如何将YoloV5模型结果转为Pandas后再转回原结果对象

Yolov5的Results对象核心检测数据存储在pred属性中，它是一个张量列表，每个元素对应单张图片的检测结果，格式为[x1, y1, x2, y2, confidence, class]（float32类型，形状为[N,6]）。你只需将处理后的DataFrame转换成对应格式的张量，替换pred中对应位置的元素，即可继续使用官方的render()、crop()等方法。

具体步骤（单张图片示例） #

假设你已经得到处理后的top_20 DataFrame（对应第一张图的检测结果）：

1. 提取必要列并转换为张量
   必须严格按照xmin, ymin, xmax, ymax, confidence, class的顺序提取列，保证和原始pred张量格式一致：

   import torch
   
   # 从DataFrame提取核心检测数据，转换为float32张量
   top_20_tensor = torch.tensor(
       top_20[['xmin', 'ymin', 'xmax', 'ymax', 'confidence', 'class']].values,
       dtype=torch.float32
   )
   

2. 替换Results对象的检测数据
   直接修改results.pred列表中对应图片的元素：

   # 替换第一张图的检测结果（索引为0）
   results.pred[0] = top_20_tensor
   

3. 复用官方方法
   现在可以直接调用官方提供的工具方法：

   # 渲染带框的图片
   imgs = results.render()
   # 裁剪检测目标
   crops = results.crop(save=True)
   

多张图片批量处理示例 #

如果你处理的是多张图片的检测结果，可以遍历每张图的DataFrame进行批量替换：

# 遍历所有图片的检测结果
for idx in range(len(results.pandas().xyxy)):
    # 获取当前图片的DataFrame，按置信度降序取前20
    df = results.pandas().xyxy[idx].sort_values('confidence', ascending=False).head(20)
    # 转换为符合格式的张量
    df_tensor = torch.tensor(
        df[['xmin', 'ymin', 'xmax', 'ymax', 'confidence', 'class']].values,
        dtype=torch.float32
    )
    # 替换对应位置的检测张量
    results.pred[idx] = df_tensor

注意事项 #

• 坐标格式匹配：如果使用的是归一化坐标的DataFrame（如xyxyn），需要先将坐标转换为绝对坐标（乘以对应图片的宽高），再转换为张量：

  # 获取第一张图片的宽高
  img_h, img_w = results.imgs[0].shape[:2]
  # 归一化坐标转绝对坐标
  df['xmin'] = df['xmin'] * img_w
  df['ymin'] = df['ymin'] * img_h
  df['xmax'] = df['xmax'] * img_w
  df['ymax'] = df['ymax'] * img_h
  

• 张量类型一致：确保转换后的张量 dtype 为torch.float32，和原始pred张量类型保持一致，避免报错。

内容的提问来源于stack exchange，提问作者C.Tale