# scrfd

Python API: `depthai_nodes.node.parsers.utils.scrfd`

## 函数

### compute_anchor_centers

```python
def compute_anchor_centers(strides: list[int], input_size: tuple[int, int], num_anchors: int) -> dict[int, np.ndarray]:
```

计算给定步幅列表、输入大小和锚点数量的锚点中心。

参数

 * `strides` (`list[int]`): 步幅列表。
 * `input_size` (`tuple[int, int]`): 输入大小。
 * `num_anchors` (`int`): 锚点数量。

返回

 * `dict[int, np.ndarray]`: 锚点中心的字典。

### compute_scrfd_detections

```python
def compute_scrfd_detections(*, bboxes_concatenated: list[np.ndarray], scores_concatenated: list[np.ndarray], kps_concatenated: list[np.ndarray], feat_stride_fpn: tuple[int, ...] | list[int], input_size: tuple[int, int], num_anchors: int, score_threshold: float, nms_threshold: float, anchors: dict[int, np.ndarray], label_names: list[str] | None = None) -> tuple[np.ndarray, np.ndarray, np.ndarray, np.ndarray, list[str] | None]:
```

将 SCRFD 头解码为归一化人脸检测。

参数

 * `bboxes_concatenated` (`list[np.ndarray]`): 按特征金字塔步幅排序的边界框距离张量。
 * `scores_concatenated` (`list[np.ndarray]`): 按特征金字塔步幅排序的置信度张量。
 * `kps_concatenated` (`list[np.ndarray]`): 按特征金字塔步幅排序的关键点偏移张量。
 * `feat_stride_fpn` (`tuple[int, ...] | list[int]`): 与张量列表对应的特征金字塔步幅。
 * `input_size` (`tuple[int, int]`): 模型输入大小，格式为 `(width, height)`。
 * `num_anchors` (`int`): 每个特征图位置的锚点数量。
 * `score_threshold` (`float`): 最小人脸置信度。
 * `nms_threshold` (`float`): 用于抑制的交并比阈值。
 * `anchors` (`dict[int, np.ndarray]`): 从每个特征步幅到其预计算锚点中心的映射。
 * `label_names` (`list[str] | None`): 可选的类名查找，按预测的类 ID 索引。

返回

 * `tuple[np.ndarray, np.ndarray, np.ndarray, np.ndarray, list[str] | None]`: 归一化的中心-XY/宽度/高度框、分数、关键点、零值人脸类 ID 和可选的映射类名。

### decode_scrfd

```python
def decode_scrfd(bboxes_concatenated, scores_concatenated, kps_concatenated, feat_stride_fpn, input_size, num_anchors, score_threshold, nms_threshold, anchors):
```

解码 SCRFD 的检测结果。

参数

 * `bboxes_concatenated` (`list[np.ndarray]`): 每个尺度的边界框预测列表。
 * `scores_concatenated` (`list[np.ndarray]`): 每个尺度的置信度分数预测列表。
 * `kps_concatenated` (`list[np.ndarray]`): 每个尺度的关键点预测列表。
 * `feat_stride_fpn` (`list[int]`): 每个尺度的特征步幅列表。
 * `input_size` (`tuple[int]`): 模型的输入大小。
 * `num_anchors` (`int`): 锚点数量。
 * `score_threshold` (`float`): 置信度分数阈值。
 * `nms_threshold` (`float`): 非极大值抑制阈值。
 * `anchors` (`dict[int, np.ndarray]`): 锚点字典。

返回

 * `tuple[np.ndarray, np.ndarray, np.ndarray]`: * 检测到的对象的边界框、置信度分数和关键点。

### distance2bbox

```python
def distance2bbox(points, distance, max_shape=None):
```

将距离预测解码为边界框。

参数

 * `points` (`np.ndarray`): 形状为 (n, 2)，[x, y]。
 * `distance` (`np.ndarray`): 从给定点到 4 个边界（左、上、右、下）的距离。
 * `max_shape` (`tuple[int, int]`): 图像的形状。

返回

 * `np.ndarray`: 解码后的边界框。

### distance2kps

```python
def distance2kps(points, distance, max_shape=None):
```

将距离预测解码为关键点。

参数

 * `points` (`np.ndarray`): 形状为 (n, 2)，[x, y]。
 * `distance` (`np.ndarray`): 从给定点到 4 个边界（左、上、右、下）的距离。
 * `max_shape` (`tuple[int, int]`): 图像的形状。

返回

 * `np.ndarray`: 解码后的关键点。
