base_visualizer
最后更新
luxonis_train.attached_modules.visualizers.base_visualizer所有可视化器继承的基类。类
BaseVisualizer
方法
init
Python
1def __init__(*args, scale: float = 1.0, **kwargs):*args: 转发到 BaseAttachedModule 的位置参数。scale(float): run 在调用 forward 之前,使用 scale_canvas 对两个画布应用的因子。默认为1.0。**kwargs: 转发到 BaseAttachedModule 的关键字参数,例如node。
forward
Python
1def forward(target_canvas: Tensor, prediction_canvas: Tensor, *args: Unpack[Ts]) -> Tensor | tuple[Tensor, Tensor] | tuple[Tensor, list[Tensor]] | list[Tensor]:- 一个图像,如 ClassificationVisualizer 在
include_plot为False时所做。 - 一个
(labels, predictions)元组,包含两个图像,如 BBoxVisualizer 所做。 - 一个包含标签图像和图像列表的元组。
- 一个不相关的图像列表。
target_canvas(Tensor): 用于绘制标签的图像,形状为[B, 3, H, W]。prediction_canvas(Tensor): 用于绘制预测的图像,形状为[B, 3, H, W]。*args(Unpack[Ts]): run 从实现的参数名称解析的预测和标签。
Tensor | tuple[Tensor, Tensor] | tuple[Tensor, list[Tensor]] | list[Tensor]: 可视化结果,以上述四种形式之一。
run
Python
1def run(prediction_canvas: Tensor, target_canvas: Tensor, inputs: Packet[Tensor], labels: Labels | None) -> Tensor | tuple[Tensor, Tensor] | tuple[Tensor, list[Tensor]]:prediction_canvas(Tensor): 用于绘制预测的图像,形状为[B, 3, H, W]。target_canvas(Tensor): 用于绘制标签的图像,形状为[B, 3, H, W]。inputs(Packet[Tensor]): 节点的输出包。labels(Labels | None): 批次的标签,键为<task_name>/<label>,如果批次没有标签则为None。然后,每个可选的target参数接收None,而必需的参数则会引发RuntimeError。
Tensor | tuple[Tensor, Tensor] | tuple[Tensor, list[Tensor]]: forward 的返回值。
scale_canvas
Python
1def scale_canvas(canvas: Tensor, scale: float = 1.0) -> Tensor:示例
Pycon
1>>> import torch
2>>> canvas = torch.zeros(1, 3, 4, 6)
3>>> BaseVisualizer.scale_canvas(canvas, scale=0.5).shape
4torch.Size([1, 3, 2, 3])
5>>> BaseVisualizer.scale_canvas(canvas, scale=2.0).shape
6torch.Size([1, 3, 8, 12])canvas(Tensor): 形状为[B, C, H, W]的图像。scale(float): 高度和宽度的乘数。默认为1.0。
Tensor: 形状为[B, C, floor(H * scale), floor(W * scale)]的图像。
属性
colormap
ColorMap,为每个标签提供独特的 RGB 颜色。该映射在首次访问标签时分配颜色,并在之后返回相同的颜色。此属性在首次访问时创建映射并缓存它。