|
|
@@ -111,8 +111,7 @@ class Predictor:
|
|
|
""" 对图像做预处理
|
|
|
|
|
|
Args:
|
|
|
- image(str|np.ndarray): 图像路径;或者是解码后的排列格式为(H, W, C)且类型为float32且为BGR格式的数组。
|
|
|
- 或者是对数(元)组中的图像同时进行预测,数组中的元素可以是图像路径,也可以是解码后的排列格式为(H,W,C)
|
|
|
+ image(list|tuple): 数组中的元素可以是图像路径,也可以是解码后的排列格式为(H,W,C)
|
|
|
且类型为float32且为BGR格式的数组。
|
|
|
"""
|
|
|
res = dict()
|
|
|
@@ -161,6 +160,16 @@ class Predictor:
|
|
|
batch_size=1,
|
|
|
im_shape=None,
|
|
|
im_info=None):
|
|
|
+ """ 对预测结果做后处理
|
|
|
+
|
|
|
+ Args:
|
|
|
+ results (list): 预测结果
|
|
|
+ topk (int): 分类预测时前k个最大值
|
|
|
+ batch_size (int): 预测时图像批量大小
|
|
|
+ im_shape (list): MaskRCNN的图像输入大小
|
|
|
+ im_info (list):RCNN系列和分割网络的原图大小
|
|
|
+ """
|
|
|
+
|
|
|
def offset_to_lengths(lod):
|
|
|
offset = lod[0]
|
|
|
lengths = [
|
|
|
@@ -219,9 +228,7 @@ class Predictor:
|
|
|
""" 图片预测
|
|
|
|
|
|
Args:
|
|
|
- image(str|np.ndarray|list|tuple): 图像路径;或者是解码后的排列格式为(H, W, C)且类型为float32且为BGR格式的数组。
|
|
|
- 或者是对数(元)组中的图像同时进行预测,数组中的元素可以是图像路径,也可以是解码后的排列格式为(H,W,C)
|
|
|
- 且类型为float32且为BGR格式的数组。
|
|
|
+ image(str|np.ndarray): 图像路径;或者是解码后的排列格式为(H, W, C)且类型为float32且为BGR格式的数组。
|
|
|
topk(int): 分类预测时使用,表示预测前topk的结果
|
|
|
"""
|
|
|
preprocessed_input = self.preprocess([image])
|
|
|
@@ -243,9 +250,10 @@ class Predictor:
|
|
|
""" 图片预测
|
|
|
|
|
|
Args:
|
|
|
- image(str|np.ndarray|list|tuple): 图像路径;或者是解码后的排列格式为(H, W, C)且类型为float32且为BGR格式的数组。
|
|
|
- 或者是对数(元)组中的图像同时进行预测,数组中的元素可以是图像路径,也可以是解码后的排列格式为(H,W,C)
|
|
|
- 且类型为float32且为BGR格式的数组。
|
|
|
+ image_list(list|tuple): 对列表(或元组)中的图像同时进行预测,列表中的元素可以是图像路径
|
|
|
+ 也可以是解码后的排列格式为(H,W,C)且类型为float32且为BGR格式的数组。
|
|
|
+ thread_num (int): 并发执行各图像预处理时的线程数。
|
|
|
+
|
|
|
topk(int): 分类预测时使用,表示预测前topk的结果
|
|
|
"""
|
|
|
preprocessed_input = self.preprocess(image_list)
|