Visualización de bounding boxes en el dataset de object detection

Aqui una alternativa para mostrar todos los bounding boxes:

Primero definamos un diccionario con todas las classes:

CLASS_LABELS = {
    1: "Cars",
    2: "Truck",
    3: "Pedestrian",
    4: "Bicyclist",
    5: "Light"
}

Luego modificamos los gt_boxes para incluir los labels de las classes:

y_val, x_val, _ = np.array(img).shape
gt_boxes = {}
for idx, row in df_train.iterrows():
    bbox = np.array(
        [
            [
                row["ymin"] / y_val,
                row["xmin"] / x_val,
                row["ymax"] / y_val,
                row["xmax"] / x_val,
            ]
        ],
        dtype=np.float32,
    )
    frame = row["frame"]
    label = row["class_id"]
    if frame in gt_boxes:
        gt_boxes[frame] = {
            "boxes": np.append(gt_boxes[frame]["boxes"], np.array(bbox), axis=0),
            "id": np.append(gt_boxes[frame]["id"], np.array([label]), axis=0)
        }
    else:
        gt_boxes[frame] = {"boxes": np.array(bbox), "id": np.array([label])}

Tambien debemos modificar el diccionario category_index:

category_index = {i: {"id": i, "name": k} for i, k in CLASS_LABELS.items()}

Por ultimo, modificamos el código que nos permite visualizar las imagenes con los boxes:

num_examples = 20
idx = 0

plt.figure(figsize=(30, 30))
for key, value in islice(gt_boxes.items(), num_examples):
    boxes = value["boxes"]
    labels = value["id"]
    im = np.array(Image.open(my_path + key))
    dummy_scores = np.ones(shape=[boxes.shape[0]], dtype=np.float32)
    plt.subplot(4, 5, idx + 1)
    plot_detections(
        im,
        boxes,
        labels,
        dummy_scores,
        category_index
    )
    idx += 1

plt.show()

Para visualizar las \*bounding boxes\* en un dataset de detección de objetos, necesitas cargar las imágenes junto con sus anotaciones y superponer las cajas sobre las imágenes. Aquí tienes un ejemplo general de cómo hacerlo en Python usando `matplotlib` y `PIL`: \### Paso a paso para la visualización 1\. \*\*Cargar las imágenes y las anotaciones\*\*: Dependiendo del dataset, las anotaciones pueden estar en diferentes formatos (JSON para COCO, XML para PASCAL VOC, etc.). 2\. \*\*Dibujar las \*bounding boxes\* en las imágenes\*\*: Usar `matplotlib.patches.Rectangle` para superponer las cajas en las imágenes. \### Ejemplo de código para visualizar \*bounding boxes\* Este ejemplo asume que tienes un archivo JSON con anotaciones (como en el formato COCO) y que las imágenes están en una carpeta. ```python import json import matplotlib.pyplot as plt import matplotlib.patches as patches from PIL import Image \# Ruta del archivo de anotaciones y de las imágenes annotations\_path = 'path/to/annotations.json' images\_path = 'path/to/images/' \# Cargar archivo de anotaciones with open(annotations\_path, 'r') as f: annotations = json.load(f) \# Diccionario para mapear IDs de imágenes a rutas image\_id\_to\_path = {img\['id']: img\['file\_name'] for img in annotations\['images']} \# Visualizar una imagen con sus anotaciones de \*bounding boxes\* image\_id = annotations\['annotations']\[0]\['image\_id'] # ID de ejemplo image\_file = image\_id\_to\_path\[image\_id] image\_path = images\_path + image\_file \# Cargar la imagen image = Image.open(image\_path) \# Dibujar la imagen y las cajas fig, ax = plt.subplots(figsize=(12, 12)) ax.imshow(image) \# Agregar las \*bounding boxes\* for ann in annotations\['annotations']: if ann\['image\_id'] == image\_id: bbox = ann\['bbox'] # Formato \[x\_min, y\_min, ancho, alto] rect = patches.Rectangle( (bbox\[0], bbox\[1]), bbox\[2], bbox\[3], linewidth=2, edgecolor='r', facecolor='none' ) ax.add\_patch(rect) plt.show() ``` \### Explicación de las anotaciones \- \*\*COCO\*\*: Las cajas están en el formato `\[x\_min, y\_min, width, height]`. \- \*\*PASCAL VOC\*\*: Generalmente usan `\[x\_min, y\_min, x\_max, y\_max]`, por lo que deberías adaptar el código para calcular el ancho y alto si es necesario. \### Personalización \- \*\*Colores\*\*: Puedes cambiar el color de las cajas con `edgecolor`. \- \*\*Etiquetas\*\*: Puedes agregar texto a las cajas para mostrar la clase de cada objeto usando `ax.text`. \### Visualización mejorada Si trabajas con imágenes grandes o muchas cajas, considera agregar una leyenda o ajustar la transparencia (`alpha`) de las cajas para facilitar la visualización. Este método es útil para verificar visualmente si las anotaciones están correctamente alineadas con los objetos en las imágenes antes de entrenar un modelo de detección de objetos.

Me arroja el error *" 'float' object is not iterable"* al usar la **función plot\_detections** y no me permite visualizar.