zerohertzLib.vision

Vision

다양한 image들을 handling하고 시각화하는 함수 및 class들

Important

Bbox의 types

• cwh: [cx, cy, w, h] 로 구성된 bbox ([4] or [N, 4])

• xyxy: [x0, y0, x1, y1] 로 구성된 bbox ([4] or [N, 4])

• poly: [[x0, y0], [x1, y1], [x2, y2], [x3, y3]] 로 구성된 bbox ([4, 2] or [N, 4, 2])

class zerohertzLib.vision.CocoLoader(data_path, vis_path=None, class_color=None)

Bases: object

COCO format의 dataset을 읽고 시각화하는 class

Parameters:

• data_path (str) – Image 및 annotation이 존재하는 directory 경로

• vis_path (Optional[str]) – 시각화 image들이 저장될 경로

• class_color (Optional[Dict[Union[int, str], Tuple[int]]]) – 시각화 결과에 적용될 class에 따른 색상

__len__()

Returns:

읽어온 image file들의 수

Return type:

int

__call__()

Index에 따른 image와 annotation에 대한 정보 return (vis_path 와 class_color 입력 시 시각화 image vis_path 에 저장)

Parameters:

• idx (int) – 입력 index

• read (Optional[bool]) – Image 읽음 여부

• int_class (Optional[bool]) – 출력될 class의 type 지정

Returns:

Image 경로 혹은 읽어온 image와 그에 따른 classes 및 bboxes

Return type:

Tuple[Union[str, NDArray[np.uint8]], List[Union[int, str]], NDArray[DTypeLike]]

__getitem__()

Index에 따른 image와 annotation에 대한 정보 return (vis_path 와 class_color 입력 시 시각화 image vis_path 에 저장)

Parameters:

idx (int) – 입력 index

Returns:

읽어온 image와 그에 따른 classes 및 bboxes

Return type:

Tuple[NDArray[np.uint8], List[str], NDArray[DTypeLike]]

Examples

>>> data_path = "train"
>>> class_color = {"label1": (0, 255, 0), "label2": (255, 0, 0)}
>>> coco = zz.vision.CocoLoader(data_path, vis_path="tmp", class_color=class_color)
>>> image, class_list, bboxes = coco(0, False, True)
>>> type(image)
<class 'str'>
>>> image
'{IMAGE_PATH}.jpg'
>>> class_list
[0, 1]
>>> type(bboxes)
<class 'numpy.ndarray'>
>>> bboxes.shape
(2, 4)
>>> image, class_list, bboxes = coco[0]
>>> type(image)
<class 'numpy.ndarray'>
>>> class_list
['label1', 'label2']
>>> type(bboxes)
<class 'numpy.ndarray'>
>>> bboxes.shape
(2, 4)

yolo(target_path, label=None)

COCO format을 YOLO format으로 변환

Parameters:

• target_path (str) – YOLO format data가 저장될 경로

• label (Optional[List[str]]) – COCO에서 사용한 label을 정수로 변환하는 list (index 사용)

Returns:

{target_path}/images 및 {target_path}/labels 에 image와 .txt file 저장

Return type:

None

Examples

>>> coco = zz.vision.CocoLoader(data_path)
>>> coco.yolo(target_path)
100%|█████████████| 476/476 [00:00<00:00, 78794.25it/s]
>>> label = ["label1", "label2"]
>>> cooc.yolo(target_path, label)
100%|█████████████| 476/476 [00:00<00:00, 78794.25it/s]

class zerohertzLib.vision.ImageLoader(path='./', cnt=1)

Bases: object

경로와 image의 수를 지정하여 경로 내 image를 return하는 class

Parameters:

• path (Optional[str]) – Image들이 존재하는 경로

• cnt (Optional[int]) – 호출 시 return 할 image의 수

image_paths

지정한 경로 내 image들의 경로

Type:

List[str]

__len__()

Returns:

cnt 에 해당하는 image들의 수

Return type:

int

__getitem__()

Parameters:

idx (int) – 입력 index

Returns:

cnt 에 따른 file 경로 및 image 값

Return type:

Union[Tuple[str, NDArray[np.uint8]], Tuple[List[str], List[NDArray[np.uint8]]]

Examples

>>> il = zz.vision.ImageLoader()
>>> len(il)
510
>>> il[0][0]
'./1.2.410.200001.1.9999.1.20220513101953581.1.1.jpg'
>>> il[0][1].shape
(480, 640, 3)
>>> il = zz.vision.ImageLoader(cnt=4)
>>> len(il)
128
>>> il[0][0]
['./1.2.410.200001.1.9999.1.20220513101953581.1.1.jpg', '...', '...', '...']
>>> il[0][1][0].shape
(480, 640, 3)
>>> len(il[0][0])
4
>>> len(il[0][1])
4

class zerohertzLib.vision.JsonImageLoader(data_path, json_path, json_key)

Bases: object

JSON file을 통해 image와 JSON file 내 정보를 불러오는 class

Parameters:

• data_path (str) – 목표 data가 존재하는 directory 경로

• json_path (str) – 목표 JSON file이 존재하는 directory 경로

• json_key (str) – data_path 에서 data의 file 이름을 나타내는 key 값

json

JSON file들을 읽어 data 구축 시 활용

Type:

zerohertzLib.util.JsonDir

__len__()

Returns:

읽어온 JSON file들의 수

Return type:

int

__getitem__()

읽어온 JSON file들을 list와 같이 indexing 후 해당하는 image return

Parameters:

idx (int) – 입력 index

Returns:

Image와 JSON 내 정보

Return type:

Tuple[NDArray[np.uint8], zerohertzLib.util.Json]

Examples

>>> jil = zz.vision.JsonImageLoader(data_path, json_path, json_key)
100%|█████████████| 17248/17248 [00:04<00:00, 3581.22it/s]
>>> img, js = jil[10]
>>> img.shape
(600, 800, 3)
>>> js.tree()
└─ info
    └─ name
    └─ date_created
...

class zerohertzLib.vision.LabelStudio(data_path, json_path=None)

Bases: object

Label Studio 관련 data를 handling하는 class

Parameters:

• data_path (str) – Image들이 존재하는 directory 경로

• json_path (Optional[str]) – Label Studio에서 다른 format으로 변환할 시 사용될 annotation 정보가 담긴 JSON file

__len__()

Returns:

읽어온 image file 혹은 annotation들의 수

Return type:

int

__getitem__()

Parameters:

idx (int) – 입력 index

Returns:

Index에 따른 image file 이름 또는 경로와 JSON file에 포함될 dictionary 또는 annotation 정보

Return type:

Union[Tuple[str, Dict[str, Dict[str, str]]], Tuple[str, Dict[str, List[Any]]]]

Examples

Without json_path:

>>> ls = zz.vision.LabelStudio(data_path)
>>> ls[0]
('0000007864.png', {'data': {'image': 'data/local-files/?d=image/0000007864.png'}})
>>> ls[1]
('0000008658.png', {'data': {'image': 'data/local-files/?d=image/0000008658.png'}})

With json_path:

Bbox:

>>> ls = zz.vision.LabelStudio(data_path, json_path)
>>> ls[0]
>>> ls[0]
('/PATH/TO/IMAGE', {'labels': ['label1', ...], 'polys': [array([0.39471694, 0.30683403, 0.03749811, 0.0167364 ]), ...], 'whs': [(1660, 2349), ...]})
>>> ls[1]
('/PATH/TO/IMAGE', {'labels': ['label2', ...], 'polys': [array([0.29239837, 0.30149896, 0.04013469, 0.02736506]), ...], 'whs': [(1655, 2324), ...]})
>>> ls.labels
{'label1', 'label2'}
>>> ls.type
'rectanglelabels'

Poly:

>>> ls = zz.vision.LabelStudio(data_path, json_path)
>>> ls[0]
('/PATH/TO/IMAGE', {'labels': ['label1', ...], 'polys': [array([[0.4531892 , 0.32880674], ..., [0.46119428, 0.32580483]]), ...], 'whs': [(3024, 4032), ...]})
>>> ls[1]
('/PATH/TO/IMAGE', {'labels': ['label2', ...], 'polys': [array([[0.31973699, 0.14660367], ..., [0.29032053, 0.1484422 ]]), ...], 'whs': [(3024, 4032), ...]})
>>> ls.labels
{'label1', 'label2'}
>>> ls.type
'polygonlabels'

classification(target_path, label=None, rand=0, shrink=True, aug=1)

Label Studio로 annotation한 JSON data를 classification format으로 변환

Parameters:

• target_path (str) – Classification format data가 저장될 경로

• label (Optional[Dict[str, Any]]) – Label Studio에서 사용한 label을 변경하는 dictionary

• rand (Optional[int]) – Image crop 시 random 범위 추가

• shrink (Optional[bool]) – rand 에 의한 crop 시 image의 수축 여부

• aug (Optional[int]) – 한 annotation 당 저장할 image의 수

Returns:

{target_path}/{label}/{img_file_name}_{idx}_{i}.{img_file_ext} 에 image 저장 (idx: annotation의 index, i: rand 의 index)

Return type:

None

Examples

>>> ls = zz.vision.LabelStudio(data_path, json_path)
>>> ls.classification(target_path)
100%|█████████████| 476/476 [00:00<00:00, 78794.25it/s]
>>> label = {"label1": "lab1", "label2": "lab2"}
>>> ls.classification(target_path, label, rand=10, aug=10, shrink=False)
100%|█████████████| 476/476 [00:00<00:00, 78794.25it/s]

json(data_function=None)

Label Studio에 mount된 data를 불러오기 위한 JSON file 생성

Note

아래와 같이 환경 변수가 설정된 Label Studio image를 사용하고 /home/user 에 image directory가 mount 되어야 LabelStudio class로 생성된 JSON file을 적용할 수 있다.

FROM heartexlabs/label-studio

ENV LABEL_STUDIO_LOCAL_FILES_SERVING_ENABLED=true
ENV LABEL_STUDIO_LOCAL_FILES_DOCUMENT_ROOT=/home/user

docker run --name label-studio -p 8080:8080 -v ${PWD}/files:/home/user label-studio

Projects → {PROJECT_NAME} → Settings → Cloud Storage → Add Source Storage 클릭 후 아래와 같이 정보를 기재하고 Sync Storage 를 누른다.

• Storage Type: Local files

• Absolute local path: /home/user/image (data_path: ${PWD}/files/image)

• File Filter Regex: ^.*\.(jpe?g|JPE?G|png|PNG|tiff?|TIFF?)$

• Treat every bucket object as a source file: True

Sync 이후 LabelStudio class로 생성된 JSON file을 Label Studio에 import하면 아래와 같이 setup 할 수 있다.

Parameters:

data_function (Optional[Callable[[str], Dict[str, Any]]]) – Label Studio에서 사용할 수 있는 data 항목 추가 함수 (예시 참고)

Returns:

{data_path}.json 에 결과 저장

Return type:

None

Examples

Default:

>>> ls = zz.vision.LabelStudio(data_path)
>>> ls.json()
100%|█████████████| 476/476 [00:00<00:00, 259993.32it/s

[
    {
        "data": {
            "image": "data/local-files/?d=image/0000007864.png"
        }
    },
    {
        "data": {
            "...": "..."
        }
    },
]

With data_function:

def data_function(file_name):
    return data_store[file_name]

>>> ls = zz.vision.LabelStudio(data_path)
>>> ls.json(data_function)
100%|█████████████| 476/476 [00:00<00:00, 78794.25it/s]

[
    {
        "data": {
            "image": "data/local-files/?d=image/0000007864.png",
            "Label": "...",
            "patient_id": "...",
            "file_name": "...",
            "외래/입원": "...",
            "성별": "...",
            "나이(세)": "...",
            "나이(개월)": "...",
            "나이(세월)": "...",
            "나이대": "...",
            "...": "...",
        }
    },
    {
        "data": {
            "...": "..."
        }
    },
]

labelme(target_path, label=None)

Label Studio로 annotation한 JSON data를 LabelMe format으로 변환

Parameters:

• target_path (str) – LabelMe format data가 저장될 경로

• label (Optional[Dict[str, Any]]) – Label Studio에서 사용한 label을 변경하는 dictionary

Returns:

{target_path}/images 및 {target_path}/labels 에 image와 JSON file 저장

Return type:

None

Examples

>>> ls = zz.vision.LabelStudio(data_path, json_path)
>>> ls.labelme(target_path)
100%|█████████████| 476/476 [00:00<00:00, 78794.25it/s]
>>> label = {"label1": "lab1", "label2": "lab2"}
>>> ls.labelme(target_path, label)
100%|█████████████| 476/476 [00:00<00:00, 78794.25it/s]

yolo(target_path, label=None)

Label Studio로 annotation한 JSON data를 YOLO format으로 변환

Parameters:

• target_path (str) – YOLO format data가 저장될 경로

• label (Optional[List[str]]) – Label Studio에서 사용한 label을 정수로 변환하는 list (index 사용)

Returns:

{target_path}/images 및 {target_path}/labels 에 image와 .txt file 저장

Return type:

None

Examples

>>> ls = zz.vision.LabelStudio(data_path, json_path)
>>> ls.yolo(target_path)
100%|█████████████| 476/476 [00:00<00:00, 78794.25it/s]
>>> label = ["label1", "label2"]
>>> ls.yolo(target_path, label)
100%|█████████████| 476/476 [00:00<00:00, 78794.25it/s]

class zerohertzLib.vision.YoloLoader(data_path='images', txt_path='labels', poly=True, absolute=False, vis_path=None, class_color=None)

Bases: object

YOLO format의 dataset을 읽고 시각화하는 class

Parameters:

• data_path (Optional[str]) – Image가 존재하는 directory 경로

• txt_path (Optional[str]) – YOLO format의 .txt 가 존재하는 directory 경로

• poly (Optional[bool]) – .txt file의 format (False: detection, True: segmentation)

• absolute (Optional[bool]) – .txt file의 절대 좌표계 여부 (False: relative coordinates, True: absolute coordinates)

• vis_path (Optional[str]) – 시각화 image들이 저장될 경로

• class_color (Optional[Dict[Union[int, str], Tuple[int]]]) – 시각화 결과에 적용될 class에 따른 색상

__len__()

Returns:

읽어온 image file들의 수

Return type:

int

__getitem__()

Index에 따른 image와 .txt file에 대한 정보 return (vis_path 와 class_color 입력 시 시각화 image vis_path 에 저장)

Parameters:

idx (int) – 입력 index

Returns:

읽어온 image와 그에 따른 class_list 및 bbox 혹은 poly

Return type:

Tuple[NDArray[np.uint8], List[int], List[NDArray[DTypeLike]]]

Examples

>>> data_path = ".../images"
>>> txt_path = ".../labels"
>>> class_color = {0: (0, 255, 0), 1: (255, 0, 0), 2: (0, 0, 255)}
>>> yolo = zz.vision.YoloLoader(data_path, txt_path, poly=True, absolute=False, vis_path="tmp", class_color=class_color)
>>> image, class_list, objects = yolo[0]
>>> type(image)
<class 'numpy.ndarray'>
>>> class_list
[1, 1]
>>> len(objects)
2

labelstudio(directory='image', labels=None, mp_num=0)

YOLO format의 data를 Label Studio에서 확인 및 수정할 수 있게 변환

Parameters:

• directory (Optional[str]) – Label Studio 내 /home/user/{directory} 의 이름

• labels (Optional[List[str]]) – YOLO format의 .txt 상에서 index에 따른 label의 이름

• mp_num (Optional[int]) – 병렬 처리에 사용될 process의 수 (0: 직렬 처리)

Returns:

{path}.json 으로 결과 저장

Return type:

None

Examples

>>> yolo.labelstudio("images", mp_num=10, labels=["t1", "t2", "t3", "t4"])

zerohertzLib.vision.bbox(img, box, color=(0, 0, 255), thickness=2)

여러 Bbox 시각화

Parameters:

• img (NDArray[np.uint8]) – Input image ([H, W, C])

• box (Union[List[Union[int, float]], NDArray[DTypeLike]]) – 하나 혹은 여러 개의 bbox ([4], [N, 4], [4, 2], [N, 4, 2])

• color (Optional[Tuple[int]]) – bbox의 색

• thickness (Optional[int]) – bbox 선의 두께

Returns:

시각화 결과 ([H, W, C])

Return type:

NDArray[np.uint8]

Examples

Bbox:

>>> box = np.array([[100, 200], [100, 1000], [1200, 1000], [1200, 200]])
>>> box.shape
(4, 2)
>>> res1 = zz.vision.bbox(img, box, thickness=10)

Bboxes:

>>> boxes = np.array([[250, 200, 100, 100], [600, 600, 800, 200], [900, 300, 300, 400]])
>>> boxes.shape
(3, 4)
>>> res2 = zz.vision.bbox(img, boxes, (0, 255, 0), thickness=10)

zerohertzLib.vision.before_after(before, after, area=None, per=True, quality=100, file_name='tmp')

두 image를 비교하는 image 생성

Parameters:

• before (NDArray[np.uint8]) – 원본 image

• after (NDArray[np.uint8]) – 영상 처리 혹은 모델 추론 후 image

• area (Optional[List[Union[int, float]]]) – 비교할 좌표 ([x_0, y_0, x_1, y_1])

• per (Optional[bool]) – area 의 백분율 여부

• quality (Optional[int]) – 출력 image의 quality (단위: %)

• file_name (Optional[str]) – 저장될 file의 이름

Returns:

현재 directory에 바로 image 저장

Return type:

None

Examples

BGR, GRAY:

>>> after = cv2.GaussianBlur(before, (0, 0), 25)
>>> after = cv2.cvtColor(after, cv2.COLOR_BGR2GRAY)
>>> zz.vision.before_after(before, after, quality=10)

BGR, Resize:

>>> after = cv2.resize(before, (100, 100))
>>> zz.vision.before_after(before, after, [20, 40, 30, 60])

zerohertzLib.vision.cutout(img, poly, alpha=255, crop=True, background=0)

Image 내에서 지정한 좌표를 제외한 부분을 투명화

Parameters:

• img (NDArray[np.uint8]) – 입력 image ([H, W, C])

• poly (Union[List[Union[int, float]], NDArray[DTypeLike]]) – 지정할 좌표 ([N, 2])

• alpha (Optional[int]) – 지정한 좌표 영역의 투명도

• crop (Optional[bool]) – 출력 image의 Crop 여부

• background (Optional[int]) – 지정한 좌표 외 배경의 투명도

Returns:

출력 image ([H, W, 4])

Return type:

NDArray[np.uint8]

Examples

>>> poly = np.array([[100, 400], [400, 400], [800, 900], [400, 1100], [100, 800]])
>>> res1 = zz.vision.cutout(img, poly)
>>> res2 = zz.vision.cutout(img, poly, 128, False)
>>> res3 = zz.vision.cutout(img, poly, background=128)

zerohertzLib.vision.cwh2poly(box)

Bbox 변환

Parameters:

box (Union[List[Union[int, float]], NDArray[DTypeLike]]) – [cx, cy, w, h] 로 구성된 bbox ([4] or [N, 4])

Returns:

[[x0, y0], [x1, y1], [x2, y2], [x3, y3]] 로 구성된 bbox ([4, 2] or [N, 4, 2])

Return type:

NDArray[DTypeLike]

Examples

>>> zz.vision.cwh2poly([20, 30, 20, 20])
array([[10, 20],
       [30, 20],
       [30, 40],
       [10, 40]])
>>> zz.vision.cwh2poly(np.array([[20, 30, 20, 20], [50, 75, 40, 50]]))
array([[[ 10,  20],
        [ 30,  20],
        [ 30,  40],
        [ 10,  40]],
       [[ 30,  50],
        [ 70,  50],
        [ 70, 100],
        [ 30, 100]]])

zerohertzLib.vision.cwh2xyxy(box)

Bbox 변환

Parameters:

box (Union[List[Union[int, float]], NDArray[DTypeLike]]) – [cx, cy, w, h] 로 구성된 bbox ([4] or [N, 4])

Returns:

[x0, y0, x1, y1] 로 구성된 bbox ([4] or [N, 4])

Return type:

NDArray[DTypeLike]

Examples

>>> zz.vision.cwh2xyxy([20, 30, 20, 20])
array([10, 20, 30, 40])
>>> zz.vision.cwh2xyxy(np.array([[20, 30, 20, 20], [50, 75, 40, 50]]))
array([[ 10,  20,  30,  40],
       [ 30,  50,  70, 100]])

zerohertzLib.vision.evaluation(ground_truths, inferences, confidences, gt_classes=None, inf_classes=None, file_name=None, threshold=0.5)

단일 이미지 내 detection model의 추론 성능 평가

Parameters:

• ground_truths (NDArray[DTypeLike]) – Ground truth object들의 polygon ([N, 4, 2], [[[x_0, y_0], [x_1, y_1], ...], ...])

• inferences (NDArray[DTypeLike]) – Model이 추론한 각 object들의 polygon ([M, 4, 2], [[[x_0, y_0], [x_1, y_1], ...], ...])

• confidences (List[float]) – Model이 추론한 각 object들의 confidence([M])

• gt_classes (Optional[List[str]]) – Ground truth object들의 class ([N])

• inf_classes (Optional[List[str]]) – Model이 추론한 각 object들의 class ([M])

• file_name (Optional[str]) – 평가 image의 이름

• threshold (Optional[float]) – IoU의 threshold

Note

• N: 한 이미지의 ground truth 내 존재하는 object의 수

• M: 한 이미지의 inference 결과 내 존재하는 object의 수

Returns:

단일 이미지의 model 성능 평가 결과

Return type:

pd.DataFrame

Examples

>>> poly = np.array([[0, 0], [10, 0], [10, 10], [0, 10]])
>>> ground_truths = np.array([poly, poly + 20, poly + 40])
>>> inferences = np.array([poly, poly + 19, poly + 80])
>>> confidences = np.array([0.6, 0.7, 0.8])
>>> zz.vision.evaluation(ground_truths, inferences, confidences, file_name="test.png")
  file_name  instance  confidence  class       IoU results  gt_x0  gt_y0  gt_x1  gt_y1  gt_x2  gt_y2  gt_x3  gt_y3  inf_x0  inf_y0  inf_x1  inf_y1  inf_x2  inf_y2  inf_x3  inf_y3
0  test.png         0         0.8    0.0  0.000000      FP    NaN    NaN    NaN    NaN    NaN    NaN    NaN    NaN    80.0    80.0    90.0    80.0    90.0    90.0    80.0    90.0
1  test.png         1         0.7    0.0  0.680672      TP   20.0   20.0   30.0   20.0   30.0   30.0   20.0   30.0    19.0    19.0    29.0    19.0    29.0    29.0    19.0    29.0
2  test.png         2         0.6    0.0  1.000000      TP    0.0    0.0   10.0    0.0   10.0   10.0    0.0   10.0     0.0     0.0    10.0     0.0    10.0    10.0     0.0    10.0
3  test.png         3         0.0    0.0  0.000000      FN   40.0   40.0   50.0   40.0   50.0   50.0   40.0   50.0     NaN     NaN     NaN     NaN     NaN     NaN     NaN     NaN
>>> gt_classes = np.array(["cat", "dog", "cat"])
>>> inf_classes = np.array(["cat", "dog", "cat"])
>>> zz.vision.evaluation(ground_truths, inferences, confidences, gt_classes, inf_classes)
   instance  confidence class       IoU results  gt_x0  gt_y0  gt_x1  gt_y1  gt_x2  gt_y2  gt_x3  gt_y3  inf_x0  inf_y0  inf_x1  inf_y1  inf_x2  inf_y2  inf_x3  inf_y3
0         0         0.8   cat  0.000000      FP    NaN    NaN    NaN    NaN    NaN    NaN    NaN    NaN    80.0    80.0    90.0    80.0    90.0    90.0    80.0    90.0
1         1         0.6   cat  1.000000      TP    0.0    0.0   10.0    0.0   10.0   10.0    0.0   10.0     0.0     0.0    10.0     0.0    10.0    10.0     0.0    10.0
2         2         0.0   cat  0.000000      FN   40.0   40.0   50.0   40.0   50.0   50.0   40.0   50.0     NaN     NaN     NaN     NaN     NaN     NaN     NaN     NaN
3         3         0.7   dog  0.680672      TP   20.0   20.0   30.0   20.0   30.0   30.0   20.0   30.0    19.0    19.0    29.0    19.0    29.0    29.0    19.0    29.0

zerohertzLib.vision.grid(imgs, size=1000, color=(255, 255, 255), file_name='tmp')

여러 image를 입력받아 한 정방형 image로 병합

Parameters:

• imgs (List[NDArray[np.uint8]]) – 입력 image

• size (Optional[int]) – 출력 image의 크기

• color (Optional[Tuple[int]]) – Padding의 색

• file_name (Optional[str]) – 저장될 file의 이름

Returns:

현재 directory에 바로 image 저장

Return type:

None

Examples

>>> imgs = [cv2.resize(img, (random.randrange(300, 1000), random.randrange(300, 1000))) for _ in range(8)]
>>> imgs[2] = cv2.cvtColor(imgs[2], cv2.COLOR_BGR2GRAY)
>>> imgs[3] = cv2.cvtColor(imgs[3], cv2.COLOR_BGR2BGRA)
>>> zz.vision.grid(imgs)
>>> zz.vision.grid(imgs, color=(0, 255, 0))
>>> zz.vision.grid(imgs, color=(0, 0, 0, 0))

zerohertzLib.vision.img2gif(path, file_name='tmp', duration=500)

Directory 내 image들을 GIF로 변환

Parameters:

• path (str) – GIF로 변환할 image들이 존재하는 경로

• file_name (Optional[str]) – 출력될 GIF file 이름

• duration (Optional[int]) – ms 단위의 사진 간 간격

Returns:

현재 directory에 바로 GIF 저장

Return type:

None

Examples

>>> zz.vision.img2gif("./")

zerohertzLib.vision.iou(poly1, poly2)

IoU (Intersection over Union)를 계산하는 함수

Parameters:

• poly1 (NDArray[DTypeLike]) – IoU를 계산할 polygon ([S1, 2], [[x_0, y_0], [x_1, y_1], ...])

• poly2 (NDArray[DTypeLike]) – IoU를 계산할 polygon ([S2, 2], [[x_0, y_0], [x_1, y_1], ...])

Returns:

IoU 값

Return type:

float

Examples

>>> poly1 = np.array([[0, 0], [10, 0], [10, 10], [0, 10]])
>>> poly2 = poly1 + (5, 0)
>>> poly2
array([[ 5,  0],
       [15,  0],
       [15, 10],
       [ 5, 10]])
>>> zz.vision.iou(poly1, poly2)
0.3333333333333333

zerohertzLib.vision.is_pts_in_poly(poly, pts)

지점들의 좌표 내 존재 여부 확인 함수

Parameters:

• poly (NDArray[DTypeLike]) – 다각형 ([N, 2])

• pts (Union[List[Union[int, float]], NDArray[DTypeLike]]) – point ([2] or [N, 2])

Returns:

입력 point 의 다각형 poly 내부 존재 여부

Return type:

Union[bool, NDArray[bool]]

Examples

>>> poly = np.array([[10, 10], [20, 10], [30, 40], [20, 60], [10, 20]])
>>> zz.vision.is_pts_in_poly(poly, [20, 20])
True
>>> zz.vision.is_pts_in_poly(poly, [[20, 20], [100, 100]])
array([ True, False])
>>> zz.vision.is_pts_in_poly(poly, np.array([20, 20]))
True
>>> zz.vision.is_pts_in_poly(poly, np.array([[20, 20], [100, 100]]))
array([ True, False])

zerohertzLib.vision.mask(img, mks=None, poly=None, color=(0, 0, 255), class_list=None, class_color=None, border=True, alpha=0.5)

Mask 시각화

Parameters:

• img (NDArray[np.uint8]) – 입력 image ([H, W, C])

• mks (Optional[NDArray[bool]]) – 입력 image 위에 병합할 mask ([H, W] or [N, H, W])

• poly (Optional[NDArray[DTypeLike]]) – 입력 image 위에 병합할 mask ([N, 2])

• color (Optional[Tuple[int]]) – Mask의 색

• class_list (Optional[List[Union[int, str]]]) – mks 의 index에 따른 class

• class_color (Optional[Dict[Union[int, str], Tuple[int]]]) – Class에 따른 색 (color 무시)

• border (Optional[bool]) – Mask의 경계선 표시 여부

• alpha (Optional[float]) – Mask의 투명도

Returns:

시각화 결과 ([H, W, C])

Return type:

NDArray[np.uint8]

Examples

Mask (without class):

>>> H, W, _ = img.shape
>>> cnt = 30
>>> mks = np.zeros((cnt, H, W), np.uint8)
>>> for mks_ in mks:
>>>     center_x = random.randint(0, W)
>>>     center_y = random.randint(0, H)
>>>     radius = random.randint(30, 200)
>>>     cv2.circle(mks_, (center_x, center_y), radius, (True), -1)
>>> mks = mks.astype(bool)
>>> res1 = zz.vision.mask(img, mks)

Mask (with class):

>>> cls = [i for i in range(cnt)]
>>> class_list = [cls[random.randint(0, 2)] for _ in range(cnt)]
>>> class_color = {}
>>> for c in cls:
>>>     class_color[c] = [random.randint(0, 255) for _ in range(3)]
>>> res2 = zz.vision.mask(img, mks, class_list=class_list, class_color=class_color)

Poly:

>>> poly = np.array([[100, 400], [400, 400], [800, 900], [400, 1100], [100, 800]])
>>> res3 = zz.vision.mask(img, poly=poly)

zerohertzLib.vision.meanap(logs)

Detection model의 P-R curve 시각화 및 mAP 산출

Parameters:

logs (pd.DataFrame) – zz.vision.evaluation 함수를 통해 평가된 결과

Returns:

mAP 값 및 class에 따른 AP 값 (시각화 결과는 prc_curve.png, pr_curve.png 로 현재 directory에 저장)

Return type:

Tuple[float, Dict[str, float]]

Examples

>>> logs1 = zz.vision.evaluation(ground_truths_1, inferences_1, confidences_1, gt_classes, inf_classes, file_name="test_1.png")
>>> logs2 = zz.vision.evaluation(ground_truths_2, inferences_2, confidences_2, gt_classes, inf_classes, file_name="test_2.png")
>>> logs = pd.concat([logs1, logs2], ignore_index=True)
>>> zz.vision.meanap(logs)
(0.7030629916206652, defaultdict(<class 'float'>, {'dog': 0.7177078883735305, 'cat': 0.6884180948677999}))

zerohertzLib.vision.pad(img, shape, color=(255, 255, 255), poly=None)

입력 image를 원하는 shape로 resize 및 pad

Parameters:

• img (NDArray[np.uint8]) – 입력 image ([H, W, C])

• shape (Tuple[int]) – 출력의 shape (H, W)

• color (Optional[Tuple[int]]) – Padding의 색

• poly (Optional[NDArray[DTypeLike]]) – Padding에 따라 변형될 좌표 ([N, 2])

Returns:

출력 image ([H, W, C]) 및 poly 입력 시 padding에 따른 변형된 좌표값

Return type:

Union[NDArray[np.uint8], Tuple[NDArray[np.uint8], NDArray[DTypeLike]]]

Examples

GRAY:

>>> img = cv2.cvtColor(img, cv2.COLOR_BGRA2GRAY)
>>> res1 = cv2.resize(img, (500, 1000))
>>> res1 = zz.vision.pad(res1, (1000, 1000), color=(0, 255, 0))

BGR:

>>> res2 = cv2.resize(img, (1000, 500))
>>> res2 = zz.vision.pad(res2, (1000, 1000))

BGRA:

>>> img = cv2.cvtColor(img, cv2.COLOR_BGR2BGRA)
>>> res3 = cv2.resize(img, (500, 1000))
>>> res3 = zz.vision.pad(res3, (1000, 1000), color=(0, 0, 255, 128))

Poly:

>>> poly = np.array([[100, 400], [400, 400], [800, 900], [400, 1100], [100, 800]])
>>> res4 = cv2.resize(img, (2000, 1000))
>>> res4 = zz.vision.bbox(res4, poly, color=(255, 0, 0), thickness=20)
>>> res4, poly = zz.vision.pad(res4, (1000, 1000), poly=poly)
>>> res4 = zz.vision.bbox(img, poly, color=(0, 0, 255))

zerohertzLib.vision.paste(img, target, box, resize=False, vis=False, poly=None, alpha=None, gaussian=None)

target image를 img 위에 투명도를 포함하여 병합

Note

PIL.Image.paste 를 numpy 와 cv2 기반으로 구현

>>> img = Image.open("test.png").convert("RGBA")
>>> target = Image.open("target.png").convert("RGBA")
>>> img.paste(target, (0, 0), target)

Parameters:

• img (NDArray[np.uint8]) – 입력 image ([H, W, C])

• target (NDArray[np.uint8]) – Target image ([H, W, 4])

• box (Union[List[Union[int, float]], NDArray[DTypeLike]]) – 병합될 영역 (xyxy 형식)

• resize (Optional[bool]) – Target image의 resize 여부

• vis (Optional[bool]) – 지정한 영역 (box)의 시각화 여부

• poly (Optional[NDArray[DTypeLike]]) – 변형된 좌표 ([N, 2])

• alpha (Optional[int]) – target image의 투명도 변경

• gaussian (Optional[int]) – 자연스러운 병합을 위해 target 의 alpha channel에 적용될 Gaussian blur의 kernel size

Returns:

시각화 결과 ([H, W, 4]) 및 poly 입력 시 변형된 좌표값

Return type:

Union[NDArray[np.uint8], Tuple[NDArray[np.uint8], NDArray[DTypeLike]]]

Examples

Without Poly:

>>> poly = np.array([[100, 400], [400, 400], [800, 900], [400, 1100], [100, 800]])
>>> target = zz.vision.cutout(img, poly, 200)
>>> res1 = zz.vision.paste(img, target, [200, 200, 1000, 800], resize=False, vis=True)
>>> res2 = zz.vision.paste(img, target, [200, 200, 1000, 800], resize=True, vis=True, alpha=255)

With Poly:

>>> poly -= zz.vision.poly2xyxy(poly)[:2]
>>> target = zz.vision.bbox(target, poly, color=(255, 0, 0), thickness=20)
>>> res3, poly3 = zz.vision.paste(img, target, [200, 200, 1000, 800], resize=False, poly=poly)
>>> poly3
array([[300.        , 200.        ],
       [557.14285714, 200.        ],
       [900.        , 628.57142857],
       [557.14285714, 800.        ],
       [300.        , 542.85714286]])
>>> res3 = zz.vision.bbox(res3, poly3)
>>> res4, poly4 = zz.vision.paste(img, target, [200, 200, 1000, 800], resize=True, poly=poly)
>>> poly4
array([[ 200.        ,  200.        ],
       [ 542.85714286,  200.        ],
       [1000.        ,  628.57142857],
       [ 542.85714286,  800.        ],
       [ 200.        ,  542.85714286]])
>>> res4 = zz.vision.bbox(res4, poly4)

Gaussian Blur:

>>> res5, poly5 = zz.vision.paste(img, target, [200, 200, 1000, 800], resize=True, poly=poly, gaussian=501)
>>> res5 = zz.vision.bbox(res5, poly5)

zerohertzLib.vision.poly2area(poly)

다각형의 면적을 산출하는 함수

Parameters:

poly (Union[List[Union[int, float]], NDArray[DTypeLike]]) – 다각형 ([N, 2])

Returns:

다각형의 면적

Return type:

float

Examples

>>> poly = [[10, 10], [20, 10], [30, 40], [20, 60], [10, 20]]
>>> zz.vision.poly2area(poly)
550.0
>>> box = np.array([[100, 200], [1200, 200], [1200, 1000], [100, 1000]])
>>> zz.vision.poly2area(box)
880000.0

zerohertzLib.vision.poly2cwh(box)

Bbox 변환

Parameters:

box (Union[List[Union[int, float]], NDArray[DTypeLike]]) – [[x0, y0], [x1, y1], [x2, y2], [x3, y3]] 로 구성된 bbox ([4, 2] or [N, 4, 2])

Returns:

[cx, cy, w, h] 로 구성된 bbox ([4] or [N, 4])

Return type:

NDArray[DTypeLike]

Examples

>>> zz.vision.poly2cwh([[10, 20], [30, 20], [30, 40], [10, 40]])
array([20, 30, 20, 20])
>>> zz.vision.poly2cwh(np.array([[[10, 20], [30, 20], [30, 40], [10, 40]], [[30, 50], [70, 50], [70, 100], [30, 100]]]))
array([[20, 30, 20, 20],
       [50, 75, 40, 50]])

zerohertzLib.vision.poly2mask(poly, shape)

다각형 좌표를 입력받아 mask로 변환

Parameters:

• poly (Union[List[Union[int, float]], NDArray[DTypeLike]]) – Mask의 꼭짓점 좌표 ([N, 2])

• shape (Tuple[int]) – 출력될 mask의 shape (H, W)

Returns:

시각화 결과 ([H, W, C])

Return type:

NDArray[bool]

Examples

>>> poly = [[10, 10], [20, 10], [30, 40], [20, 60], [10, 20]]
>>> mask = zz.vision.poly2mask(poly, (70, 100))
>>> mask.shape
(70, 100)
>>> mask.dtype
dtype('bool')

zerohertzLib.vision.poly2ratio(poly)

다각형의 bbox 대비 다각형의 면적 비율을 산출하는 함수

Parameters:

poly (Union[List[Union[int, float]], NDArray[DTypeLike]]) – 다각형 ([N, 2])

Returns:

다각형의 bbox 대비 다각형의 비율

Return type:

float

Examples

>>> poly = [[10, 10], [20, 10], [30, 40], [20, 60], [10, 20]]
>>> zz.vision.poly2ratio(poly)
0.55
>>> box = np.array([[100, 200], [1200, 200], [1200, 1000], [100, 1000]])
>>> zz.vision.poly2ratio(box)
1.0

zerohertzLib.vision.poly2xyxy(box)

Bbox 변환

Parameters:

box (Union[List[Union[int, float]], NDArray[DTypeLike]]) – [[x0, y0], [x1, y1], [x2, y2], [x3, y3]] 로 구성된 bbox ([4, 2] or [N, 4, 2])

Returns:

[x0, y0, x1, y1] 로 구성된 bbox ([4] or [N, 4])

Return type:

NDArray[DTypeLike]

Examples

>>> zz.vision.poly2xyxy([[10, 20], [30, 20], [30, 40], [10, 40]])
array([10, 20, 30, 40])
>>> zz.vision.poly2xyxy(np.array([[[10, 20], [30, 20], [30, 40], [10, 40]], [[30, 50], [70, 50], [70, 100], [30, 100]]]))
array([[ 10,  20,  30,  40],
       [ 30,  50,  70, 100]])

zerohertzLib.vision.text(img, box, txt, color=(0, 0, 0), vis=False, fontsize=100)

Text 시각화

Parameters:

• img (NDArray[np.uint8]) – 입력 image ([H, W, C])

• box (Union[List[Union[int, float]], NDArray[DTypeLike]]) – 문자열이 존재할 bbox ([4], [N, 4], [4, 2], [N, 4, 2])

• txt (Union[str, List[str]]) – Image에 추가할 문자열

• color (Optional[Tuple[int]]) – 문자의 색

• vis (Optional[bool]) – 문자 영역의 시각화 여부

• fontsize (Optional[int]) – 문자의 크기

Returns:

시각화 결과 ([H, W, 4])

Return type:

NDArray[np.uint8]

Examples

Bbox:

>>> box = np.array([[100, 200], [100, 1000], [1200, 1000], [1200, 200]])
>>> box.shape
(4, 2)
>>> res1 = zz.vision.text(img, box, "먼지야")

Bboxes:

>>> boxes = np.array([[250, 200, 100, 100], [600, 600, 800, 200], [900, 300, 300, 400]])
>>> boxes.shape
(3, 4)
>>> res2 = zz.vision.text(img, boxes, ["먼지야", "먼지야", "먼지야"], vis=True)

zerohertzLib.vision.transparent(img, threshold=128, reverse=False)

입력 image에 대해 threshold 미만의 pixel들을 투명화

Parameters:

• img (NDArray[np.uint8]) – 입력 image ([H, W, C])

• threshold (Optional[int]) – Threshold

• reverse (Optional[bool]) – threshold 이상의 pixel 투명화 여부

Returns:

출력 image ([H, W, 4])

Return type:

NDArray[np.uint8]

Examples

>>> res1 = zz.vision.transparent(img)
>>> res2 = zz.vision.transparent(img, reverse=True)

zerohertzLib.vision.vert(imgs, height=1000, file_name='tmp')

여러 image를 입력받아 한 가로 image로 병합

Parameters:

• imgs (List[NDArray[np.uint8]]) – 입력 image

• height (Optional[int]) – 출력 image의 높이

• file_name (Optional[str]) – 저장될 file의 이름

Returns:

현재 directory에 바로 image 저장

Return type:

None

Examples

>>> imgs = [cv2.resize(img, (random.randrange(300, 600), random.randrange(300, 600))) for _ in range(5)]
>>> zz.vision.vert(imgs)

zerohertzLib.vision.vid2gif(path, file_name='tmp', quality=100, fps=15, speed=1.0)

동영상을 GIF로 변환

Parameters:

• path (str) – GIF로 변환할 동영상이 존재하는 경로

• file_name (Optional[str]) – 출력될 GIF file 이름

• quality (Optional[int]) – 출력될 GIF의 품질

• fps (Optional[int]) – 출력될 GIF의 FPS (Frames Per Second)

• speed (Optional[float]) – 출력될 GIF의 배속

Returns:

현재 directory에 바로 GIF 저장

Return type:

None

Examples

>>> zz.vision.vid2gif("test.mp4")

zerohertzLib.vision.xyxy2cwh(box)

Bbox 변환

Parameters:

box (Union[List[Union[int, float]], NDArray[DTypeLike]]) – [x0, y0, x1, y1] 로 구성된 bbox ([4] or [N, 4])

Returns:

[cx, cy, w, h] 로 구성된 bbox ([4] or [N, 4])

Return type:

NDArray[DTypeLike]

Examples

>>> zz.vision.xyxy2cwh([10, 20, 30, 40])
array([20, 30, 20, 20])
>>> zz.vision.xyxy2cwh(np.array([[10, 20, 30, 40], [30, 50, 70, 100]]))
array([[20, 30, 20, 20],
       [50, 75, 40, 50]])

zerohertzLib.vision.xyxy2poly(box)

Bbox 변환

Parameters:

box (Union[List[Union[int, float]], NDArray[DTypeLike]]) – [x0, y0, x1, y1] 로 구성된 bbox ([4] or [N, 4])

Returns:

[[x0, y0], [x1, y1], [x2, y2], [x3, y3]] 로 구성된 bbox ([4, 2] or [N, 4, 2])

Return type:

NDArray[DTypeLike]

Examples

>>> zz.vision.xyxy2poly([10, 20, 30, 40])
array([[10, 20],
       [30, 20],
       [30, 40],
       [10, 40]])
>>> zz.vision.xyxy2poly(np.array([[10, 20, 30, 40], [30, 50, 70, 100]]))
array([[[ 10,  20],
        [ 30,  20],
        [ 30,  40],
        [ 10,  40]],
       [[ 30,  50],
        [ 70,  50],
        [ 70, 100],
        [ 30, 100]]])