yolov8绘制边界框

### 实现YOLOv8检测结果可视化的方案 为了实现在YOLOv8中的检测框绘制，通常会利用Python图像处理库Pillow或者OpenCV来完成这一操作。下面提供了一种基于OpenCV的方式，在获取预测结果之后，通过遍历这些结果并调用`cv2.rectangle()`函数在原始图片上画出矩形边界[^1]。 对于YOLOv8而言，假定已经得到了模型推理的结果列表，其中包含了每个物体的位置坐标（左上角x, 左上角y, 宽度w, 高度h）、类别以及置信度分数等信息。那么可以按照如下方式编写代码： ```python import cv2 from ultralytics import YOLO def draw_boxes(image_path, results): img = cv2.imread(image_path) for result in results: box = result.boxes.xywh.cpu().numpy()[0] # 获取单个box的信息 (center_x, center_y, width, height) top_left_corner = int(box[0] - box[2]/2), int(box[1] - box[3]/2) # 计算左上角位置 bottom_right_corner = int(top_left_corner[0]+box[2]), int(top_left_corner[1]+box[3]) # 右下角 label = f'{result.names[int(result.cls)]} {float(result.conf):.2f}' # 类别名称加上概率值作为标签文字 color = tuple(map(int, [255 * c for c in np.random.rand(3)])) # 随机颜色用于不同类别的区分显示 thickness = 2 # 边界线宽度设置为2像素 # 绘制边框 cv2.rectangle(img, top_left_corner, bottom_right_corner, color=color, thickness=thickness) # 添加文本描述 font_scale = 0.5 text_size = cv2.getTextSize(label, cv2.FONT_HERSHEY_SIMPLEX, font_scale, thickness)[0] text_origin = max(0, top_left_corner[0]), min(img.shape[0], top_left_corner[1]-text_size[1]) cv2.putText(img, label, org=text_origin, fontFace=cv2.FONT_HERSHEY_SIMPLEX, fontScale=font_scale, color=(255, 255, 255), lineType=cv2.LINE_AA, thickness=thickness//2) output_image_file = 'output_with_boxes.jpg' cv2.imwrite(output_image_file, img) model = YOLO('path/to/yolov8_model') # 加载预训练好的YOLOv8模型 results = model.predict(source='image_or_video_source', save=False, show_labels=True) # 执行预测得到结果对象 draw_boxes('input_image.jpg', results) # 调用自定义方法绘制边界框 ``` 上述脚本实现了读取输入图像文件、加载YOLOv8模型执行预测，并最终将带有标注的图像保存至指定路径的功能。值得注意的是，这里假设了`results`变量中存储着由YOLOv8返回的标准格式的数据结构；实际应用时可能需要根据具体API文档调整访问字段的方式[^2]。

### 实现YOLOv9中的边界框绘制 在YOLOv9中，边界框的绘制通常是在完成对象检测之后的一个可视化步骤。为了实现这一功能，可以利用Python及其库如OpenCV来处理图像并绘制矩形框表示检测到的对象位置[^1]。 下面是一个简单的例子展示如何读取一张图片并通过已训练好的YOLOv9模型预测物体的位置信息，最后将这些位置作为参数调用`cv2.rectangle()`函数画出边框： ```python import cv2 from yolov9 import YOLOv9 # 假设这是加载YOLOv9的方式 # 初始化YOLOv9模型实例 model = YOLOv9('path_to_yolov9_weights', 'path_to_cfg_file') image_path = "test_image.jpg" img = cv2.imread(image_path) # 使用YOLOv9进行推理得到检测结果 detections = model.detect(img) for detection in detections: label, confidence, bbox = detection['class'], detection['confidence'], detection['bbox'] # 解析边界框坐标(x_min,y_min,x_max,y_max) x_min, y_min, x_max, y_max = int(bbox[0]), int(bbox[1]), int(bbox[2]), int(bbox[3]) # 绘制边界框以及标签文字 color = (0, 255, 0) # 设置颜色为绿色 font = cv2.FONT_HERSHEY_SIMPLEX img_with_boxes = cv2.rectangle(img, (x_min, y_min), (x_max, y_max), color, thickness=2) text_size = cv2.getTextSize(f"{label}: {confidence:.2f}", font, 0.5, 1)[0] img_with_boxes = cv2.rectangle(img, (x_min, y_min - text_size[1] - 4), (x_min + text_size[0], y_min), color, -1) img_with_boxes = cv2.putText(img_with_boxes, f"{label}: {confidence:.2f}", (x_min, y_min - 2), font, 0.5, (0, 0, 0), 1, lineType=cv2.LINE_AA) # 显示带有标注后的图像 cv2.imshow("Image with Bounding Boxes", img_with_boxes) cv2.waitKey(0) cv2.destroyAllWindows() ``` 上述代码片段展示了从加载预训练权重文件创建YOLOv9模型开始直到最终显示含有边界框标记的结果图的过程。注意这里的路径需要替换为实际存在的配置文件和权重文件路径。