如何在resize图像时保证标注bounding box坐标有效

完全可以实现，核心是不要只对图像做变换，要对标注坐标做和图像完全一致的空间映射，不要用无坐标同步的裸resize操作就行，工业界做检测数据集预处理常用的方案有三种，根据你的场景选：

• 等比例缩放+边缘补边（最通用，优先选）
  这是目标检测任务预处理的标准操作，不会拉伸变形目标，对后续模型训练友好。
  操作步骤：
  1. 先计算缩放系数：拿目标统一尺寸的宽、高分别除以原图的宽、高，取两个值里更小的那个作为全局缩放比scale，用这个系数把原图等比例缩小/放大，保证缩放后的图不会超出目标尺寸范围
  2. 计算补边偏移：缩放后的图和目标尺寸差出来的空白区域，平均分配到宽、高方向的两侧（一般用灰色或者黑色填充），得到宽方向偏移pad_w、高方向偏移pad_h
  3. 坐标同步换算：原标注框是左上角(x1,y1)、右下角(x2,y2)格式的话，新坐标直接按 新x = 原x * scale + pad_w、新y = 原y * scale + pad_h 计算即可，四个点都套这个公式算完就是适配新图尺寸的有效标注。
• 直接双向拉伸resize（不推荐，特殊场景用）
  如果你不介意图像被拉伸变形，可以直接分别算宽、高方向的独立缩放系数：scale_w = 目标宽/原图宽、scale_h = 目标高/原图高，x方向所有坐标乘scale_w，y方向所有坐标乘scale_h就能得到新坐标。这个方法会改变目标的原始宽高比，很容易拉低后续模型精度，没有特殊要求别用。
• 中心裁剪后缩放（仅适合目标集中在画面中心的数据集）
  如果你的标注目标基本都在图像中心区域，不会贴边，可以先按照目标尺寸的宽高比，从原图中心裁出最大的同比例子图，再把子图resize到目标尺寸。换算坐标的时候先减掉裁剪区域的左上角偏移量，过滤掉完全落在裁剪区外的框，再乘上子图到目标尺寸的缩放系数就行。这个方法的问题是边缘目标容易被裁掉，用之前最好先抽样看一眼数据集的目标分布。

批量处理的时候写个简单的Python脚本就行，用Pillow或者OpenCV做图像变换，几千张图几分钟就能跑完。处理完一定要随机抽几十张，把换算后的bbox画到新图上肉眼校验，避免把x/y轴搞反、偏移量算错这类低级错误。

内容的提问来源于stack exchange，提问作者user13832375