Supervision项目中的图像标注工具支持多种图像格式输入
2025-05-07 18:04:18作者:尤辰城Agatha
在计算机视觉领域,图像标注是一个基础而重要的任务。Supervision作为一个功能强大的计算机视觉工具库,近期对其图像标注功能进行了重要升级,使其能够同时支持NumPy数组和PIL图像作为输入格式,大大提升了开发者的使用体验。
背景与需求
传统上,Supervision的标注工具(如边界框标注器)仅接受NumPy数组格式的图像输入。然而,在实际开发中,许多流行的工具和框架(如Gradio、Transformers、MMDetection等)默认使用PIL库处理图像。这导致开发者在集成不同工具时需要频繁进行图像格式转换,增加了代码复杂度和出错概率。
技术实现方案
Supervision团队采用了巧妙的设计思路来解决这一问题:
- 输入格式自动识别:标注器现在能够自动检测输入图像是NumPy数组还是PIL图像对象
- 内部统一处理:无论输入格式如何,内部都统一转换为OpenCV兼容的NumPy数组进行处理
- 输出格式匹配:处理完成后,将结果转换回与输入相同的格式输出
这种设计既保持了原有OpenCV绘图的高效性,又提供了更友好的API接口。
使用示例
升级后的标注器使用起来更加简洁直观。以下是新旧使用方式的对比:
# 旧方式(需要手动转换)
image = np.array(image) # PIL转NumPy
image = cv2.cvtColor(image, cv2.COLOR_RGB2BGR) # 颜色空间转换
image = bounding_box_annotator.annotate(image, detections)
image = cv2.cvtColor(image, cv2.COLOR_BGR2RGB) # 颜色空间转换回
image = Image.fromarray(image) # NumPy转PIL
# 新方式(自动处理)
image = bounding_box_annotator.annotate(image, detections) # 直接传入PIL图像
技术细节
在实现层面,主要解决了几个关键问题:
- 颜色空间处理:OpenCV默认使用BGR格式,而PIL使用RGB格式,需要自动转换
- 内存效率:避免不必要的图像数据拷贝,保持高性能
- API一致性:确保所有标注器(边界框、掩码、标签等)都支持这一特性
影响与意义
这一改进对开发者社区带来了多重好处:
- 降低集成难度:更容易与其他流行框架配合使用
- 减少样板代码:消除重复的格式转换逻辑
- 提高代码可读性:使业务逻辑更加清晰
- 保持性能:内部仍使用优化的OpenCV实现
Supervision的这一改进体现了其对开发者体验的重视,通过精心设计的API抽象,既保持了底层的高性能,又提供了上层的易用性,是计算机视觉工具库设计的一个优秀范例。
登录后查看全文
热门项目推荐
- DDeepSeek-V3.1-BaseDeepSeek-V3.1 是一款支持思考模式与非思考模式的混合模型Python00
- QQwen-Image-Edit基于200亿参数Qwen-Image构建,Qwen-Image-Edit实现精准文本渲染与图像编辑,融合语义与外观控制能力Jinja00
GitCode-文心大模型-智源研究院AI应用开发大赛
GitCode&文心大模型&智源研究院强强联合,发起的AI应用开发大赛;总奖池8W,单人最高可得价值3W奖励。快来参加吧~050CommonUtilLibrary
快速开发工具类收集,史上最全的开发工具类,欢迎Follow、Fork、StarJava04GitCode百大开源项目
GitCode百大计划旨在表彰GitCode平台上积极推动项目社区化,拥有广泛影响力的G-Star项目,入选项目不仅代表了GitCode开源生态的蓬勃发展,也反映了当下开源行业的发展趋势。06GOT-OCR-2.0-hf
阶跃星辰StepFun推出的GOT-OCR-2.0-hf是一款强大的多语言OCR开源模型,支持从普通文档到复杂场景的文字识别。它能精准处理表格、图表、数学公式、几何图形甚至乐谱等特殊内容,输出结果可通过第三方工具渲染成多种格式。模型支持1024×1024高分辨率输入,具备多页批量处理、动态分块识别和交互式区域选择等创新功能,用户可通过坐标或颜色指定识别区域。基于Apache 2.0协议开源,提供Hugging Face演示和完整代码,适用于学术研究到工业应用的广泛场景,为OCR领域带来突破性解决方案。00openHiTLS
旨在打造算法先进、性能卓越、高效敏捷、安全可靠的密码套件,通过轻量级、可剪裁的软件技术架构满足各行业不同场景的多样化要求,让密码技术应用更简单,同时探索后量子等先进算法创新实践,构建密码前沿技术底座!C0302- WWan2.2-S2V-14B【Wan2.2 全新发布|更强画质,更快生成】新一代视频生成模型 Wan2.2,创新采用MoE架构,实现电影级美学与复杂运动控制,支持720P高清文本/图像生成视频,消费级显卡即可流畅运行,性能达业界领先水平Python00
- GGLM-4.5-AirGLM-4.5 系列模型是专为智能体设计的基础模型。GLM-4.5拥有 3550 亿总参数量,其中 320 亿活跃参数;GLM-4.5-Air采用更紧凑的设计,拥有 1060 亿总参数量,其中 120 亿活跃参数。GLM-4.5模型统一了推理、编码和智能体能力,以满足智能体应用的复杂需求Jinja00
Yi-Coder
Yi Coder 编程模型,小而强大的编程助手HTML013
热门内容推荐
最新内容推荐
项目优选
收起

React Native鸿蒙化仓库
C++
178
262

🎉 (RuoYi)官方仓库 基于SpringBoot,Spring Security,JWT,Vue3 & Vite、Element Plus 的前后端分离权限管理系统
Vue
866
513

🔥🔥🔥ShopXO企业级免费开源商城系统,可视化DIY拖拽装修、包含PC、H5、多端小程序(微信+支付宝+百度+头条&抖音+QQ+快手)、APP、多仓库、多商户、多门店、IM客服、进销存,遵循MIT开源协议发布、基于ThinkPHP8框架研发
JavaScript
93
15

openGauss kernel ~ openGauss is an open source relational database management system
C++
129
183

旨在打造算法先进、性能卓越、高效敏捷、安全可靠的密码套件,通过轻量级、可剪裁的软件技术架构满足各行业不同场景的多样化要求,让密码技术应用更简单,同时探索后量子等先进算法创新实践,构建密码前沿技术底座!
C
261
302

deepin linux kernel
C
22
5

🍒 Cherry Studio 是一款支持多个 LLM 提供商的桌面客户端
TypeScript
598
57

为仓颉编程语言开发者打造活跃、开放、高质量的社区环境
Markdown
1.07 K
0

本仓将收集和展示仓颉鸿蒙应用示例代码,欢迎大家投稿,在仓颉鸿蒙社区展现你的妙趣设计!
Cangjie
398
371

本仓将收集和展示高质量的仓颉示例代码,欢迎大家投稿,让全世界看到您的妙趣设计,也让更多人通过您的编码理解和喜爱仓颉语言。
Cangjie
332
1.08 K