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：

1. def letterbox(im, new_shape=(640, 640), color=(114, 114, 114), auto=True, scaleFill=False, scaleup=True, stride=32):
2.     # Resize and pad image while meeting stride-multiple constraints
3.     shape = im.shape[:2]  # current shape [height, width]
4.     if isinstance(new_shape, int):
5.         new_shape = (new_shape, new_shape)
7.     # Scale ratio (new / old)
8.     r = min(new_shape[0] / shape[0], new_shape[1] / shape[1])
9.     if not scaleup:  # only scale down, do not scale up (for better val mAP)
10.         r = min(r, 1.0)
12.     # Compute padding
13.     ratio = r, r  # width, height ratios
14.     new_unpad = int(round(shape[1] * r)), int(round(shape[0] * r))
15.     dw, dh = new_shape[1] - new_unpad[0], new_shape[0] - new_unpad[1]  # wh padding
16.     if auto:  # minimum rectangle
17.         dw, dh = np.mod(dw, stride), np.mod(dh, stride)  # wh padding
18.     elif scaleFill:  # stretch
19.         dw, dh = 0.0, 0.0
20.         new_unpad = (new_shape[1], new_shape[0])
21.         ratio = new_shape[1] / shape[1], new_shape[0] / shape[0]  # width, height ratios
23.     dw /= 2  # divide padding into 2 sides
24.     dh /= 2
26.     if shape[::-1] != new_unpad:  # resize
27.         im = cv2.resize(im, new_unpad, interpolation=cv2.INTER_LINEAR)
28.     top, bottom = int(round(dh - 0.1)), int(round(dh + 0.1))
29.     left, right = int(round(dw - 0.1)), int(round(dw + 0.1))
30.     im = cv2.copyMakeBorder(im, top, bottom, left, right, cv2.BORDER_CONSTANT, value=color)  # add border
31.     return im, ratio, (dw, dh)
33. # Load image
34. img, ratio, dw, dh = cv2.imread('path/to/your/image.jpg')
36. # Preprocess image
37. img_preprocessed = letterbox(img)
39. # Now you can pass `img_preprocessed` to your model for prediction

复制代码

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。