如何获取图像中每个检测目标的像素值并解决张量转换报错

你当前的报错核心是：列表cropped_imagesList中存储的每个bbox裁剪出来的图像形状（高、宽）不一致，PyTorch无法直接将形状不同的numpy数组转换为同一个张量，因此触发了维度匹配错误。
另外你的代码还存在边界越界的潜在问题：计算得到的x_start可能为负数、x_end可能超过图像宽度、y_start可能为负数、y_end可能超过图像高度，会导致裁剪出来的图像尺寸和预期不符，进一步加剧维度不一致的问题。

根据你的使用需求可以选择以下两种方案：

方案1：保留每个目标的原始尺寸，单独存储 #

如果不需要把所有裁剪图像拼成一个批量张量，就不要直接对整个列表转张量，每个裁剪结果单独转张量存储即可。

方案2：统一裁剪图像尺寸后合并为批量张量 #

如果后续需要批量处理所有裁剪结果，就将所有裁剪后的图像统一resize到相同的宽高，再转换为张量。

import PIL.Image
import numpy as np
import torch
# 如果需要统一resize可导入以下包
from torchvision import transforms

# 读取图像逻辑不变
imgs = PIL.Image.open(img_path).convert('RGB')
image_width, image_height = imgs.size
imgArrays = np.array(imgs)

# 坐标转换逻辑不变
X = (xCenter*image_width)          
Y = (yCenter*image_height)        
W = (Width*image_width)          
H = (Height*image_height) 

cropped_imagesList = []
# 可选：方案2需提前定义resize变换，可自定义统一尺寸，示例为224*224
resize = transforms.Resize((224, 224))

for i in range(len(X)):
    x1, y1, w, h = X[i], Y[i], W[i], H[i]
    x_start = int(x1 - (w/2))
    y_start = int(y1 - (h/2))
    x_end = int(x_start + w)
    y_end = int(y_start + h)
    
    # 新增：边界截断，防止坐标越界导致裁剪尺寸异常
    x_start = max(0, x_start)
    y_start = max(0, y_start)
    x_end = min(image_width, x_end)
    y_end = min(image_height, y_end)
                              
    temp = imgArrays[y_start: y_end, x_start: x_end]
    
    # 方案1实现：单独存储每个裁剪结果的张量，不需要统一尺寸
    # single_crop_tensor = torch.as_tensor(temp)
    # cropped_imagesList.append(single_crop_tensor)
    
    # 方案2实现：统一resize后再存储，最终可合并为批量张量
    temp_pil = PIL.Image.fromarray(temp)
    temp_resized = resize(temp_pil)
    cropped_imagesList.append(torch.as_tensor(np.array(temp_resized)))

# 方案2：所有裁剪结果处理完成后，在循环外统一转为批量张量
cropped_images = torch.stack(cropped_imagesList)

裁剪得到的numpy数组temp或者转换后的张量，每个元素的数值就是对应bbox范围内的RGB像素值，你可以直接读取使用。

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