以前のブログのリンクを参照してください。
https://blog.csdn.net/Helloorld_1/article/details/130107465?spm=1001.2014.3001.5502
写真のトリミングを実現する方法。
この記事では主に、SAM (Segment Anything) を使用して切り抜いた写真を結合する方法について説明します。
結果は以下のようになります。
samを使って画像を切り出し、背景に使いたい画像と融合させて全て切り抜くことができます。
このブログからインスピレーションを受けて:
Segment Anything (SAM) モデルを使用した自動ラベル付け - プログラマーが求めた
具体的な構成環境は上記のブログの内容で述べたとおりです。参考のために私の融合イメージのコードをここに載せておきます。
import cv2
import numpy as np
img1 = cv2.imread('output.jpg')#前景图像
img2 = cv2.imread('2.jpg')#背景图像
rows, cols = img1.shape[:2]#图像尺寸大小
img2=cv2.resize(img2, (cols, rows)) # 裁剪背景图像到合适的大小
mask=cv2.imread('s.jpg')#蒙版图像
imgray = cv2.cvtColor(img1, cv2.COLOR_BGR2GRAY)
ret, thresh = cv2.threshold(imgray, 127, 255, 0)
# 根据轮廓信息提取掩模
for i in range(rows):
for j in range(cols):
if mask[i,j].sum() >20:
img2[i,j]=[0,0,0]
img_mix = cv2.addWeighted(img2,1,img1,1,0)#融合图像
# img_mix=img1+img2
# cv2.imshow('mask',mask)
# cv2.imshow('img1', img1)
# cv2.imshow('img2', img2)
cv2.imshow('img_mix', img_mix)
cv2.waitKey(0)
cv2.destroyAllWindows()また、上記ブログ内のjsonファイルのアノテーションを、ラベリングツールlabelimgで使用できるようにtxtファイルの情報に変換します。
コードは以下のように表示されます:
# 处理同一个数据集下多个json文件时，仅运行一次class_txt即可
import json
import os
import cv2
"存储标签与预测框到txt文件中"
def json_txt(json_path, txt_path):
"json_path: 需要处理的json文件的路径"
"txt_path: 将json文件处理后txt文件存放的文件夹名"
# 生成存放json文件的路径
if not os.path.exists(txt_path):
os.mkdir(txt_path)
# 读取json文件
with open(json_path, 'r') as f:
dict = json.load(f)
# 得到images和annotations信息
images_value = dict.get("categories") # 得到某个键下对应的值
annotations_value = dict.get("annotations") # 得到某个键下对应的值
# 使用images下的图像名的id创建txt文件
list=[] # 将文件id存储在list中
filename="a"
img_size = dict.get("images") # 得到某个键下对应的值
numh = 1
numw = 1
for z in img_size:
numh=z.get('height')
numw=z.get('width')
for i in images_value:
open(txt_path + str(i.get("name")) + '.txt', 'w')
list.append(i.get("id"))
filename=txt_path + str(i.get("name")) + '.txt'
imgSize = [numw, numh]
# 将id对应图片的bbox写入txt文件中
for i in list:
for j in annotations_value:
if j.get("image_id") == i:
# bbox标签归一化处理
ori_coords = j.get('bbox')# [x,y,w,h]获取检测框
# print((ori_coords))
leftup = [round((x + ori_coords[i + 2] / 2) / imgSize[i],6) for i, x in enumerate(ori_coords[:2])]
wh = [round(x / imgSize[i],6) for i, x in enumerate(ori_coords[2:])]
coord = [leftup[0], leftup[1], wh[0], wh[1]] # 最终坐标
with open(filename, 'a') as file1: # 写入txt文件中
print(j.get("category_id"), coord[0], coord[1], coord[2], coord[3], file=file1)
"将id对应的标签存储在class.txt中"
def class_txt(json_path, class_txt_path):
"json_path: 需要处理的json文件的路径"
"txt_path: 将json文件处理后存放所需的txt文件名"
# 生成存放json文件的路径
with open(json_path, 'r') as f:
dict = json.load(f)
# 得到categories下对应的信息
categories_value = dict.get("categories") # 得到某个键下对应的值
print(categories_value)
# 将每个类别id与类别写入txt文件中
with open(class_txt_path, 'a') as file0:
for i in categories_value:
print( i.get('name'), file=file0)
json_txt("./json/annotations.json", "txt_label/")#自己在当前目录下，创建一个txt_label文件夹
class_txt("./json/annotations.json", "txt_label/classes.txt")皆さんのニーズに応じて、プロジェクト ファイルを以下のリンクに置きます。必要な場合は入手してください。
SAM および他の人の UI (交換および学習専用) リソースに基づくユニバーサル カットアウト マジック修正 - CSDN ライブラリ
アップロードできるファイルは 1G を超えることができないため、圧縮パッケージには vit-h ファイルがありません。実行したい場合は、別のファイルをダウンロードしてください
このファイルをsegment_anything_annotator.pyと同じディレクトリに置きます。
環境設定。環境をenvironment.yamlファイルとしてエクスポートしました。
Anconda は次の手順を使用するだけで、環境をすばやく作成できます。
conda activate base #先激活环境
conda env create -f environment.yaml #复制环境，注意目录哟！次に、segment_anything_annotator.py を実行するだけです
さらに、Yiha のフォルダーについては次のとおりです。
.idea は pycharm によって生成されます。心配しないでください。
画像とは、セグメンテーションに独自の写真を使用したい場合は、その写真をその中に入れるだけであることを意味します。
json ファイルについては参考ブロガーに記載されているので、ここではあまり説明しません。
Salt は、セグメンテーション、UI インターフェイス、および融合された画像の .py を含む本質です。
txt_labelとtransformerは参考ブロガーとファイルのjsonデータ形式をtxtデータ形式に変換したいもので、セグメンテーションとは関係ありません！！！
ご質問がある場合は、コメント欄にメッセージを残してください。