes = torch.stack((cx, cy, w, h), axis=-1)
    return boxes


def box_center_to_corner(boxes):
    """从（中间，宽度，高度）转换到（左上，右下）"""
    cx, cy, w