EagleEye代码实例自定义后处理逻辑支持YOLO格式结果导出与标注回写1. 项目简介与核心价值今天我们来聊聊一个非常实用的功能如何为EagleEye目标检测引擎添加自定义的后处理逻辑并实现YOLO格式的结果导出与标注回写。你可能已经用过EagleEye的实时检测功能它确实又快又准。但在实际项目中我们经常需要把检测结果保存下来用于后续的分析、训练或者与其他系统集成。这时候仅仅在界面上看看检测框就不够了。这个功能能帮你解决什么问题想象一下这些场景你检测了一批图片想把结果保存成标准的YOLO格式方便后续用其他工具处理你需要把检测框信息写回到原始图片上生成带标注的图片文件你想对检测结果进行二次处理比如过滤特定类别、调整框的大小你需要批量处理大量图片并自动保存所有结果这就是我们今天要实现的一个灵活的后处理模块让你可以完全控制检测结果的输出方式。2. 理解EagleEye的输出结构在开始写代码之前我们先要搞清楚EagleEye检测完成后给了我们什么数据。2.1 检测结果的数据格式当你用EagleEye检测一张图片后它会返回一个结构化的结果。我们来看看这个结果里有什么# 这是一个典型的检测结果示例 detection_result { image_path: /path/to/your/image.jpg, image_size: (1920, 1080), # 图片的宽和高 detections: [ { bbox: [x1, y1, x2, y2], # 检测框坐标左上角和右下角 confidence: 0.85, # 置信度0-1之间 class_id: 0, # 类别ID class_name: person # 类别名称 }, # 可能有多个检测框... ], inference_time: 15.2, # 推理耗时单位毫秒 model_name: DAMO-YOLO-TinyNAS }关键点说明bbox是绝对坐标单位是像素confidence是模型认为这个检测正确的概率class_id从0开始对应不同的物体类别一张图片可能检测出多个物体所以detections是个列表2.2 YOLO格式的要求YOLO格式和我们上面看到的不太一样它需要的是相对坐标。我们来对比一下格式类型坐标表示文件格式特点EagleEye原始格式绝对坐标 (x1, y1, x2, y2)Python字典直观但需要图片尺寸信息YOLO格式相对坐标 (cx, w, h)文本文件标准化与图片尺寸无关YOLO格式的转换公式很简单# 图片宽度和高度 img_w, img_h image_size # 将绝对坐标转换为相对坐标 def absolute_to_yolo(bbox, img_w, img_h): x1, y1, x2, y2 bbox # 计算中心点坐标 cx (x1 x2) / 2 / img_w cy (y1 y2) / 2 / img_h # 计算宽度和高度 w (x2 - x1) / img_w h (y2 - y1) / img_h return cx, cy, w, h这样转换后所有坐标都在0-1之间不管原始图片多大YOLO格式都能处理。3. 实现自定义后处理模块现在我们来动手写代码。我会带你一步步实现一个完整的后处理模块。3.1 基础后处理类设计我们先创建一个基础的后处理类它负责处理检测结果import os import json from typing import List, Dict, Any import cv2 import numpy as np class EagleEyePostProcessor: EagleEye后处理基类 def __init__(self, output_dir: str ./output): 初始化后处理器 Args: output_dir: 输出目录路径 self.output_dir output_dir os.makedirs(output_dir, exist_okTrue) # 创建子目录 self.labels_dir os.path.join(output_dir, labels) self.images_dir os.path.join(output_dir, images) self.annotations_dir os.path.join(output_dir, annotations) for dir_path in [self.labels_dir, self.images_dir, self.annotations_dir]: os.makedirs(dir_path, exist_okTrue) def process(self, detection_result: Dict[str, Any]) - Dict[str, Any]: 处理检测结果的基础方法 Args: detection_result: EagleEye的检测结果 Returns: 处理后的结果 # 这里先做个简单的处理子类可以重写这个方法 processed_result { original_result: detection_result, processed_time: time.time(), output_files: [] } return processed_result def _convert_to_yolo_format(self, bbox: List[float], image_size: tuple) - List[float]: 将绝对坐标转换为YOLO格式的相对坐标 Args: bbox: [x1, y1, x2, y2] 绝对坐标 image_size: (width, height) 图片尺寸 Returns: [class_id, cx, cy, w, h] YOLO格式 img_w, img_h image_size x1, y1, x2, y2 bbox # 计算相对坐标 cx (x1 x2) / 2 / img_w cy (y1 y2) / 2 / img_h w (x2 - x1) / img_w h (y2 - y1) / img_h # 确保坐标在0-1范围内 cx max(0, min(1, cx)) cy max(0, min(1, cy)) w max(0, min(1, w)) h max(0, min(1, h)) return [cx, cy, w, h]这个基础类做了几件事创建了输出目录结构定义了处理检测结果的方法实现了坐标转换的功能3.2 完整的YOLO导出器现在我们来扩展这个基础类实现完整的YOLO格式导出class YOLOExporter(EagleEyePostProcessor): YOLO格式导出器 def __init__(self, output_dir: str ./output, class_names: List[str] None): 初始化YOLO导出器 Args: output_dir: 输出目录 class_names: 类别名称列表如果不提供则使用默认的 super().__init__(output_dir) # 类别映射 self.class_names class_names or [ person, bicycle, car, motorcycle, airplane, bus, train, truck, boat, traffic light, fire hydrant, stop sign, parking meter, bench, bird, cat, dog, horse, sheep, cow, elephant, bear, zebra, giraffe, backpack, umbrella, handbag, tie, suitcase, frisbee, skis, snowboard, sports ball, kite, baseball bat, baseball glove, skateboard, surfboard, tennis racket, bottle, wine glass, cup, fork, knife, spoon, bowl, banana, apple, sandwich, orange, broccoli, carrot, hot dog, pizza, donut, cake, chair, couch, potted plant, bed, dining table, toilet, tv, laptop, mouse, remote, keyboard, cell phone, microwave, oven, toaster, sink, refrigerator, book, clock, vase, scissors, teddy bear, hair drier, toothbrush ] # 创建类别映射文件 self._save_class_names() def _save_class_names(self): 保存类别名称到文件 class_file os.path.join(self.output_dir, classes.txt) with open(class_file, w, encodingutf-8) as f: for i, name in enumerate(self.class_names): f.write(f{i} {name}\n) def process(self, detection_result: Dict[str, Any], save_image: bool True) - Dict[str, Any]: 处理检测结果并导出YOLO格式 Args: detection_result: 检测结果 save_image: 是否保存带标注的图片 Returns: 处理结果 # 调用父类的基础处理 result super().process(detection_result) # 获取图片信息 image_path detection_result[image_path] image_size detection_result[image_size] detections detection_result[detections] # 生成基础文件名 base_name os.path.splitext(os.path.basename(image_path))[0] # 1. 导出YOLO格式标签 label_file self._export_yolo_labels(base_name, detections, image_size) # 2. 保存带标注的图片 annotated_image None if save_image: annotated_image self._draw_annotations(image_path, detections) # 3. 保存JSON格式的完整结果 json_file self._export_json_result(base_name, detection_result) # 更新处理结果 result.update({ yolo_label_file: label_file, annotated_image: annotated_image, json_result_file: json_file, detection_count: len(detections) }) return result def _export_yolo_labels(self, base_name: str, detections: List[Dict], image_size: tuple) - str: 导出YOLO格式的标签文件 Args: base_name: 基础文件名 detections: 检测结果列表 image_size: 图片尺寸 Returns: 标签文件路径 label_file os.path.join(self.labels_dir, f{base_name}.txt) with open(label_file, w, encodingutf-8) as f: for detection in detections: # 获取检测信息 bbox detection[bbox] class_id detection[class_id] confidence detection[confidence] # 转换为YOLO格式 yolo_bbox self._convert_to_yolo_format(bbox, image_size) # 写入文件class_id cx cy w h confidence line f{class_id} {yolo_bbox[0]:.6f} {yolo_bbox[1]:.6f} line f{yolo_bbox[2]:.6f} {yolo_bbox[3]:.6f} {confidence:.4f}\n f.write(line) return label_file def _draw_annotations(self, image_path: str, detections: List[Dict]) - str: 在图片上绘制检测框并保存 Args: image_path: 原始图片路径 detections: 检测结果列表 Returns: 标注图片的保存路径 # 读取图片 image cv2.imread(image_path) if image is None: print(f无法读取图片: {image_path}) return None # 绘制每个检测框 for detection in detections: bbox detection[bbox] class_name detection[class_name] confidence detection[confidence] # 转换为整数坐标 x1, y1, x2, y2 map(int, bbox) # 随机但一致的颜色基于类别名称 color_hash hash(class_name) % 256 color ( (color_hash * 37) % 256, (color_hash * 73) % 256, (color_hash * 109) % 256 ) # 绘制矩形框 cv2.rectangle(image, (x1, y1), (x2, y2), color, 2) # 绘制标签背景 label f{class_name}: {confidence:.2f} label_size cv2.getTextSize(label, cv2.FONT_HERSHEY_SIMPLEX, 0.5, 2)[0] cv2.rectangle(image, (x1, y1 - label_size[1] - 10), (x1 label_size[0], y1), color, -1) # 绘制标签文字 cv2.putText(image, label, (x1, y1 - 5), cv2.FONT_HERSHEY_SIMPLEX, 0.5, (255, 255, 255), 2) # 保存图片 base_name os.path.splitext(os.path.basename(image_path))[0] output_path os.path.join(self.images_dir, f{base_name}_annotated.jpg) cv2.imwrite(output_path, image) return output_path def _export_json_result(self, base_name: str, detection_result: Dict[str, Any]) - str: 导出JSON格式的完整结果 Args: base_name: 基础文件名 detection_result: 完整的检测结果 Returns: JSON文件路径 json_file os.path.join(self.annotations_dir, f{base_name}.json) # 准备要保存的数据 save_data { image_info: { path: detection_result[image_path], size: detection_result[image_size] }, detections: detection_result[detections], model_info: { name: detection_result.get(model_name, DAMO-YOLO-TinyNAS), inference_time: detection_result.get(inference_time, 0) }, export_time: time.time(), export_format: yolo_v5 } # 保存为JSON with open(json_file, w, encodingutf-8) as f: json.dump(save_data, f, indent2, ensure_asciiFalse) return json_file这个YOLO导出器做了几件重要的事把检测结果转换成YOLO格式并保存为文本文件在原始图片上画出检测框保存为新的图片把完整的结果保存为JSON文件方便后续分析3.3 批量处理与高级功能单个图片处理还不够我们经常需要批量处理。再来看看批量处理的实现class BatchProcessor(YOLOExporter): 批量处理器 def __init__(self, output_dir: str ./output): super().__init__(output_dir) self.processed_count 0 self.total_detections 0 def process_batch(self, detection_results: List[Dict[str, Any]], progress_callbackNone) - Dict[str, Any]: 批量处理多个检测结果 Args: detection_results: 检测结果列表 progress_callback: 进度回调函数 Returns: 批量处理统计信息 batch_result { total_images: len(detection_results), processed_images: 0, total_detections: 0, output_files: [], errors: [] } for i, result in enumerate(detection_results): try: # 处理单个图片 processed self.process(result, save_imageTrue) # 更新统计 self.processed_count 1 self.total_detections len(result[detections]) batch_result[processed_images] 1 batch_result[total_detections] len(result[detections]) batch_result[output_files].append({ image: result[image_path], label: processed.get(yolo_label_file), annotated: processed.get(annotated_image), json: processed.get(json_result_file) }) # 调用进度回调 if progress_callback: progress (i 1) / len(detection_results) * 100 progress_callback(progress, result[image_path]) except Exception as e: error_msg f处理图片 {result.get(image_path, unknown)} 时出错: {str(e)} batch_result[errors].append(error_msg) print(error_msg) # 保存批量处理摘要 self._save_batch_summary(batch_result) return batch_result def _save_batch_summary(self, batch_result: Dict[str, Any]): 保存批量处理摘要 summary_file os.path.join(self.output_dir, batch_summary.txt) with open(summary_file, w, encodingutf-8) as f: f.write( * 50 \n) f.write(批量处理摘要\n) f.write( * 50 \n\n) f.write(f处理时间: {time.strftime(%Y-%m-%d %H:%M:%S)}\n) f.write(f总图片数: {batch_result[total_images]}\n) f.write(f成功处理: {batch_result[processed_images]}\n) f.write(f总检测数: {batch_result[total_detections]}\n) f.write(f平均每张图片检测数: {batch_result[total_detections] / max(batch_result[processed_images], 1):.2f}\n\n) if batch_result[errors]: f.write(处理错误:\n) for error in batch_result[errors]: f.write(f - {error}\n) f.write(\n输出文件:\n) for file_info in batch_result[output_files][:10]: # 只显示前10个 f.write(f - {os.path.basename(file_info[image])}\n) if len(batch_result[output_files]) 10: f.write(f ... 还有 {len(batch_result[output_files]) - 10} 个文件\n) def filter_by_confidence(self, detections: List[Dict], min_confidence: float 0.3) - List[Dict]: 根据置信度过滤检测结果 Args: detections: 检测结果列表 min_confidence: 最小置信度阈值 Returns: 过滤后的检测结果 return [d for d in detections if d[confidence] min_confidence] def filter_by_class(self, detections: List[Dict], allowed_classes: List[str]) - List[Dict]: 根据类别过滤检测结果 Args: detections: 检测结果列表 allowed_classes: 允许的类别名称列表 Returns: 过滤后的检测结果 return [d for d in detections if d[class_name] in allowed_classes]批量处理器增加了几个实用功能可以一次处理多张图片支持进度回调方便在界面上显示处理进度提供了结果过滤功能可以按置信度或类别过滤生成处理摘要方便查看整体情况4. 在EagleEye中集成后处理现在我们已经有了完整的后处理模块接下来看看怎么把它集成到EagleEye中。4.1 修改EagleEye的检测流程我们需要修改EagleEye的检测函数让它支持后处理# 假设这是EagleEye原有的检测函数 def eagleeye_detect(image_path, confidence_threshold0.5): EagleEye原有的检测函数 # 这里应该是EagleEye的检测逻辑 # 为了示例我们模拟一个检测结果 import random # 模拟检测结果 result { image_path: image_path, image_size: (1920, 1080), detections: [], inference_time: random.uniform(10, 20), model_name: DAMO-YOLO-TinyNAS } # 模拟一些检测框 for i in range(random.randint(1, 5)): result[detections].append({ bbox: [ random.randint(0, 1700), random.randint(0, 900), random.randint(100, 1920), random.randint(100, 1080) ], confidence: random.uniform(0.3, 0.95), class_id: random.randint(0, 79), class_name: [person, car, dog, cat, chair][random.randint(0, 4)] }) return result # 增强版的检测函数支持后处理 def eagleeye_detect_with_postprocess(image_path, confidence_threshold0.5, post_processorNone): 支持后处理的EagleEye检测函数 Args: image_path: 图片路径 confidence_threshold: 置信度阈值 post_processor: 后处理器实例 Returns: 检测结果和后处理结果 # 1. 执行检测 detection_result eagleeye_detect(image_path, confidence_threshold) # 2. 过滤低置信度的检测结果 filtered_detections [ d for d in detection_result[detections] if d[confidence] confidence_threshold ] detection_result[detections] filtered_detections # 3. 如果有后处理器执行后处理 postprocess_result None if post_processor: postprocess_result post_processor.process(detection_result) return { detection_result: detection_result, postprocess_result: postprocess_result }4.2 创建Streamlit界面集成EagleEye使用Streamlit作为前端我们可以很方便地添加后处理功能import streamlit as st import time from pathlib import Path def main(): st.title( EagleEye - 智能目标检测系统) st.markdown(### 支持YOLO格式导出与标注回写) # 侧边栏配置 st.sidebar.header(检测配置) confidence_threshold st.sidebar.slider( 置信度阈值, min_value0.0, max_value1.0, value0.5, help调高可减少误报调低可减少漏检 ) # 后处理选项 st.sidebar.header(后处理选项) enable_postprocess st.sidebar.checkbox(启用后处理, valueTrue) export_yolo st.sidebar.checkbox(导出YOLO格式, valueTrue) save_annotated st.sidebar.checkbox(保存标注图片, valueTrue) output_dir st.sidebar.text_input(输出目录, value./eagleeye_output) # 文件上传 uploaded_file st.file_uploader( 上传图片文件, type[jpg, jpeg, png], help支持JPG、JPEG、PNG格式 ) if uploaded_file is not None: # 保存上传的文件 temp_dir Path(temp) temp_dir.mkdir(exist_okTrue) image_path temp_dir / uploaded_file.name with open(image_path, wb) as f: f.write(uploaded_file.getbuffer()) # 显示原始图片 col1, col2 st.columns(2) with col1: st.image(str(image_path), caption原始图片, use_column_widthTrue) # 执行检测 with st.spinner(正在检测中...): # 初始化后处理器 post_processor None if enable_postprocess: post_processor YOLOExporter( output_diroutput_dir, class_namesNone # 使用默认类别 ) # 执行检测和后处理 result eagleeye_detect_with_postprocess( str(image_path), confidence_thresholdconfidence_threshold, post_processorpost_processor ) # 显示检测结果 detection_result result[detection_result] postprocess_result result[postprocess_result] with col2: # 这里应该显示带检测框的图片 # 为了示例我们显示一个占位符 st.image(str(image_path), caption检测结果, use_column_widthTrue) # 显示检测统计 st.subheader(检测统计) col1, col2, col3 st.columns(3) with col1: st.metric(检测数量, len(detection_result[detections])) with col2: st.metric(推理时间, f{detection_result[inference_time]:.1f}ms) with col3: if postprocess_result: st.metric(输出文件, len(postprocess_result.get(output_files, []))) # 显示检测详情 if detection_result[detections]: st.subheader(检测详情) for i, det in enumerate(detection_result[detections]): with st.expander(f检测对象 {i1}: {det[class_name]}): st.write(f**置信度**: {det[confidence]:.2%}) st.write(f**位置**: {det[bbox]}) st.write(f**类别ID**: {det[class_id]}) # 显示后处理结果 if postprocess_result: st.subheader(后处理输出) if export_yolo and yolo_label_file in postprocess_result: st.success(f✅ YOLO标签文件已保存: {postprocess_result[yolo_label_file]}) # 显示YOLO格式内容 with st.expander(查看YOLO格式内容): try: with open(postprocess_result[yolo_label_file], r) as f: yolo_content f.read() st.code(yolo_content, languagetext) except: st.warning(无法读取YOLO文件) if save_annotated and annotated_image in postprocess_result: st.success(f✅ 标注图片已保存: {postprocess_result[annotated_image]}) # 显示标注图片 with st.expander(查看标注图片): try: st.image(postprocess_result[annotated_image], caption带标注的图片, use_column_widthTrue) except: st.warning(无法显示标注图片) if json_result_file in postprocess_result: st.info(f 完整结果JSON: {postprocess_result[json_result_file]}) # 批量处理部分 st.sidebar.header(批量处理) batch_files st.sidebar.file_uploader( 批量上传图片, type[jpg, jpeg, png], accept_multiple_filesTrue, help可同时选择多张图片进行批量处理 ) if batch_files and len(batch_files) 0: if st.sidebar.button(开始批量处理, typeprimary): with st.spinner(f正在处理 {len(batch_files)} 张图片...): # 初始化批量处理器 batch_processor BatchProcessor(output_diroutput_dir) # 准备进度显示 progress_bar st.progress(0) status_text st.empty() # 处理所有图片 all_results [] for i, uploaded_file in enumerate(batch_files): # 保存文件 temp_path temp_dir / uploaded_file.name with open(temp_path, wb) as f: f.write(uploaded_file.getbuffer()) # 执行检测 result eagleeye_detect(str(temp_path), confidence_threshold) all_results.append(result) # 更新进度 progress (i 1) / len(batch_files) progress_bar.progress(progress) status_text.text(f处理中: {i1}/{len(batch_files)} - {uploaded_file.name}) # 执行批量后处理 batch_result batch_processor.process_batch(all_results) # 显示批量处理结果 st.success(f✅ 批量处理完成) st.write(f**处理统计**:) st.write(f- 总图片数: {batch_result[total_images]}) st.write(f- 成功处理: {batch_result[processed_images]}) st.write(f- 总检测数: {batch_result[total_detections]}) if batch_result[errors]: st.warning(f**处理错误**: {len(batch_result[errors])} 个) with st.expander(查看错误详情): for error in batch_result[errors]: st.error(error) # 提供下载链接 st.info(f所有输出文件已保存到: {output_dir}) if __name__ __main__: main()这个Streamlit界面提供了单张图片检测和后处理批量图片处理实时进度显示结果预览和下载5. 实际应用示例让我们看几个具体的应用场景了解这个功能怎么用。5.1 场景一商品检测与标注假设你有一个电商网站需要自动检测商品图片中的物品# 电商商品检测示例 def ecommerce_product_detection(): 电商商品检测与标注 # 初始化处理器使用自定义类别 product_classes [ clothing, shoes, bags, accessories, electronics, books, home, beauty ] processor YOLOExporter( output_dir./ecommerce_output, class_namesproduct_classes ) # 假设这是检测结果 detection_result { image_path: product_image.jpg, image_size: (800, 600), detections: [ { bbox: [100, 150, 300, 450], confidence: 0.92, class_id: 0, # clothing class_name: clothing }, { bbox: [400, 200, 600, 400], confidence: 0.87, class_id: 4, # electronics class_name: electronics } ] } # 处理并导出 result processor.process(detection_result, save_imageTrue) print(fYOLO标签文件: {result[yolo_label_file]}) print(f标注图片: {result[annotated_image]}) print(fJSON结果: {result[json_result_file]}) # 还可以进行批量处理 batch_processor BatchProcessor(output_dir./ecommerce_batch_output) # 假设有多张图片 all_results [detection_result] * 5 # 模拟5张图片 batch_result batch_processor.process_batch(all_results) print(f批量处理完成共处理 {batch_result[processed_images]} 张图片)5.2 场景二安防监控分析在安防监控中我们可能只关心特定类别# 安防监控分析示例 def security_monitoring_analysis(): 安防监控分析 processor YOLOExporter(output_dir./security_output) # 假设这是监控摄像头的检测结果 detection_result { image_path: camera_feed_001.jpg, image_size: (1920, 1080), detections: [ {bbox: [200, 300, 400, 500], confidence: 0.95, class_id: 0, class_name: person}, {bbox: [600, 400, 800, 600], confidence: 0.82, class_id: 2, class_name: car}, {bbox: [1000, 200, 1200, 400], confidence: 0.45, class_id: 1, class_name: bicycle}, {bbox: [1400, 500, 1600, 700], confidence: 0.91, class_id: 0, class_name: person}, ] } # 只关注人和车 filtered_detections processor.filter_by_class( detection_result[detections], allowed_classes[person, car] ) # 同时过滤低置信度的 filtered_detections processor.filter_by_confidence( filtered_detections, min_confidence0.5 ) # 更新检测结果 detection_result[detections] filtered_detections # 处理并导出 result processor.process(detection_result, save_imageTrue) print(f过滤后检测到 {len(filtered_detections)} 个目标) print(f安防分析结果已保存到: {result[yolo_label_file]})5.3 场景三数据标注自动化如果你需要为机器学习项目准备训练数据# 自动化数据标注示例 def auto_data_annotation(image_folder, output_folder): 自动化数据标注流程 import glob from tqdm import tqdm # 获取所有图片 image_files glob.glob(f{image_folder}/*.jpg) \ glob.glob(f{image_folder}/*.png) \ glob.glob(f{image_folder}/*.jpeg) print(f找到 {len(image_files)} 张图片) # 初始化处理器 processor BatchProcessor(output_diroutput_folder) # 收集所有检测结果 all_results [] for image_file in tqdm(image_files, desc处理图片): try: # 这里应该是实际的检测代码 # 为了示例我们创建一个模拟结果 result { image_path: image_file, image_size: (1920, 1080), detections: [ { bbox: [100, 100, 300, 300], confidence: 0.8, class_id: 0, class_name: person } ] } all_results.append(result) except Exception as e: print(f处理 {image_file} 时出错: {e}) # 批量处理 batch_result processor.process_batch(all_results) # 生成数据集配置文件 generate_dataset_config(output_folder, image_files) return batch_result def generate_dataset_config(output_folder, image_files): 生成YOLO数据集配置文件 # 生成train.txt train_file os.path.join(output_folder, train.txt) with open(train_file, w) as f: for img_file in image_files: # 转换为相对路径 rel_path os.path.relpath(img_file, output_folder) f.write(f{rel_path}\n) # 生成data.yaml yaml_content f# YOLO数据集配置文件 path: {os.path.abspath(output_folder)} train: train.txt val: train.txt # 如果没有验证集可以用训练集代替 # 类别数量 nc: 80 # 类别名称 names: {{ 0: person, 1: bicycle, 2: car, # ... 其他类别 79: toothbrush }} yaml_file os.path.join(output_folder, data.yaml) with open(yaml_file, w) as f: f.write(yaml_content) print(f数据集配置文件已生成: {yaml_file})6. 总结通过今天的学习我们实现了一个完整的EagleEye后处理模块主要完成了以下几件事6.1 核心功能回顾YOLO格式导出把EagleEye的检测结果转换成标准的YOLO格式方便与其他工具集成标注回写在原始图片上画出检测框生成带标注的图片批量处理支持一次处理多张图片提高工作效率结果过滤可以根据置信度或类别过滤检测结果完整日志保存处理过程的详细信息方便追溯和分析6.2 实际应用价值这个功能在实际项目中非常有用数据准备为机器学习项目自动生成标注数据结果分析保存检测结果供后续统计分析系统集成标准化输出格式方便与其他系统对接质量检查通过标注图片直观检查检测效果批量处理一次性处理大量图片节省人工时间6.3 扩展建议如果你需要进一步扩展这个功能可以考虑支持更多格式除了YOLO格式还可以支持COCO、PASCAL VOC等格式添加数据增强在保存标注的同时对图片进行旋转、缩放等增强集成数据库把检测结果保存到数据库方便查询和分析添加API接口提供REST API让其他系统可以调用支持视频处理扩展功能处理视频文件逐帧保存检测结果6.4 使用建议在实际使用中我有几个建议先测试再批量先用少量图片测试确认效果后再批量处理合理设置阈值根据实际需求调整置信度阈值平衡准确率和召回率定期清理输出处理大量图片时注意定期清理输出目录避免磁盘空间不足备份原始数据处理前备份原始图片防止意外覆盖监控处理进度批量处理时添加进度显示方便了解处理状态这个后处理模块让EagleEye从一个单纯的检测工具变成了一个完整的数据处理流水线。你可以根据自己的需求进一步定制和扩展这些功能。获取更多AI镜像想探索更多AI镜像和应用场景访问 CSDN星图镜像广场提供丰富的预置镜像覆盖大模型推理、图像生成、视频生成、模型微调等多个领域支持一键部署。
EagleEye代码实例：自定义后处理逻辑，支持YOLO格式结果导出与标注回写
发布时间：2026/7/31 1:33:26
EagleEye代码实例自定义后处理逻辑支持YOLO格式结果导出与标注回写1. 项目简介与核心价值今天我们来聊聊一个非常实用的功能如何为EagleEye目标检测引擎添加自定义的后处理逻辑并实现YOLO格式的结果导出与标注回写。你可能已经用过EagleEye的实时检测功能它确实又快又准。但在实际项目中我们经常需要把检测结果保存下来用于后续的分析、训练或者与其他系统集成。这时候仅仅在界面上看看检测框就不够了。这个功能能帮你解决什么问题想象一下这些场景你检测了一批图片想把结果保存成标准的YOLO格式方便后续用其他工具处理你需要把检测框信息写回到原始图片上生成带标注的图片文件你想对检测结果进行二次处理比如过滤特定类别、调整框的大小你需要批量处理大量图片并自动保存所有结果这就是我们今天要实现的一个灵活的后处理模块让你可以完全控制检测结果的输出方式。2. 理解EagleEye的输出结构在开始写代码之前我们先要搞清楚EagleEye检测完成后给了我们什么数据。2.1 检测结果的数据格式当你用EagleEye检测一张图片后它会返回一个结构化的结果。我们来看看这个结果里有什么# 这是一个典型的检测结果示例 detection_result { image_path: /path/to/your/image.jpg, image_size: (1920, 1080), # 图片的宽和高 detections: [ { bbox: [x1, y1, x2, y2], # 检测框坐标左上角和右下角 confidence: 0.85, # 置信度0-1之间 class_id: 0, # 类别ID class_name: person # 类别名称 }, # 可能有多个检测框... ], inference_time: 15.2, # 推理耗时单位毫秒 model_name: DAMO-YOLO-TinyNAS }关键点说明bbox是绝对坐标单位是像素confidence是模型认为这个检测正确的概率class_id从0开始对应不同的物体类别一张图片可能检测出多个物体所以detections是个列表2.2 YOLO格式的要求YOLO格式和我们上面看到的不太一样它需要的是相对坐标。我们来对比一下格式类型坐标表示文件格式特点EagleEye原始格式绝对坐标 (x1, y1, x2, y2)Python字典直观但需要图片尺寸信息YOLO格式相对坐标 (cx, w, h)文本文件标准化与图片尺寸无关YOLO格式的转换公式很简单# 图片宽度和高度 img_w, img_h image_size # 将绝对坐标转换为相对坐标 def absolute_to_yolo(bbox, img_w, img_h): x1, y1, x2, y2 bbox # 计算中心点坐标 cx (x1 x2) / 2 / img_w cy (y1 y2) / 2 / img_h # 计算宽度和高度 w (x2 - x1) / img_w h (y2 - y1) / img_h return cx, cy, w, h这样转换后所有坐标都在0-1之间不管原始图片多大YOLO格式都能处理。3. 实现自定义后处理模块现在我们来动手写代码。我会带你一步步实现一个完整的后处理模块。3.1 基础后处理类设计我们先创建一个基础的后处理类它负责处理检测结果import os import json from typing import List, Dict, Any import cv2 import numpy as np class EagleEyePostProcessor: EagleEye后处理基类 def __init__(self, output_dir: str ./output): 初始化后处理器 Args: output_dir: 输出目录路径 self.output_dir output_dir os.makedirs(output_dir, exist_okTrue) # 创建子目录 self.labels_dir os.path.join(output_dir, labels) self.images_dir os.path.join(output_dir, images) self.annotations_dir os.path.join(output_dir, annotations) for dir_path in [self.labels_dir, self.images_dir, self.annotations_dir]: os.makedirs(dir_path, exist_okTrue) def process(self, detection_result: Dict[str, Any]) - Dict[str, Any]: 处理检测结果的基础方法 Args: detection_result: EagleEye的检测结果 Returns: 处理后的结果 # 这里先做个简单的处理子类可以重写这个方法 processed_result { original_result: detection_result, processed_time: time.time(), output_files: [] } return processed_result def _convert_to_yolo_format(self, bbox: List[float], image_size: tuple) - List[float]: 将绝对坐标转换为YOLO格式的相对坐标 Args: bbox: [x1, y1, x2, y2] 绝对坐标 image_size: (width, height) 图片尺寸 Returns: [class_id, cx, cy, w, h] YOLO格式 img_w, img_h image_size x1, y1, x2, y2 bbox # 计算相对坐标 cx (x1 x2) / 2 / img_w cy (y1 y2) / 2 / img_h w (x2 - x1) / img_w h (y2 - y1) / img_h # 确保坐标在0-1范围内 cx max(0, min(1, cx)) cy max(0, min(1, cy)) w max(0, min(1, w)) h max(0, min(1, h)) return [cx, cy, w, h]这个基础类做了几件事创建了输出目录结构定义了处理检测结果的方法实现了坐标转换的功能3.2 完整的YOLO导出器现在我们来扩展这个基础类实现完整的YOLO格式导出class YOLOExporter(EagleEyePostProcessor): YOLO格式导出器 def __init__(self, output_dir: str ./output, class_names: List[str] None): 初始化YOLO导出器 Args: output_dir: 输出目录 class_names: 类别名称列表如果不提供则使用默认的 super().__init__(output_dir) # 类别映射 self.class_names class_names or [ person, bicycle, car, motorcycle, airplane, bus, train, truck, boat, traffic light, fire hydrant, stop sign, parking meter, bench, bird, cat, dog, horse, sheep, cow, elephant, bear, zebra, giraffe, backpack, umbrella, handbag, tie, suitcase, frisbee, skis, snowboard, sports ball, kite, baseball bat, baseball glove, skateboard, surfboard, tennis racket, bottle, wine glass, cup, fork, knife, spoon, bowl, banana, apple, sandwich, orange, broccoli, carrot, hot dog, pizza, donut, cake, chair, couch, potted plant, bed, dining table, toilet, tv, laptop, mouse, remote, keyboard, cell phone, microwave, oven, toaster, sink, refrigerator, book, clock, vase, scissors, teddy bear, hair drier, toothbrush ] # 创建类别映射文件 self._save_class_names() def _save_class_names(self): 保存类别名称到文件 class_file os.path.join(self.output_dir, classes.txt) with open(class_file, w, encodingutf-8) as f: for i, name in enumerate(self.class_names): f.write(f{i} {name}\n) def process(self, detection_result: Dict[str, Any], save_image: bool True) - Dict[str, Any]: 处理检测结果并导出YOLO格式 Args: detection_result: 检测结果 save_image: 是否保存带标注的图片 Returns: 处理结果 # 调用父类的基础处理 result super().process(detection_result) # 获取图片信息 image_path detection_result[image_path] image_size detection_result[image_size] detections detection_result[detections] # 生成基础文件名 base_name os.path.splitext(os.path.basename(image_path))[0] # 1. 导出YOLO格式标签 label_file self._export_yolo_labels(base_name, detections, image_size) # 2. 保存带标注的图片 annotated_image None if save_image: annotated_image self._draw_annotations(image_path, detections) # 3. 保存JSON格式的完整结果 json_file self._export_json_result(base_name, detection_result) # 更新处理结果 result.update({ yolo_label_file: label_file, annotated_image: annotated_image, json_result_file: json_file, detection_count: len(detections) }) return result def _export_yolo_labels(self, base_name: str, detections: List[Dict], image_size: tuple) - str: 导出YOLO格式的标签文件 Args: base_name: 基础文件名 detections: 检测结果列表 image_size: 图片尺寸 Returns: 标签文件路径 label_file os.path.join(self.labels_dir, f{base_name}.txt) with open(label_file, w, encodingutf-8) as f: for detection in detections: # 获取检测信息 bbox detection[bbox] class_id detection[class_id] confidence detection[confidence] # 转换为YOLO格式 yolo_bbox self._convert_to_yolo_format(bbox, image_size) # 写入文件class_id cx cy w h confidence line f{class_id} {yolo_bbox[0]:.6f} {yolo_bbox[1]:.6f} line f{yolo_bbox[2]:.6f} {yolo_bbox[3]:.6f} {confidence:.4f}\n f.write(line) return label_file def _draw_annotations(self, image_path: str, detections: List[Dict]) - str: 在图片上绘制检测框并保存 Args: image_path: 原始图片路径 detections: 检测结果列表 Returns: 标注图片的保存路径 # 读取图片 image cv2.imread(image_path) if image is None: print(f无法读取图片: {image_path}) return None # 绘制每个检测框 for detection in detections: bbox detection[bbox] class_name detection[class_name] confidence detection[confidence] # 转换为整数坐标 x1, y1, x2, y2 map(int, bbox) # 随机但一致的颜色基于类别名称 color_hash hash(class_name) % 256 color ( (color_hash * 37) % 256, (color_hash * 73) % 256, (color_hash * 109) % 256 ) # 绘制矩形框 cv2.rectangle(image, (x1, y1), (x2, y2), color, 2) # 绘制标签背景 label f{class_name}: {confidence:.2f} label_size cv2.getTextSize(label, cv2.FONT_HERSHEY_SIMPLEX, 0.5, 2)[0] cv2.rectangle(image, (x1, y1 - label_size[1] - 10), (x1 label_size[0], y1), color, -1) # 绘制标签文字 cv2.putText(image, label, (x1, y1 - 5), cv2.FONT_HERSHEY_SIMPLEX, 0.5, (255, 255, 255), 2) # 保存图片 base_name os.path.splitext(os.path.basename(image_path))[0] output_path os.path.join(self.images_dir, f{base_name}_annotated.jpg) cv2.imwrite(output_path, image) return output_path def _export_json_result(self, base_name: str, detection_result: Dict[str, Any]) - str: 导出JSON格式的完整结果 Args: base_name: 基础文件名 detection_result: 完整的检测结果 Returns: JSON文件路径 json_file os.path.join(self.annotations_dir, f{base_name}.json) # 准备要保存的数据 save_data { image_info: { path: detection_result[image_path], size: detection_result[image_size] }, detections: detection_result[detections], model_info: { name: detection_result.get(model_name, DAMO-YOLO-TinyNAS), inference_time: detection_result.get(inference_time, 0) }, export_time: time.time(), export_format: yolo_v5 } # 保存为JSON with open(json_file, w, encodingutf-8) as f: json.dump(save_data, f, indent2, ensure_asciiFalse) return json_file这个YOLO导出器做了几件重要的事把检测结果转换成YOLO格式并保存为文本文件在原始图片上画出检测框保存为新的图片把完整的结果保存为JSON文件方便后续分析3.3 批量处理与高级功能单个图片处理还不够我们经常需要批量处理。再来看看批量处理的实现class BatchProcessor(YOLOExporter): 批量处理器 def __init__(self, output_dir: str ./output): super().__init__(output_dir) self.processed_count 0 self.total_detections 0 def process_batch(self, detection_results: List[Dict[str, Any]], progress_callbackNone) - Dict[str, Any]: 批量处理多个检测结果 Args: detection_results: 检测结果列表 progress_callback: 进度回调函数 Returns: 批量处理统计信息 batch_result { total_images: len(detection_results), processed_images: 0, total_detections: 0, output_files: [], errors: [] } for i, result in enumerate(detection_results): try: # 处理单个图片 processed self.process(result, save_imageTrue) # 更新统计 self.processed_count 1 self.total_detections len(result[detections]) batch_result[processed_images] 1 batch_result[total_detections] len(result[detections]) batch_result[output_files].append({ image: result[image_path], label: processed.get(yolo_label_file), annotated: processed.get(annotated_image), json: processed.get(json_result_file) }) # 调用进度回调 if progress_callback: progress (i 1) / len(detection_results) * 100 progress_callback(progress, result[image_path]) except Exception as e: error_msg f处理图片 {result.get(image_path, unknown)} 时出错: {str(e)} batch_result[errors].append(error_msg) print(error_msg) # 保存批量处理摘要 self._save_batch_summary(batch_result) return batch_result def _save_batch_summary(self, batch_result: Dict[str, Any]): 保存批量处理摘要 summary_file os.path.join(self.output_dir, batch_summary.txt) with open(summary_file, w, encodingutf-8) as f: f.write( * 50 \n) f.write(批量处理摘要\n) f.write( * 50 \n\n) f.write(f处理时间: {time.strftime(%Y-%m-%d %H:%M:%S)}\n) f.write(f总图片数: {batch_result[total_images]}\n) f.write(f成功处理: {batch_result[processed_images]}\n) f.write(f总检测数: {batch_result[total_detections]}\n) f.write(f平均每张图片检测数: {batch_result[total_detections] / max(batch_result[processed_images], 1):.2f}\n\n) if batch_result[errors]: f.write(处理错误:\n) for error in batch_result[errors]: f.write(f - {error}\n) f.write(\n输出文件:\n) for file_info in batch_result[output_files][:10]: # 只显示前10个 f.write(f - {os.path.basename(file_info[image])}\n) if len(batch_result[output_files]) 10: f.write(f ... 还有 {len(batch_result[output_files]) - 10} 个文件\n) def filter_by_confidence(self, detections: List[Dict], min_confidence: float 0.3) - List[Dict]: 根据置信度过滤检测结果 Args: detections: 检测结果列表 min_confidence: 最小置信度阈值 Returns: 过滤后的检测结果 return [d for d in detections if d[confidence] min_confidence] def filter_by_class(self, detections: List[Dict], allowed_classes: List[str]) - List[Dict]: 根据类别过滤检测结果 Args: detections: 检测结果列表 allowed_classes: 允许的类别名称列表 Returns: 过滤后的检测结果 return [d for d in detections if d[class_name] in allowed_classes]批量处理器增加了几个实用功能可以一次处理多张图片支持进度回调方便在界面上显示处理进度提供了结果过滤功能可以按置信度或类别过滤生成处理摘要方便查看整体情况4. 在EagleEye中集成后处理现在我们已经有了完整的后处理模块接下来看看怎么把它集成到EagleEye中。4.1 修改EagleEye的检测流程我们需要修改EagleEye的检测函数让它支持后处理# 假设这是EagleEye原有的检测函数 def eagleeye_detect(image_path, confidence_threshold0.5): EagleEye原有的检测函数 # 这里应该是EagleEye的检测逻辑 # 为了示例我们模拟一个检测结果 import random # 模拟检测结果 result { image_path: image_path, image_size: (1920, 1080), detections: [], inference_time: random.uniform(10, 20), model_name: DAMO-YOLO-TinyNAS } # 模拟一些检测框 for i in range(random.randint(1, 5)): result[detections].append({ bbox: [ random.randint(0, 1700), random.randint(0, 900), random.randint(100, 1920), random.randint(100, 1080) ], confidence: random.uniform(0.3, 0.95), class_id: random.randint(0, 79), class_name: [person, car, dog, cat, chair][random.randint(0, 4)] }) return result # 增强版的检测函数支持后处理 def eagleeye_detect_with_postprocess(image_path, confidence_threshold0.5, post_processorNone): 支持后处理的EagleEye检测函数 Args: image_path: 图片路径 confidence_threshold: 置信度阈值 post_processor: 后处理器实例 Returns: 检测结果和后处理结果 # 1. 执行检测 detection_result eagleeye_detect(image_path, confidence_threshold) # 2. 过滤低置信度的检测结果 filtered_detections [ d for d in detection_result[detections] if d[confidence] confidence_threshold ] detection_result[detections] filtered_detections # 3. 如果有后处理器执行后处理 postprocess_result None if post_processor: postprocess_result post_processor.process(detection_result) return { detection_result: detection_result, postprocess_result: postprocess_result }4.2 创建Streamlit界面集成EagleEye使用Streamlit作为前端我们可以很方便地添加后处理功能import streamlit as st import time from pathlib import Path def main(): st.title( EagleEye - 智能目标检测系统) st.markdown(### 支持YOLO格式导出与标注回写) # 侧边栏配置 st.sidebar.header(检测配置) confidence_threshold st.sidebar.slider( 置信度阈值, min_value0.0, max_value1.0, value0.5, help调高可减少误报调低可减少漏检 ) # 后处理选项 st.sidebar.header(后处理选项) enable_postprocess st.sidebar.checkbox(启用后处理, valueTrue) export_yolo st.sidebar.checkbox(导出YOLO格式, valueTrue) save_annotated st.sidebar.checkbox(保存标注图片, valueTrue) output_dir st.sidebar.text_input(输出目录, value./eagleeye_output) # 文件上传 uploaded_file st.file_uploader( 上传图片文件, type[jpg, jpeg, png], help支持JPG、JPEG、PNG格式 ) if uploaded_file is not None: # 保存上传的文件 temp_dir Path(temp) temp_dir.mkdir(exist_okTrue) image_path temp_dir / uploaded_file.name with open(image_path, wb) as f: f.write(uploaded_file.getbuffer()) # 显示原始图片 col1, col2 st.columns(2) with col1: st.image(str(image_path), caption原始图片, use_column_widthTrue) # 执行检测 with st.spinner(正在检测中...): # 初始化后处理器 post_processor None if enable_postprocess: post_processor YOLOExporter( output_diroutput_dir, class_namesNone # 使用默认类别 ) # 执行检测和后处理 result eagleeye_detect_with_postprocess( str(image_path), confidence_thresholdconfidence_threshold, post_processorpost_processor ) # 显示检测结果 detection_result result[detection_result] postprocess_result result[postprocess_result] with col2: # 这里应该显示带检测框的图片 # 为了示例我们显示一个占位符 st.image(str(image_path), caption检测结果, use_column_widthTrue) # 显示检测统计 st.subheader(检测统计) col1, col2, col3 st.columns(3) with col1: st.metric(检测数量, len(detection_result[detections])) with col2: st.metric(推理时间, f{detection_result[inference_time]:.1f}ms) with col3: if postprocess_result: st.metric(输出文件, len(postprocess_result.get(output_files, []))) # 显示检测详情 if detection_result[detections]: st.subheader(检测详情) for i, det in enumerate(detection_result[detections]): with st.expander(f检测对象 {i1}: {det[class_name]}): st.write(f**置信度**: {det[confidence]:.2%}) st.write(f**位置**: {det[bbox]}) st.write(f**类别ID**: {det[class_id]}) # 显示后处理结果 if postprocess_result: st.subheader(后处理输出) if export_yolo and yolo_label_file in postprocess_result: st.success(f✅ YOLO标签文件已保存: {postprocess_result[yolo_label_file]}) # 显示YOLO格式内容 with st.expander(查看YOLO格式内容): try: with open(postprocess_result[yolo_label_file], r) as f: yolo_content f.read() st.code(yolo_content, languagetext) except: st.warning(无法读取YOLO文件) if save_annotated and annotated_image in postprocess_result: st.success(f✅ 标注图片已保存: {postprocess_result[annotated_image]}) # 显示标注图片 with st.expander(查看标注图片): try: st.image(postprocess_result[annotated_image], caption带标注的图片, use_column_widthTrue) except: st.warning(无法显示标注图片) if json_result_file in postprocess_result: st.info(f 完整结果JSON: {postprocess_result[json_result_file]}) # 批量处理部分 st.sidebar.header(批量处理) batch_files st.sidebar.file_uploader( 批量上传图片, type[jpg, jpeg, png], accept_multiple_filesTrue, help可同时选择多张图片进行批量处理 ) if batch_files and len(batch_files) 0: if st.sidebar.button(开始批量处理, typeprimary): with st.spinner(f正在处理 {len(batch_files)} 张图片...): # 初始化批量处理器 batch_processor BatchProcessor(output_diroutput_dir) # 准备进度显示 progress_bar st.progress(0) status_text st.empty() # 处理所有图片 all_results [] for i, uploaded_file in enumerate(batch_files): # 保存文件 temp_path temp_dir / uploaded_file.name with open(temp_path, wb) as f: f.write(uploaded_file.getbuffer()) # 执行检测 result eagleeye_detect(str(temp_path), confidence_threshold) all_results.append(result) # 更新进度 progress (i 1) / len(batch_files) progress_bar.progress(progress) status_text.text(f处理中: {i1}/{len(batch_files)} - {uploaded_file.name}) # 执行批量后处理 batch_result batch_processor.process_batch(all_results) # 显示批量处理结果 st.success(f✅ 批量处理完成) st.write(f**处理统计**:) st.write(f- 总图片数: {batch_result[total_images]}) st.write(f- 成功处理: {batch_result[processed_images]}) st.write(f- 总检测数: {batch_result[total_detections]}) if batch_result[errors]: st.warning(f**处理错误**: {len(batch_result[errors])} 个) with st.expander(查看错误详情): for error in batch_result[errors]: st.error(error) # 提供下载链接 st.info(f所有输出文件已保存到: {output_dir}) if __name__ __main__: main()这个Streamlit界面提供了单张图片检测和后处理批量图片处理实时进度显示结果预览和下载5. 实际应用示例让我们看几个具体的应用场景了解这个功能怎么用。5.1 场景一商品检测与标注假设你有一个电商网站需要自动检测商品图片中的物品# 电商商品检测示例 def ecommerce_product_detection(): 电商商品检测与标注 # 初始化处理器使用自定义类别 product_classes [ clothing, shoes, bags, accessories, electronics, books, home, beauty ] processor YOLOExporter( output_dir./ecommerce_output, class_namesproduct_classes ) # 假设这是检测结果 detection_result { image_path: product_image.jpg, image_size: (800, 600), detections: [ { bbox: [100, 150, 300, 450], confidence: 0.92, class_id: 0, # clothing class_name: clothing }, { bbox: [400, 200, 600, 400], confidence: 0.87, class_id: 4, # electronics class_name: electronics } ] } # 处理并导出 result processor.process(detection_result, save_imageTrue) print(fYOLO标签文件: {result[yolo_label_file]}) print(f标注图片: {result[annotated_image]}) print(fJSON结果: {result[json_result_file]}) # 还可以进行批量处理 batch_processor BatchProcessor(output_dir./ecommerce_batch_output) # 假设有多张图片 all_results [detection_result] * 5 # 模拟5张图片 batch_result batch_processor.process_batch(all_results) print(f批量处理完成共处理 {batch_result[processed_images]} 张图片)5.2 场景二安防监控分析在安防监控中我们可能只关心特定类别# 安防监控分析示例 def security_monitoring_analysis(): 安防监控分析 processor YOLOExporter(output_dir./security_output) # 假设这是监控摄像头的检测结果 detection_result { image_path: camera_feed_001.jpg, image_size: (1920, 1080), detections: [ {bbox: [200, 300, 400, 500], confidence: 0.95, class_id: 0, class_name: person}, {bbox: [600, 400, 800, 600], confidence: 0.82, class_id: 2, class_name: car}, {bbox: [1000, 200, 1200, 400], confidence: 0.45, class_id: 1, class_name: bicycle}, {bbox: [1400, 500, 1600, 700], confidence: 0.91, class_id: 0, class_name: person}, ] } # 只关注人和车 filtered_detections processor.filter_by_class( detection_result[detections], allowed_classes[person, car] ) # 同时过滤低置信度的 filtered_detections processor.filter_by_confidence( filtered_detections, min_confidence0.5 ) # 更新检测结果 detection_result[detections] filtered_detections # 处理并导出 result processor.process(detection_result, save_imageTrue) print(f过滤后检测到 {len(filtered_detections)} 个目标) print(f安防分析结果已保存到: {result[yolo_label_file]})5.3 场景三数据标注自动化如果你需要为机器学习项目准备训练数据# 自动化数据标注示例 def auto_data_annotation(image_folder, output_folder): 自动化数据标注流程 import glob from tqdm import tqdm # 获取所有图片 image_files glob.glob(f{image_folder}/*.jpg) \ glob.glob(f{image_folder}/*.png) \ glob.glob(f{image_folder}/*.jpeg) print(f找到 {len(image_files)} 张图片) # 初始化处理器 processor BatchProcessor(output_diroutput_folder) # 收集所有检测结果 all_results [] for image_file in tqdm(image_files, desc处理图片): try: # 这里应该是实际的检测代码 # 为了示例我们创建一个模拟结果 result { image_path: image_file, image_size: (1920, 1080), detections: [ { bbox: [100, 100, 300, 300], confidence: 0.8, class_id: 0, class_name: person } ] } all_results.append(result) except Exception as e: print(f处理 {image_file} 时出错: {e}) # 批量处理 batch_result processor.process_batch(all_results) # 生成数据集配置文件 generate_dataset_config(output_folder, image_files) return batch_result def generate_dataset_config(output_folder, image_files): 生成YOLO数据集配置文件 # 生成train.txt train_file os.path.join(output_folder, train.txt) with open(train_file, w) as f: for img_file in image_files: # 转换为相对路径 rel_path os.path.relpath(img_file, output_folder) f.write(f{rel_path}\n) # 生成data.yaml yaml_content f# YOLO数据集配置文件 path: {os.path.abspath(output_folder)} train: train.txt val: train.txt # 如果没有验证集可以用训练集代替 # 类别数量 nc: 80 # 类别名称 names: {{ 0: person, 1: bicycle, 2: car, # ... 其他类别 79: toothbrush }} yaml_file os.path.join(output_folder, data.yaml) with open(yaml_file, w) as f: f.write(yaml_content) print(f数据集配置文件已生成: {yaml_file})6. 总结通过今天的学习我们实现了一个完整的EagleEye后处理模块主要完成了以下几件事6.1 核心功能回顾YOLO格式导出把EagleEye的检测结果转换成标准的YOLO格式方便与其他工具集成标注回写在原始图片上画出检测框生成带标注的图片批量处理支持一次处理多张图片提高工作效率结果过滤可以根据置信度或类别过滤检测结果完整日志保存处理过程的详细信息方便追溯和分析6.2 实际应用价值这个功能在实际项目中非常有用数据准备为机器学习项目自动生成标注数据结果分析保存检测结果供后续统计分析系统集成标准化输出格式方便与其他系统对接质量检查通过标注图片直观检查检测效果批量处理一次性处理大量图片节省人工时间6.3 扩展建议如果你需要进一步扩展这个功能可以考虑支持更多格式除了YOLO格式还可以支持COCO、PASCAL VOC等格式添加数据增强在保存标注的同时对图片进行旋转、缩放等增强集成数据库把检测结果保存到数据库方便查询和分析添加API接口提供REST API让其他系统可以调用支持视频处理扩展功能处理视频文件逐帧保存检测结果6.4 使用建议在实际使用中我有几个建议先测试再批量先用少量图片测试确认效果后再批量处理合理设置阈值根据实际需求调整置信度阈值平衡准确率和召回率定期清理输出处理大量图片时注意定期清理输出目录避免磁盘空间不足备份原始数据处理前备份原始图片防止意外覆盖监控处理进度批量处理时添加进度显示方便了解处理状态这个后处理模块让EagleEye从一个单纯的检测工具变成了一个完整的数据处理流水线。你可以根据自己的需求进一步定制和扩展这些功能。获取更多AI镜像想探索更多AI镜像和应用场景访问 CSDN星图镜像广场提供丰富的预置镜像覆盖大模型推理、图像生成、视频生成、模型微调等多个领域支持一键部署。
