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）举行猜测时，YOLOv8会主动对输入图像举行得当的预处理以适配模型。这通常包括缩放和添补操作，确保图像不会发生畸变，同时保持原始宽高比。
对于使用OpenCV举行预处理，你可以按照以下步骤来模拟YOLOv8的预处理过程：
[*]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。
[*]对缩放后的图像举行添补，以到达所需的输入尺寸，通常添补的是图像的右侧和底部。
[*]确保添补值（通常是灰色，即(114, 114, 114)）与练习时使用的添补值相匹配。
以下是一个简单的OpenCV代码示例，展示了如何举行这种预处理：
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
if isinstance(new_shape, int):
new_shape = (new_shape, new_shape)
# Scale ratio (new / old)
r = min(new_shape / shape, new_shape / shape)
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 * r)), int(round(shape * r))
dw, dh = new_shape - new_unpad, new_shape - new_unpad# 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, new_shape)
ratio = new_shape / shape, new_shape / shape# 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添补到指定的尺寸，同时保持原始宽高比，从而制止畸变。
在现实应用中，你大概需要根据你的具体需求调整这个函数。
免责声明：如果侵犯了您的权益，请联系站长，我们会及时删除侵权内容，谢谢合作！更多信息从访问主页：qidao123.com:ToB企服之家，中国第一个企服评测及商务社交产业平台。
页:
[1]