将掩码重塑为边界框¶

注意

在 Colab 上尝试或转到结尾下载完整的示例代码。

以下示例说明了 torchvision.ops 模块中可用于将分割掩码重塑为不同任务的对象定位注释（例如，将实例和全景分割方法使用的掩码转换为对象检测方法使用的边界框）的操作。

import os
import numpy as np
import torch
import matplotlib.pyplot as plt

import torchvision.transforms.functional as F


ASSETS_DIRECTORY = "../assets"

plt.rcParams["savefig.bbox"] = "tight"


def show(imgs):
    if not isinstance(imgs, list):
        imgs = [imgs]
    fix, axs = plt.subplots(ncols=len(imgs), squeeze=False)
    for i, img in enumerate(imgs):
        img = img.detach()
        img = F.to_pil_image(img)
        axs[0, i].imshow(np.asarray(img))
        axs[0, i].set(xticklabels=[], yticklabels=[], xticks=[], yticks=[])

掩码¶

在实例和全景分割等任务中，掩码通常被定义，并且由此包定义为具有以下形状的多维数组（例如 NumPy 数组或 PyTorch 张量）

(对象数，高度，宽度)

其中对象数是图像中注释对象的数目。每个 (高度，宽度) 对象对应于恰好一个对象。例如，如果您的输入图像尺寸为 224 x 224 且具有四个注释对象，则掩码注释的形状将具有以下形状

(4, 224, 224).

掩码的一个很好的特性是它们可以轻松地重新用于解决各种对象定位任务的方法。

将掩码转换为边界框¶

例如，masks_to_boxes() 操作可用于将掩码转换为可作为 FasterRCNN 和 RetinaNet 等检测模型输入的边界框。我们将从 PenFudan 数据集中获取图像和掩码。

from torchvision.io import decode_image

img_path = os.path.join(ASSETS_DIRECTORY, "FudanPed00054.png")
mask_path = os.path.join(ASSETS_DIRECTORY, "FudanPed00054_mask.png")
img = decode_image(img_path)
mask = decode_image(mask_path)

此处，掩码表示为 PNG 图像，具有浮点值。每个像素都编码为不同的颜色，其中 0 表示背景。请注意，图像和掩码的空间维度匹配。

print(mask.size())
print(img.size())
print(mask)

torch.Size([1, 498, 533])
torch.Size([3, 498, 533])
tensor([[[0, 0, 0,  ..., 0, 0, 0],
         [0, 0, 0,  ..., 0, 0, 0],
         [0, 0, 0,  ..., 0, 0, 0],
         ...,
         [0, 0, 0,  ..., 0, 0, 0],
         [0, 0, 0,  ..., 0, 0, 0],
         [0, 0, 0,  ..., 0, 0, 0]]], dtype=torch.uint8)

# We get the unique colors, as these would be the object ids.
obj_ids = torch.unique(mask)

# first id is the background, so remove it.
obj_ids = obj_ids[1:]

# split the color-encoded mask into a set of boolean masks.
# Note that this snippet would work as well if the masks were float values instead of ints.
masks = mask == obj_ids[:, None, None]

现在掩码是一个布尔张量。在这种情况下，第一个维度 3 表示实例的数量：图像中有 3 个人。其他两个维度是高度和宽度，它们等于图像的维度。对于每个实例，布尔张量表示特定像素是否属于图像的分割掩码。

print(masks.size())
print(masks)

torch.Size([3, 498, 533])
tensor([[[False, False, False,  ..., False, False, False],
         [False, False, False,  ..., False, False, False],
         [False, False, False,  ..., False, False, False],
         ...,
         [False, False, False,  ..., False, False, False],
         [False, False, False,  ..., False, False, False],
         [False, False, False,  ..., False, False, False]],

        [[False, False, False,  ..., False, False, False],
         [False, False, False,  ..., False, False, False],
         [False, False, False,  ..., False, False, False],
         ...,
         [False, False, False,  ..., False, False, False],
         [False, False, False,  ..., False, False, False],
         [False, False, False,  ..., False, False, False]],

        [[False, False, False,  ..., False, False, False],
         [False, False, False,  ..., False, False, False],
         [False, False, False,  ..., False, False, False],
         ...,
         [False, False, False,  ..., False, False, False],
         [False, False, False,  ..., False, False, False],
         [False, False, False,  ..., False, False, False]]])

让我们可视化一个图像并绘制其对应的分割掩码。我们将使用 draw_segmentation_masks() 来绘制分割掩码。

from torchvision.utils import draw_segmentation_masks

drawn_masks = []
for mask in masks:
    drawn_masks.append(draw_segmentation_masks(img, mask, alpha=0.8, colors="blue"))

show(drawn_masks)

要将布尔掩码转换为边界框。我们将使用 masks_to_boxes() 来自 torchvision.ops 模块，它以 (xmin, ymin, xmax, ymax) 格式返回框。

from torchvision.ops import masks_to_boxes

boxes = masks_to_boxes(masks)
print(boxes.size())
print(boxes)

torch.Size([3, 4])
tensor([[ 96., 134., 181., 417.],
        [286., 113., 357., 331.],
        [363., 120., 436., 328.]])

如形状所示，有 3 个框，并且以 (xmin, ymin, xmax, ymax) 格式表示。这些可以使用 draw_bounding_boxes() 实用程序（在 torchvision.utils 中提供）非常轻松地可视化。

from torchvision.utils import draw_bounding_boxes

drawn_boxes = draw_bounding_boxes(img, boxes, colors="red")
show(drawn_boxes)

这些框现在可以直接由 torchvision 中的检测模型使用。这是一个使用从 fasterrcnn_resnet50_fpn() 加载的 Faster R-CNN 模型进行的演示

from torchvision.models.detection import fasterrcnn_resnet50_fpn, FasterRCNN_ResNet50_FPN_Weights

weights = FasterRCNN_ResNet50_FPN_Weights.DEFAULT
model = fasterrcnn_resnet50_fpn(weights=weights, progress=False)
print(img.size())

transforms = weights.transforms()
img = transforms(img)
target = {}
target["boxes"] = boxes
target["labels"] = labels = torch.ones((masks.size(0),), dtype=torch.int64)
detection_outputs = model(img.unsqueeze(0), [target])

Downloading: "https://download.pytorch.org/models/fasterrcnn_resnet50_fpn_coco-258fb6c6.pth" to /root/.cache/torch/hub/checkpoints/fasterrcnn_resnet50_fpn_coco-258fb6c6.pth
torch.Size([3, 498, 533])

将分割数据集转换为检测数据集¶

使用此实用程序，将分割数据集转换为检测数据集变得非常简单。有了它，我们现在可以使用分割数据集来训练检测模型。同样，可以将全景数据集转换为检测数据集。以下是一个我们重新利用来自 PenFudan 检测教程的数据集的示例。

class SegmentationToDetectionDataset(torch.utils.data.Dataset):
    def __init__(self, root, transforms):
        self.root = root
        self.transforms = transforms
        # load all image files, sorting them to
        # ensure that they are aligned
        self.imgs = list(sorted(os.listdir(os.path.join(root, "PNGImages"))))
        self.masks = list(sorted(os.listdir(os.path.join(root, "PedMasks"))))

    def __getitem__(self, idx):
        # load images and masks
        img_path = os.path.join(self.root, "PNGImages", self.imgs[idx])
        mask_path = os.path.join(self.root, "PedMasks", self.masks[idx])

        img = decode_image(img_path)
        mask = decode_image(mask_path)

        img = F.convert_image_dtype(img, dtype=torch.float)
        mask = F.convert_image_dtype(mask, dtype=torch.float)

        # We get the unique colors, as these would be the object ids.
        obj_ids = torch.unique(mask)

        # first id is the background, so remove it.
        obj_ids = obj_ids[1:]

        # split the color-encoded mask into a set of boolean masks.
        masks = mask == obj_ids[:, None, None]

        boxes = masks_to_boxes(masks)

        # there is only one class
        labels = torch.ones((masks.shape[0],), dtype=torch.int64)

        target = {}
        target["boxes"] = boxes
        target["labels"] = labels

        if self.transforms is not None:
            img, target = self.transforms(img, target)

        return img, target

脚本的总运行时间：（0 分钟 2.200 秒）

由 Sphinx-Gallery 生成的图库

将掩码重塑为边界框¶

掩码¶

将掩码转换为边界框¶

将分割数据集转换为检测数据集¶

文档

教程

资源