TensorFlow目标检测模型：如何获取图像中边界框的实际位置？

没问题，我来帮你搞定这个问题！你打印出来的这些数组是TensorFlow Object Detection API返回的归一化边界框坐标，格式是[y_min, x_min, y_max, x_max]，每个值都是0到1之间的比例，对应相对于输入图像高度/宽度的位置。要得到图像中的实际像素位置，只需要把这些比例值乘以图像的实际高度和宽度就可以了。

下面分两种常见场景详细说明：

场景1：输入模型的是原始尺寸图像 #

如果你的图像没有经过resize，直接送入模型检测，按以下步骤操作：

1. 获取原始图像尺寸
   用PIL或OpenCV读取图像后，提取它的高度和宽度。比如用PIL的写法：

   from PIL import Image
   img = Image.open("你的图像路径.jpg")
   width, height = img.size  # 注意：PIL返回的是(width, height)，而numpy数组的维度是(height, width, channels)
   

2. 转换归一化坐标到实际像素
   假设你已经拿到了归一化的boxes数组（就是你打印的结果），直接按对应维度相乘即可：

   import numpy as np
   
   # 示例归一化boxes（你输出的结果片段）
   normalized_boxes = np.array([
       [0.48789895, 0.45768291, 0.97402203, 0.74386948],
       [0.45094413, 0.43764329, 0.95940024, 0.83383584],
       # 其他检测框...
   ])
   
   # 计算实际像素坐标
   y_min = normalized_boxes[:, 0] * height  # 左上角y坐标
   x_min = normalized_boxes[:, 1] * width   # 左上角x坐标
   y_max = normalized_boxes[:, 2] * height  # 右下角y坐标
   x_max = normalized_boxes[:, 3] * width   # 右下角x坐标
   
   # 组合成常用格式：(x_min, y_min, x_max, y_max)
   actual_boxes = np.stack([x_min, y_min, x_max, y_max], axis=1)
   
   # 如果需要整数像素（比如绘制边界框时），可以转成int类型
   actual_boxes = actual_boxes.astype(np.int32)
   

场景2：输入模型的是resize后的图像 #

如果为了匹配模型输入要求，你把原始图像resize成了固定尺寸（比如640x640），那需要先把归一化坐标转成resize后图像的像素，再映射回原始图像：

1. 记录原始与resize后的图像尺寸

   # 原始图像尺寸
   orig_img = Image.open("你的图像路径.jpg")
   orig_width, orig_height = orig_img.size
   
   # resize后的尺寸（比如模型要求的输入尺寸）
   resized_width, resized_height = 640, 640
   

2. 先转resize后像素，再映射回原始图像

   # 转换为resize后的像素坐标
   resized_y_min = normalized_boxes[:, 0] * resized_height
   resized_x_min = normalized_boxes[:, 1] * resized_width
   resized_y_max = normalized_boxes[:, 2] * resized_height
   resized_x_max = normalized_boxes[:, 3] * resized_width
   
   # 计算缩放比例
   scale_x = orig_width / resized_width
   scale_y = orig_height / resized_height
   
   # 映射回原始图像的像素坐标
   orig_x_min = resized_x_min * scale_x
   orig_y_min = resized_y_min * scale_y
   orig_x_max = resized_x_max * scale_x
   orig_y_max = resized_y_max * scale_y
   
   orig_boxes = np.stack([orig_x_min, orig_y_min, orig_x_max, orig_y_max], axis=1)
   orig_boxes = orig_boxes.astype(np.int32)
   

关键注意事项 #

• 别搞混坐标顺序：TensorFlow返回的boxes是[y_min, x_min, y_max, x_max]，也就是先y轴再x轴，和我们日常习惯的(x, y)顺序相反，这是新手最容易踩坑的点。
• 如果用官方detect_fn：可以直接从检测结果中提取boxes，结合输入图像的numpy数组尺寸计算，示例如下：

  import tensorflow as tf
  
  # 假设你已经加载了预训练的detect_fn
  image_np = np.array(Image.open("你的图像路径.jpg"))
  input_tensor = tf.convert_to_tensor(np.expand_dims(image_np, 0), dtype=tf.float32)
  detections = detect_fn(input_tensor)
  
  # 提取归一化boxes（取第一个batch的结果）
  normalized_boxes = detections['detection_boxes'][0].numpy()
  # 获取图像的高度和宽度（numpy数组的shape是(height, width, channels)）
  height, width, _ = image_np.shape
  
  # 转换为实际像素坐标
  y_min = normalized_boxes[:, 0] * height
  x_min = normalized_boxes[:, 1] * width
  y_max = normalized_boxes[:, 2] * height
  x_max = normalized_boxes[:, 3] * width
  

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