【附源码】YOLOv8：批量处理图片与目标检测裁剪

系列文章目次

机器学习：批量处理图片与目标检测裁剪

---

  

---

前言

提示：这里可以添加本文要记录的大概内容：
YOLOv8是一个高效且正确的目标检测模型，可以或许实现对图像中物体的检测和定位。根据需求，我们希望利用YOLOv8模型通过返回的坐标来裁剪标签内容图片，并将其生存到本地。下面内容是一个基于Python的实现方法，该方法利用了ultralytics库来加载和运行YOLOv8模型，并对检测到的物体进行裁剪和生存操纵。

---

一、单一照片处理与裁剪

1.源代码

   代码如下（示例）：

1. from ultralytics import YOLO
2. import cv2
3. import os
5. # 加载模型，根据实际使用的模型进行替换
6. model = YOLO("yolov8n.pt")
8. # 假设已经有了要处理的图像路径列表
9. image_files = ['path/to/your/image1.jpg']
10. #image_files = ['path/to/your/image1.jpg', 'path/to/your/image2.jpg']
12. # 指定裁剪图像的保存目录
13. crop_dir_name = "save"
14. if not os.path.exists(crop_dir_name):
15.     os.mkdir(crop_dir_name)
17. # 对每张图像进行处理
18. for image_file in image_files:
19.     # 读取图像
20.     im0 = cv2.imread(image_file)
21.    
22.     # 使用模型进行预测，不显示结果
23.     results = model.predict(im0, show=False)
24.    
25.     # 获取检测结果中的边界框
26.     boxes = results[0].boxes.xyxy.cpu().numpy()  # xyxy格式的边界框坐标
27.     clss = results[0].boxes.cls.cpu().numpy()  # 检测到的类别编号
28.    
29.     # 遍历每个检测到的物体
30.     for box, cls in zip(boxes, clss):
31.         # 根据边界框坐标裁剪图像
32.         crop_obj = im0[int(box[1]):int(box[3]), int(box[0]):int(box[2])]
33.         
34.         # 保存裁剪后的图像到指定目录
35.         save_path = os.path.join(crop_dir_name, f"{os.path.basename(image_file)}_{cls}.png")
36.         cv2.imwrite(save_path, crop_obj)
38. # 注意：上述代码中的"yolov8n.pt"是模型权重文件的路径，根据实际情况替换为的模型文件路径。

复制代码

2.代码分析

这段代码首先加载了YOLOv8模型，然后对指定目次下的每张图像进行处理，利用模型检测图像中的物体，并将检测到的物体根据界限框坐标进行裁剪，最后将裁剪后的图像生存到本地目次中。

---

二、多个照片处理与裁剪（指定文件夹）

1.源代码

   代码如下（示例）：

1. from ultralytics import YOLO
2. import cv2
3. import os
4. import numpy as np
6. # 初始化YOLOv8模型，这里使用yolov8n.pt作为示例
7. model = YOLO("best.pt")
9. # 指定包含图片的文件夹路径
10. image_folder = 'C:xxx/保存照片地点'
12. # 指定裁剪后图片的保存目录
13. crops_folder = 'C:xxx/推理照片地点'
14. if not os.path.exists(crops_folder):
15.     os.makedirs(crops_folder)
17. # 获取所有图片文件的路径
18. image_files = [os.path.join(image_folder, f) for f in os.listdir(image_folder) if
19.                f.endswith(('jpg', 'png', 'jpeg', 'bmp'))]
21. # 遍历所有图片文件
22. for image_file in image_files:
23.     # 读取图片
24.     im0 = cv2.imread(image_file)
25.     if im0 is None:
26.         print(f"Warning: {image_file} is not a valid image and will be skipped.")
27.         continue
29.     # 使用模型进行预测，不显示结果
30.     results = model.predict(source=image_file, show=False)  # 确保source参数正确传递
32.     # 检查results是否为列表
33.     if isinstance(results, list):
34.         # 遍历每个检测结果
35.         for result in results:
36.             # 获取边界框和类别
37.             boxes = result.boxes.xyxy.cpu().numpy()  # 获取xyxy格式的边界框坐标
38.             clss = result.boxes.cls.cpu().numpy()    # 获取检测到的类别编号
40.             # 裁剪和保存图片
41.             for idx, (box, cls) in enumerate(zip(boxes, clss)):
42.                 x1, y1, x2, y2 = box
43.                 crop_img = im0[int(y1):int(y2), int(x1):int(x2)]
45.                 # 保存裁剪后的图片
46.                 save_path = os.path.join(crops_folder, f"{os.path.basename(image_file).split('.')[0]}_{idx}_{int(cls)}.png")
47.                 cv2.imwrite(save_path, crop_img)
48.                 print(f"Saved cropped image to {save_path}")
49.     else:
50.         print(f"No detection results for {image_file}")
52. print("Image processing completed.")

复制代码

2.代码分析

这段代码会遍历指定文件夹中的全部图片文件，对每张图片利用YOLOv8模型进行目标检测，并将检测到的每个物文体剪成单独的图片，生存到指定的文件夹中。图片的命名格式为原始图片名称加上检测到物体的索引和种别编号。
记得更换image_folder和crops_folder为自己的图片文件夹路径和裁剪图片的生存路径。此外，根据自己的YOLOv8模型文件的实际路径，调整YOLO()构造函数中的参数。

---

总结

以上就是本日要讲的内容，本文仅仅简朴介绍了YOLOv8批量处理图片与目标检测裁剪的方法，如果对您有帮助，还请点个赞吧 （OvO）

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。