File size: 9,524 Bytes
0e83290 |
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55 56 57 58 59 60 61 62 63 64 65 66 67 68 69 70 71 72 73 74 75 76 77 78 79 80 81 82 83 84 85 86 87 88 89 90 91 92 93 94 95 96 97 98 99 100 101 102 103 104 105 106 107 108 109 110 111 112 113 114 115 116 117 118 119 120 121 122 123 124 125 126 127 128 129 130 131 132 133 134 135 136 137 138 139 140 141 142 143 144 145 146 147 148 149 150 151 152 153 154 155 156 157 158 159 160 161 162 163 164 165 166 167 168 169 170 171 172 173 174 175 176 177 178 179 180 181 182 183 184 185 186 187 188 189 190 191 192 193 194 195 196 197 198 199 200 201 202 203 204 205 206 207 208 209 210 211 212 213 214 215 216 217 218 219 220 221 222 223 224 225 226 227 228 229 230 231 232 233 234 235 236 |
import cv2
from XMem2.inference.interact.interactive_utils import overlay_davis
from segmenter import Segmenter
from tools.mask_display import visualize_unique_mask
from tools.mask_merge import merge_masks
import numpy as np
class SegmenterController:
def __init__(self):
"""
Инициализация контроллера для работы с Segmenter2.
:param device: Устройство для выполнения вычислений ('cuda' или 'cpu').
"""
self.segmenter = Segmenter()
self.image_set = False
def load_image(self, image: np.ndarray):
"""
Загружает изображение в Segmenter2.
:param image: Изображение в формате NumPy массива (H, W, C).
"""
if self.image_set:
print("Изображение уже загружено. Сбросьте его перед загрузкой нового.")
return
try:
self.segmenter.set_image(image)
self.image_set = True
print("Изображение успешно загружено.")
except Exception as e:
print(f"Ошибка при загрузке изображения: {e}")
def reset_image(self):
"""
Сбрасывает текущее изображение в Segmenter2.
"""
if not self.image_set:
print("Нет загруженного изображения для сброса.")
return
try:
self.segmenter.reset_image()
self.image_set = False
print("Изображение успешно сброшено.")
except Exception as e:
print(f"Ошибка при сбросе изображения: {e}")
def _process_point_prompt(
self,
point_coords: list[list[int] | list[list[int]]],
point_labels: list[list[int] | list[list[int]]],
) -> list[dict[str, np.ndarray]]:
"""
Обрабатывает промпт для точек.
:param point_coords: Координаты точек.
:param point_labels: Метки точек.
:return: Список словарей с подготовленными данными для predict.
"""
prompts = []
for coords, labels in zip(point_coords, point_labels):
# Определяем, является ли текущий элемент списком координат или одной координатой
if isinstance(coords[0], list) and isinstance(labels, list):
# Если несколько точек и меток, multimask=False
prompt = {
"point_coords": np.array(coords),
"point_labels": np.array(labels),
}
prompts.append((prompt, False))
else:
# Если одна точка, multimask=True
prompt = {
"point_coords": np.array([coords]),
"point_labels": np.array([labels]),
}
prompts.append((prompt, True))
return prompts
def _process_box_prompt(
self, boxes: list[list[int]]
) -> list[dict[str, np.ndarray]]:
"""
Обрабатывает промпт для рамок.
:param boxes: Рамки.
:return: Список словарей с подготовленными данными для predict.
"""
prompts = []
for box in boxes:
prompt = {"boxes": np.array([box])}
prompts.append((prompt, True)) # multimask=True для каждой рамки
return prompts
def _process_both_prompt(
self,
point_coords: list[list[int] | None],
point_labels: list[int | None],
boxes: list[list[int]],
) -> list[dict[str, np.ndarray]]:
"""
Обрабатывает промпт для комбинированного режима.
:param point_coords: Координаты точек.
:param point_labels: Метки точек.
:param boxes: Рамки.
:return: Список словарей с подготовленными данными для predict.
"""
prompts = []
for box, coords, labels in zip(boxes, point_coords, point_labels):
prompt = {"boxes": np.array([box])}
if coords is not None and labels is not None:
prompt["point_coords"] = np.array([coords])
prompt["point_labels"] = np.array([labels])
prompts.append((prompt, False)) # multimask=False, если есть точки
else:
prompts.append((prompt, True)) # multimask=True, если точек нет
return prompts
def predict_from_prompts(
self, prompts: dict[str, str | list]
) -> list[list[np.ndarray, np.ndarray, np.ndarray]]:
"""
Выполняет предсказание на основе заданного промпта.
:param prompts: Словарь с данными для предсказания.
:return: Список кортежей (маски, оценки, логиты).
"""
if not self.image_set:
raise RuntimeError("Изображение не загружено. Сначала вызовите load_image.")
mode = prompts.get("mode")
results = []
if mode == "point":
point_coords = prompts.get("point_coords", [])
point_labels = prompts.get("point_labels", [])
processed_prompts = self._process_point_prompt(point_coords, point_labels)
elif mode == "box":
boxes = prompts.get("boxes", [])
processed_prompts = self._process_box_prompt(boxes)
elif mode == "both":
point_coords = prompts.get(
"point_coords", [None] * len(prompts.get("boxes", []))
)
point_labels = prompts.get(
"point_labels", [None] * len(prompts.get("boxes", []))
)
boxes = prompts.get("boxes", [])
processed_prompts = self._process_both_prompt(
point_coords, point_labels, boxes
)
else:
raise ValueError("Режим должен быть 'point', 'box' или 'both'.")
# TODO: добавить вариант без цикла
for prompt, multimask in processed_prompts:
try:
masks, scores, logits = self.segmenter.predict(
prompt, mode=mode, multimask=multimask
)
results.append([masks, scores, logits])
except Exception as e:
print(f"Ошибка при выполнении предсказания: {e}")
raise
return results
if __name__ == '__main__':
# Создаем контроллер
controller = SegmenterController()
path = 'video-test/truck.jpg'
path = 'video-test/video.mp4'
video = cv2.VideoCapture(path)
ret, frame = video.read()
frame_cop = frame.copy()
video.release()
controller.load_image(frame)
import timeit
# Пример 1: Точки
prompts = {
'mode': 'point',
'point_coords': [[531, 230], [45, 321], [226, 360], [194, 313]],
'point_labels': [1, 1, 1, 1],
}
# prompts = {
# 'mode': 'point',
# 'point_coords': [[[531, 230], [45, 321]], [226, 360], [194, 313]],
# 'point_labels': [[1, 0], 1, 1],
# }
def run_segmentation():
prompts = {
'mode': 'point',
'point_coords': [[531, 230], [45, 321], [226, 360], [194, 313]],
'point_labels': [1, 0, 1, 1],
}
return controller.predict_from_prompts(prompts)
results = controller.predict_from_prompts(prompts)
execution_time_ms = timeit.timeit(run_segmentation, number=1) * 1000
print(f"Время выполнения: {execution_time_ms:.2f} мс")
# Пример 2: Рамки
# prompts = {
# 'mode': 'box',
# 'boxes': [
# [476, 166, 578, 320],
# [8, 252, 99, 401],
# [106, 335, 317, 425],
# [155, 283, 225, 339],
# ],
# }
# results = controller.predict_from_prompts(prompts)
# Пример 3: Комбинированный режим
# prompts = {
# 'mode': 'both',
# 'point_coords': [[575, 750]],
# 'point_labels': [0],
# 'boxes': [[425, 600, 700, 875]],
# }
# results = controller.predict_from_prompts(prompts)
print(len(results))
res = [result[np.argmax(scores)] for result, scores, logits in results]
mask, unique_mask = merge_masks(res)
f = overlay_davis(frame, unique_mask)
mask = visualize_unique_mask(unique_mask)
f = cv2.cvtColor(f, cv2.COLOR_BGR2RGB)
cv2.imshow('asd', mask)
cv2.imshow('asd', f)
cv2.waitKey(0)
cv2.destroyAllWindows()
# Сбрасываем изображение
controller.reset_image()
|