yolov目标检测的图片onnx输入尺寸及预处理

参考 (github.com)

当你使用不同的图像尺寸（例如1280）进行预测时，YOLOv8会自动对输入图像进行适当的预处理以适配模型。这通常包括缩放和填充操作，确保图像不会发生畸变，同时保持原始宽高比。

对于使用OpenCV进行预处理，你可以按照以下步骤来模拟YOLOv8的预处理过程：

1. 保持图像的宽高比，将图像缩放到模型的输入尺寸（例如640x640）中较短的一边。
2. 对缩放后的图像进行填充，以达到所需的输入尺寸，通常填充的是图像的右侧和底部。
3. 确保填充值（通常是灰色，即(114, 114, 114)）与训练时使用的填充值相匹配。

以下是一个简单的OpenCV代码示例，展示了如何进行这种预处理：

def letterbox(im, new_shape=(640, 640), color=(114, 114, 114), auto=True, scaleFill=False, scaleup=True, stride=32):
    # Resize and pad image while meeting stride-multiple constraints
    shape = im.shape[:2]  # current shape [height, width]
    if isinstance(new_shape, int):
        new_shape = (new_shape, new_shape)

    # Scale ratio (new / old)
    r = min(new_shape[0] / shape[0], new_shape[1] / shape[1])
    if not scaleup:  # only scale down, do not scale up (for better val mAP)
        r = min(r, 1.0)

    # Compute padding
    ratio = r, r  # width, height ratios
    new_unpad = int(round(shape[1] * r)), int(round(shape[0] * r))
    dw, dh = new_shape[1] - new_unpad[0], new_shape[0] - new_unpad[1]  # wh padding
    if auto:  # minimum rectangle
        dw, dh = np.mod(dw, stride), np.mod(dh, stride)  # wh padding
    elif scaleFill:  # stretch
        dw, dh = 0.0, 0.0
        new_unpad = (new_shape[1], new_shape[0])
        ratio = new_shape[1] / shape[1], new_shape[0] / shape[0]  # width, height ratios

    dw /= 2  # divide padding into 2 sides
    dh /= 2

    if shape[::-1] != new_unpad:  # resize
        im = cv2.resize(im, new_unpad, interpolation=cv2.INTER_LINEAR)
    top, bottom = int(round(dh - 0.1)), int(round(dh + 0.1))
    left, right = int(round(dw - 0.1)), int(round(dw + 0.1))
    im = cv2.copyMakeBorder(im, top, bottom, left, right, cv2.BORDER_CONSTANT, value=color)  # add border
    return im, ratio, (dw, dh)

# Load image
img, ratio, dw, dh = cv2.imread('path/to/your/image.jpg')

# Preprocess image
img_preprocessed = letterbox(img)

# Now you can pass `img_preprocessed` to your model for prediction

这段代码会将图像缩放并填充到指定的尺寸，同时保持原始宽高比，从而避免畸变。
在实际应用中，你可能需要根据你的具体需求调整这个函数。