Visualización de nuestro dataset de segmentación

Para visualizar un dataset de segmentación, generalmente se superponen las máscaras de segmentación sobre las imágenes originales para obtener una visión clara de cómo se etiquetan y segmentan los objetos. Aquí tienes algunos pasos y un ejemplo de código en Python usando `matplotlib` para visualizar las imágenes y las máscaras. \### Pasos para Visualizar el Dataset de Segmentación 1\. \*\*Cargar la Imagen y la Máscara\*\*: Extrae una imagen y su máscara correspondiente del dataset. 2\. \*\*Convertir la Máscara a Color (opcional)\*\*: Las máscaras suelen ser en escala de grises, donde cada píxel representa una clase en el rango 0, 1, 2, etc. Podemos convertir esta máscara en una versión en color para que sea más visualmente intuitiva. 3\. \*\*Superponer la Máscara sobre la Imagen\*\*: Usualmente se combinan la imagen original y la máscara para ver cómo se alinean los objetos con las etiquetas de segmentación. 4\. \*\*Mostrar las Imágenes con Matplotlib\*\*: Visualiza la imagen original y la superposición de la máscara para tener una visión clara de las etiquetas. \### Ejemplo de Código en Python para Visualización Aquí hay un código en Python que carga una imagen y su máscara, y las muestra usando `matplotlib`. ```python import matplotlib.pyplot as plt import numpy as np from PIL import Image import random def visualize\_segmentation(image\_path, mask\_path): \# Cargar la imagen y la máscara image = Image.open(image\_path).convert("RGB") mask = Image.open(mask\_path) \# Convertir la máscara a un array de NumPy mask\_np = np.array(mask) \# Opcional: Crear una versión en color de la máscara para visualización num\_classes = mask\_np.max() + 1 # Asumiendo que las clases están en 0, 1, 2, etc. colors = plt.cm.get\_cmap("hsv", num\_classes) # Crear un mapa de color mask\_color = colors(mask\_np / num\_classes)\[:, :, :3] # Normalizar y aplicar el mapa \# Mostrar la imagen original, la máscara y la superposición plt.figure(figsize=(15, 5)) plt.subplot(1, 3, 1) plt.imshow(image) plt.title("Imagen Original") plt.axis("off") plt.subplot(1, 3, 2) plt.imshow(mask, cmap="gray") plt.title("Máscara de Segmentación") plt.axis("off") plt.subplot(1, 3, 3) plt.imshow(image) plt.imshow(mask\_color, alpha=0.5) # Superponer la máscara en color plt.title("Superposición de Imagen y Máscara") plt.axis("off") plt.tight\_layout() plt.show() \# Ejemplo de uso image\_path = "ruta/a/imagen.jpg" # Cambia a la ruta de tu imagen mask\_path = "ruta/a/mascara.png" # Cambia a la ruta de tu máscara visualize\_segmentation(image\_path, mask\_path) ``` \### Explicación del Código \- \*\*Carga de Imagen y Máscara\*\*: Cargamos la imagen y la máscara usando `PIL`. \- \*\*Colorización de la Máscara\*\*: Para convertir la máscara a color, aplicamos un mapa de color basado en el número de clases. Esto puede hacerse usando `plt.cm.get\_cmap()`. \- \*\*Visualización en `matplotlib`\*\*: Mostramos tres gráficos: la imagen original, la máscara en escala de grises, y la superposición de ambas, lo que ayuda a ver cómo se alinean las etiquetas en la imagen. \--- \### Tips para la Visualización \- \*\*Máscaras Transparentes\*\*: Ajusta la transparencia (`alpha`) para ver mejor la superposición de la máscara sobre la imagen. \- \*\*Escala de Colores Personalizada\*\*: Si tienes clases específicas, puedes definir una paleta de colores única para cada clase en lugar de usar un mapa de colores genérico. \- \*\*Aumentar la Resolución\*\*: Configura `plt.figure(figsize=(15, 5))` según el tamaño que quieras para la visualización. Esta técnica te permitirá ver cómo el modelo puede estar interpretando el dataset y ajustar en caso de que los resultados de segmentación no se alineen correctamente.