| 窗口程序集名 | 保 留 | 保 留 | 备 注 |
| 程序集1 | | | |
| 变量名 | 类 型 | 数组 | 备 注 |
| 置信度阈值 | 小数型 | |
| 分数阈值 | 小数型 | |
| 非极大值抑制阈值 | 小数型 | |
| 输入高 | 整数型 | |
| 输入宽 | 整数型 | |
分数阈值 ＝ 0.25
置信度阈值 ＝ 0.45
非极大值抑制阈值 ＝ 0.5
输入高 ＝ 1024
输入宽 ＝ 1024
旋转目标检测 (“D:\新建文件夹\train\yolo11n-obb.onnx”,
“C:\Users\Administrator\Desktop\plane.png”,
真)返回 (0
) |
| 旋转目标检测 | | |
|
| 模型路径 | 文本型 | | | |
图片路径 | 文本型 | | | | 是否填充为正方形 | 逻辑型 | | | |
| 变量名 | 类 型 | 静态 | 数组 | 备 注 |
| YOLO网络 | 神经网络类 | | |
| 输出层名称数组 | 数组容器 | | |
| 图片 | 数据矩阵类 | | |
| 拷贝图 | 数据矩阵类 | | |
| 数据块 | 数据矩阵类 | | |
| 张量数组 | 数组容器 | | |
YOLO网络 ＝
视觉_从ONNX读取网络 (模型路径
)输出层名称数组 ＝ YOLO网络.
获取未连接输出层名称 () 图片 ＝
视觉_图像读取 (图片路径,
#读图_彩色 )
如果真 (图片.
空 ())
视觉_控制台输出 (“无法打开或找到图像 :%T”, 图片路径
)返回 ()拷贝图 ＝ 图片.克隆 ()如果真 (是否填充为正方形
且 输入高 ＝ 输入宽
)拷贝图 ＝
填充为正方形 (拷贝图
)数据块 ＝ 视觉_从图像创建数据块 (拷贝图, 1 ÷ 255, 尺寸整数 (输入宽, 输入高), 标量 (0, 0, 0), 真, 假, 5)YOLO网络.
设置输入 (数据块,
“”, 1,
标量 ())
YOLO网络.
前向传播V (张量数组, 输出层名称数组
)后期处理 (图片, 拷贝图.
尺寸整型 (), 张量数组, YOLO网络, 15
)视觉_显示图像 (“小白鼠YOLO11 OBB”, 图片
)视觉_等待按键 (0
)|
| 后期处理 | | |
|
| 图片 | 数据矩阵类 | | | |
输入尺寸 | 尺寸整型结构 | | | | 张量数组 | 数组容器 | | | | YOLO网络 | 神经网络类 | | | | 类数 | 整数型 | | | |
| 变量名 | 类 型 | 静态 | 数组 | 备 注 |
| 缩放因子X | 小数型 | | |
| 缩放因子Y | 小数型 | | |
| 置信度数组 | 数组容器 | | |
| 目标类别ID数组 | 数组容器 | | |
| 边界框数组 | 数组容器 | | |
| 边界框数顶点二维数组 | 数组容器 | | |
| 边界框数顶点数组 | 数组容器 | | |
| 检测框数 | 整数型 | | |
| 属性数 | 整数型 | | |
| 二维矩阵 | 数据矩阵类 | | |
| 数据指针 | 小数型指针类 | | |
| i | 整数型 | | |
| 类别分数 | 小数型指针类 | | |
| 分数 | 数据矩阵类 | | |
| 类最大分数位置 | 坐标二维整型结构 | | |
| 类最小分数位置 | 坐标二维整型结构 | | |
| 类最大分数 | 双精度小数型 | | |
| 类最小分数 | 双精度小数型 | | |
| 横坐标 | 小数型 | | |
| 纵坐标 | 小数型 | | |
| 宽 | 小数型 | | |
| 高 | 小数型 | | |
| 角度 | 小数型 | | |
| 余弦值 | 小数型 | | |
| 正弦值 | 小数型 | | |
| 高旋转量 | 坐标二维小数型结构 | | |
| 宽旋转量 | 坐标二维小数型结构 | | |
| 顶点坐标 | 坐标二维小数型结构 | | |
| 检测框的索引 | 数组容器 | | |
| 索引 | 整数型 | | |
缩放因子X ＝ 输入尺寸.宽 ÷ 输入宽
缩放因子Y ＝ 输入尺寸.高 ÷ 输入高
检测框数 ＝ 张量数组.
取数据矩阵类 (1
).
尺寸属性 (2
)属性数 ＝ 张量数组.
取数据矩阵类 (1
).
尺寸属性 (1
) 二维矩阵 ＝ 张量数组.
取数据矩阵类 (1
).
重塑 (1, 属性数
) 视觉_转置 (二维矩阵, 二维矩阵
) 数据指针.指针 ＝ 二维矩阵.数据指针
计次循环首 (检测框数, i
) 类别分数.指针 ＝ 数据指针.指针
类别分数.
偏移 (4
) 分数.
初始化指针 (1, 类数,
#矩阵_单通道小数型, 类别分数.指针
) 视觉_最小最大位置 (分数, 类最小分数, 类最大分数, 类最小分数位置, 类最大分数位置,
) 如果真 (类最大分数 ＞ 置信度阈值
) 置信度数组.
加入小数型 (类最大分数
)目标类别ID数组.
加入整数型 (类最大分数位置.横坐标
) 横坐标 ＝ 数据指针.
读 (0
) × 缩放因子X
纵坐标 ＝ 数据指针.
读 (1
) × 缩放因子Y
宽 ＝ 数据指针.
读 (2
) × 缩放因子X
高 ＝ 数据指针.
读 (3
) × 缩放因子Y
角度 ＝ 数据指针.
读 (19
) 余弦值 ＝
求余弦 (角度
)正弦值 ＝
求正弦 (角度
) 宽旋转量.
初始化 (宽 ÷ 2 × 余弦值, 宽 ÷ 2 × 正弦值
)高旋转量.
初始化 (－高 ÷ 2 × 正弦值, 高 ÷ 2 × 余弦值
) 顶点坐标.
初始化 (横坐标, 纵坐标
)边界框数顶点数组.
清空 ()边界框数顶点数组.
加入坐标二维小数型结构 (顶点坐标.
加 (宽旋转量
).
加 (高旋转量
))
边界框数顶点数组.
加入坐标二维小数型结构 (顶点坐标.
加 (宽旋转量
).
减 (高旋转量
))
边界框数顶点数组.
加入坐标二维小数型结构 (顶点坐标.
减 (宽旋转量
).
减 (高旋转量
))
边界框数顶点数组.
加入坐标二维小数型结构 (顶点坐标.
减 (宽旋转量
).
加 (高旋转量
))
边界框数组.
加入旋转矩形类 (旋转矩形P (边界框数顶点数组.
取坐标二维小数型结构 (1
), 边界框数顶点数组.
取坐标二维小数型结构 (2
), 边界框数顶点数组.
取坐标二维小数型结构 (3
))
) 边界框数顶点二维数组.
加入数组容器 (边界框数顶点数组
)
数据指针.
偏移 (属性数
)
计次循环尾 () 视觉_非最大抑制旋转框 (边界框数组, 置信度数组, 置信度阈值, 非极大值抑制阈值, 检测框的索引, 1, 0
) 计次循环首 (检测框的索引.
成员数 (), i
)索引 ＝ 检测框的索引.
取整数型 (i
) ＋ 1
绘制预测 (目标类别ID数组.
取整数型 (索引
), 置信度数组.
取小数型 (索引
), 边界框数顶点二维数组.
取数组容器 (索引
), 图片
)计次循环尾 ()|
| 绘制预测 | | |
|
| 类ID | 整数型 | | | |
置信度 | 小数型 | | | | 边界框数顶点数组 | 数组容器 | | | | 图片 | 数据矩阵类 | | | |
| 变量名 | 类 型 | 静态 | 数组 | 备 注 |
| 标签 | 文本型 | | |
| i | 整数型 | | |
| 基线 | 整数型 | | |
| 左边 | 整数型 | | |
| 顶边 | 整数型 | | |
| 标签尺寸 | 尺寸整型结构 | | |
标签 ＝
到文本 (类ID
) ＋
“:” ＋
到文本 (四舍五入 (置信度 × 100, 1
)) ＋
“%” 计次循环首 (4, i
)视觉_线小数 (图片, 边界框数顶点数组.
取坐标二维小数型结构 (i
), 边界框数顶点数组.
取坐标二维小数型结构 (i ％ 4 ＋ 1
),
标量 (255, 255, 255
), 2, 8, 0
)计次循环尾 ()视觉_圆小数 (图片, 边界框数顶点数组.
取坐标二维小数型结构 (1
), 3,
标量 (0, 0, 255
), -1, 8, 0
)标签尺寸 ＝
视觉_获取文本尺寸 (标签,
#字体_简易无衬线, 0.5, 1, 基线
)左边 ＝ 边界框数顶点数组.
取坐标二维小数型结构 (1
).横坐标
顶边 ＝
视觉_取最大值 (边界框数顶点数组.
取坐标二维小数型结构 (1
).纵坐标, 标签尺寸.高
)视觉_矩形坐标 (图片,
坐标二维整型 (左边, 顶边 － 标签尺寸.高
),
坐标二维整型 (左边 ＋ 标签尺寸.宽, 顶边 ＋ 基线
),
标量 (255, 255, 255
), -1, 8, 0
)视觉_放置文本 (图片, 标签,
坐标二维整型 (左边, 顶边
),
#字体_简易无衬线, 0.5,
标量 (), 1, 8,
假)| 变量名 | 类 型 | 静态 | 数组 | 备 注 |
| 最大值 | 整数型 | | |
| 返回图 | 数据矩阵类 | | |
最大值 ＝
视觉_取最大值 (图.列数, 图.行数
)返回图.
初始化 (最大值, 最大值,
#矩阵_三通道字节型U, 标量 (114, 114, 114
))
图.
复制 (返回图.
感兴区域 (矩形整型 (0, 0, 图.列数, 图.行数
)),
)返回 (返回图
)
