Visualización de bounding boxes en el dataset de object detection

Detección de objetos

Mario Alexander Vargas Celis

student

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.


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:

&#x20;   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']:

&#x20;   if ann\['image\_id'] == image\_id:

&#x20;       bbox = ann\['bbox']  # Formato \[x\_min, y\_min, ancho, alto]

&#x20;       rect = patches.Rectangle(

&#x20;           (bbox\[0], bbox\[1]), bbox\[2], bbox\[3], linewidth=2, edgecolor='r', facecolor='none'

&#x20;       )

&#x20;       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.

Introducción a Computer Vision

¿Qué es la visión computarizada y cuáles son sus tipos?

Detección de objetos

Introducción a object detection: sliding window y bounding box

Generando video de sliding window

Introducción a object detection: backbone, non-max suppression y métricas

Visualización de IoU en object detection

Tipos de arquitecturas en detección de objetos

Arquitecturas relevantes en object detection

Utilizando un dataset de object detection

Carga de dataset de object detection

Exploración del dataset de object detection

Visualización de bounding boxes en el dataset de object detection

Aumentado de datos con Albumentation

Implementando Albumentation en object detection

Visualizando imágenes con aumentado de datos

Utilizando un modelo de object detection pre-entrenado

Probar detección de objetos con modelo pre-entrenado

Fine-tuning en detección de objetos

Fine-tuning en detección de objetos: carga de datos

Fine-tuning en detección de objetos: data augmentation

Fine-tuning en detección de objetos: entrenamiento

Fine-tuning en detección de objetos: visualización de objetos

Segmentación de objetos

Introduciendo la segmentación de objetos

Tipos de segmentación y sus arquitecturas relevantes

¿Cómo es un dataset de segmentación?

Utilizando un dataset de segmentación de objetos

Visualización de nuestro dataset de segmentación

Creando red neuronal U-Net para segmentación

Entrenando y estudiando una red de segmentación

Generando predicciones con modelo de object segmentation

Un paso más allá

El estado de la cuestión en computer vision

Comparte tu proyecto de detección y segmentación de objetos para conducción autónoma y certifícate