instance.py

ultralytics\utils\instance.py

目录

instance.py

1.所需的库和模块

2.def _ntuple(n): 

3.class Bboxes: 

4.class Instances: 

---

1.所需的库和模块

# Ultralytics YOLO 🚀, AGPL-3.0 licensefrom collections import abc
from itertools import repeat
from numbers import Number
from typing import Listimport numpy as npfrom .ops import ltwh2xywh, ltwh2xyxy, xywh2ltwh, xywh2xyxy, xyxy2ltwh, xyxy2xywh

2.def _ntuple(n): 

# 这段代码定义了一个函数 _ntuple ，用于创建一个新的函数 parse ，该函数可以将输入转换为一个长度为 n 的元组。
# 定义一个函数 _ntuple ，接受一个参数。
# 1.n ：表示要生成的元组的长度。
def _ntuple(n):# 来自 PyTorch 内部。"""From PyTorch internals."""# 在 _ntuple 函数内部定义一个嵌套函数 parse ，该函数接受一个参数。# 1.x ：表示要转换的输入。def parse(x):# 解析 XYWH 和 LTWH 之间的边界框格式。"""Parse bounding boxes format between XYWH and LTWH."""# abc.Iterable# abc.Iterable 是 Python 中 collections.abc 模块定义的一个抽象基类（Abstract Base Class, ABC），用于检查一个对象是否是可迭代的。可迭代对象是指可以被迭代器遍历的对象，例如列表、元组、字典、集合等。# 定义 ：# abc.Iterable 是一个抽象基类，它定义了可迭代对象的接口。一个对象如果实现了 __iter__() 方法或者 __getitem__() 方法（并且可以接受从零开始的整数索引），则被认为是可迭代的。# 用途 ：# 通过继承 abc.Iterable ，可以确保一个类的对象是可迭代的。此外，可以使用 isinstance() 函数来检查一个对象是否是可迭代的，例如 isinstance(obj, abc.Iterable) 。# abc.Iterable 是一个非常有用的抽象基类，它提供了一种标准的方式来定义和检查可迭代对象。通过继承 abc.Iterable 或使用 isinstance() 函数，可以确保对象具有可迭代的特性，从而在需要迭代的场景中使用这些对象。# itertools.repeat(object[, times])# repeat() 函数是 Python 标准库 itertools 模块中的一个函数，它用于创建一个迭代器，该迭代器会无限次重复给定的值。# 参数 ：# object ：要重复的值。# times ：（可选）重复的次数。如果不提供或为 None ，则迭代器将无限重复给定的值。# 返回值 ：# 返回一个迭代器，该迭代器重复给定的值。# repeat() 函数常用于需要固定值的场景，例如在 zip() 函数中为每个元素对提供相同的参数，或者在其他需要重复值的迭代处理中。# isinstance(x, abc.Iterable) ：检查 x 是否是一个可迭代对象。 abc.Iterable 是 collections.abc 模块中的一个抽象基类，用于检查对象是否可迭代。# 如果 x 是可迭代对象，则直接返回 x ，因为 x 已经是可迭代的，不需要进一步处理。# 如果 x 不是可迭代对象，则使用 tuple(repeat(x, n)) 将 x 转换为一个长度为 n 的元组。 repeat(x, n) ：使用 itertools.repeat 函数生成一个可迭代对象，该对象重复 x 共 n 次。 tuple(...) ：将生成的可迭代对象转换为元组。return x if isinstance(x, abc.Iterable) else tuple(repeat(x, n))# 返回嵌套函数 parse ，这样 _ntuple 函数实际上返回的是一个函数，而不是直接返回一个值。return parse
# 这个函数 _ntuple 的主要作用是创建一个转换函数 parse ，该函数可以将输入转换为一个长度为 n 的元组。如果输入本身是可迭代的，则直接返回；否则，将输入重复 n 次并转换为元组。这种设计通常用于确保输入参数具有统一的格式，例如在处理多维数据或配置参数时，确保参数以元组的形式存在。# to_2tuple 和 to_4tuple 是通过调用 _ntuple 函数创建的两个函数对象，分别用于将输入转换为长度为 2 和 4 的元组。
to_2tuple = _ntuple(2)
to_4tuple = _ntuple(4)
# 这种设计模式在深度学习和计算机视觉库中很常见，用于确保输入参数具有统一的格式。例如，在处理图像的尺寸参数时，确保尺寸参数始终是一个元组，可以简化后续的处理逻辑。# `xyxy` means left top and right bottom    `xyxy` 表示左上角和右下角。
# `xywh` means center x, center y and width, height(YOLO format)    `xywh` 表示中心 x、中心 y 和宽度、高度（YOLO 格式）。
# `ltwh` means left top and width, height(COCO format)    `ltwh` 表示左上角和宽度、高度（COCO 格式）。
# _formats 是一个列表，包含了一些字符串，表示不同的边界框（bounding box）格式。这在处理图像标注和目标检测任务时非常有用，因为不同的任务或库可能使用不同的边界框表示方式。
_formats = ["xyxy", "xywh", "ltwh"]# __all__ 是一个特殊的变量，用于指定模块的公共接口，即哪些名称应该在从该模块导入时被导出。帮助用户在导入模块时了解哪些名称是可用的，同时也防止模块内部的私有名称被意外导出。
# 在这里， __all__ 是一个元组，包含一个字符串 "Bboxes" ，表示 Bboxes 是该模块的公共接口之一。
# 使用元组而不是列表来定义 __all__ 是一种常见的做法，因为元组是不可变的，可以防止意外修改。
__all__ = ("Bboxes",)  # tuple or list

3.class Bboxes: 

# 这段代码定义了一个名为 Bboxes 的类，用于处理和操作边界框（bounding boxes）,它支持多种边界框格式，并提供了一些常用的操作方法。
# 定义一个名为 Bboxes 的类。
class Bboxes:# 用于处理边界框的类。# 该类支持各种边界框格式，如“xyxy”、“xywh”和“ltwh”。# 边界框数据应以 numpy 数组的形式提供。# 注意：# 此类不处理边界框的规范化或非规范化。"""A class for handling bounding boxes.The class supports various bounding box formats like 'xyxy', 'xywh', and 'ltwh'.Bounding box data should be provided in numpy arrays.Attributes:bboxes (numpy.ndarray): The bounding boxes stored in a 2D numpy array.format (str): The format of the bounding boxes ('xyxy', 'xywh', or 'ltwh').Note:This class does not handle normalization or denormalization of bounding boxes."""# 这段代码是 Bboxes 类的构造函数 __init__ 的定义，用于初始化一个 Bboxes 实例。# 定义构造函数 __init__ ，接受两个参数。返回类型为 None ，表示该方法不返回任何值。# 1.bboxes ：边界框的数组或列表，表示要处理的边界框数据。# 2.format ：边界框的格式，默认为 "xyxy" 。def __init__(self, bboxes, format="xyxy") -> None:# 使用指定格式的边界框数据初始化 Bboxes 类。"""Initializes the Bboxes class with bounding box data in a specified format."""# 使用 assert 语句检查 format 是否在预定义的格式列表 _formats 中。如果 format 不在列表中，则抛出异常，提示无效的边界框格式，并列出允许的格式。assert format in _formats, f"Invalid bounding box format: {format}, format must be one of {_formats}"    # 边界框格式无效：{format}，格式必须是 {_formats} 之一。# 如果 bboxes 是一维数组（即只有一个边界框），则使用 bboxes[None, :] 将其扩展为二维数组。这一步是为了确保 bboxes 始终是二维的，以便后续操作的一致性。# bboxes.ndim == 1 ：检查 bboxes 是否为一维数组。# bboxes[None, :] ：在 bboxes 的前面添加一个新维度，使其变为二维数组。bboxes = bboxes[None, :] if bboxes.ndim == 1 else bboxes# 断言检查 bboxes 是否为二维数组。如果不是，则抛出异常，提示边界框数据必须是二维的。assert bboxes.ndim == 2# 断言检查 bboxes 的第二维（即每行的元素数量）是否为 4。因为每个边界框由 4 个坐标组成，所以每行必须有 4 个元素。如果不是，则抛出异常，提示边界框数据的形状不正确。assert bboxes.shape[1] == 4# 将处理后的 bboxes 数组存储在实例变量 self.bboxes 中，以便后续使用。self.bboxes = bboxes# 将边界框的格式 format 存储在实例变量 self.format 中，以便后续操作时知道当前边界框的格式。self.format = format# 这行代码被注释掉了，但可以推测它原本用于存储边界框是否被归一化的状态。如果需要，可以取消注释并添加相应的参数和逻辑来支持归一化状态的管理。# self.normalized = normalized# 这个构造函数的主要作用是初始化一个 Bboxes 实例，确保输入的边界框数据是有效的，并将其存储在实例变量中。通过检查边界框的格式和形状，构造函数确保了后续操作的正确性和一致性。# 这段代码是 Bboxes 类中的 convert 方法，用于将边界框的格式从当前格式转换为指定的目标格式。# 定义 convert 方法，接受一个参数。# 1.format ：表示要转换到的目标格式。def convert(self, format):# 将边界框格式从一种类型转换为另一种类型。"""Converts bounding box format from one type to another."""# 使用 assert 语句检查 format 是否在预定义的格式列表 _formats 中。如果 format 不在列表中，则抛出异常，提示无效的边界框格式，并列出允许的格式。assert format in _formats, f"Invalid bounding box format: {format}, format must be one of {_formats}"    # 边界框格式无效：{format}，格式必须是 {_formats} 之一。# 如果当前格式 self.format 已经是目标格式 format ，则直接返回，无需进行任何转换。if self.format == format:return# 如果当前格式是 "xyxy" 。elif self.format == "xyxy":# 如果目标格式是 "xywh" ，则选择转换函数 xyxy2xywh ，将 "xyxy" 格式转换为 "xywh"。 否则，选择转换函数 xyxy2ltwh ，将 "xyxy" 格式转换为 "ltwh" 。func = xyxy2xywh if format == "xywh" else xyxy2ltwh# 如果当前格式是 "xywh" 。elif self.format == "xywh":# 如果目标格式是 "xyxy" ，则选择转换函数 xywh2xyxy ，将 "xywh" 格式转换为 "xyxy" 。否则，选择转换函数 xywh2ltwh ，将 "xywh" 格式转换为 "ltwh" 。func = xywh2xyxy if format == "xyxy" else xywh2ltwh# 如果当前格式是 "ltwh" 。else:# 如果目标格式是 "xyxy" ，则选择转换函数 ltwh2xyxy ，将 "ltwh" 格式转换为 "xyxy" 。否则，选择转换函数 ltwh2xywh ，将 "ltwh" 格式转换为 "xywh" 。func = ltwh2xyxy if format == "xyxy" else ltwh2xywh# 使用选择的转换函数 func 对 self.bboxes 进行格式转换，并将转换后的结果重新赋值给 self.bboxes 。self.bboxes = func(self.bboxes)# 更新 self.format ，将其设置为目标格式 format ，以反映当前边界框的格式已更改。self.format = format# 这个 convert 方法的主要作用是根据当前边界框的格式和目标格式，选择合适的转换函数进行格式转换，并更新边界框数据和格式状态。通过这种方式，可以灵活地在不同的边界框格式之间进行转换，满足不同场景下的需求。# 这段代码是 Bboxes 类中的 areas 方法，用于计算边界框的面积。# 定义 areas 方法，该方法不接受额外的参数，仅使用实例自身的数据来计算面积。def areas(self):# 返回边界框面积。"""Return box areas."""# 调用 self.convert("xyxy") 方法，将边界框的格式转换为 "xyxy" 格式。这是因为计算面积的公式适用于 "xyxy" 格式，其中 (x1, y1) 是左上角坐标， (x2, y2) 是右下角坐标。# 如果边界框已经是 "xyxy" 格式，则 convert 方法不会进行任何操作。self.convert("xyxy")# 计算每个边界框的面积 ：# self.bboxes[:, 2] - self.bboxes[:, 0] ：计算每个边界框的宽度，即右下角的 x 坐标减去左上角的 x 坐标。# self.bboxes[:, 3] - self.bboxes[:, 1] ：计算每个边界框的高度，即右下角的 y 坐标减去左上角的 y 坐标。# 将宽度和高度相乘，得到每个边界框的面积。# 返回一个数组，包含每个边界框的面积.return (self.bboxes[:, 2] - self.bboxes[:, 0]) * (self.bboxes[:, 3] - self.bboxes[:, 1])# 这个 areas 方法的主要作用是计算边界框的面积。它首先确保边界框的格式是 "xyxy" ，然后使用标准的面积计算公式 (x2 - x1) * (y2 - y1) 来计算每个边界框的面积。这种方法简单高效，适用于处理多个边界框的情况。# def denormalize(self, w, h):#    if not self.normalized:#         return#     assert (self.bboxes <= 1.0).all()#     self.bboxes[:, 0::2] *= w#     self.bboxes[:, 1::2] *= h#     self.normalized = False## def normalize(self, w, h):#     if self.normalized:#         return#     assert (self.bboxes > 1.0).any()#     self.bboxes[:, 0::2] /= w#     self.bboxes[:, 1::2] /= h#     self.normalized = True# 这段代码是 Bboxes 类中的 mul 方法，用于将边界框的坐标按指定的比例缩放。# 定义 mul 方法，接受一个参数。# 1.scale ：表示缩放比例。 scale 可以是单个数值或一个长度为 4 的元组/列表。def mul(self, scale):"""Args:scale (tuple | list | int): the scale for four coords."""# 检查 scale 是否为单个数值（ Number 类型）。if isinstance(scale, Number):# 如果是，则调用 to_4tuple(scale) 将其转换为一个长度为 4 的元组。 to_4tuple 函数会将单个数值重复四次，形成一个元组，例如 to_4tuple(2) 会返回 (2, 2, 2, 2) 。# 这样做的目的是确保 scale 有四个元素，分别对应边界框的四个坐标（x1, y1, x2, y2）的缩放比例.scale = to_4tuple(scale)# 断言检查 scale 是否为元组或列表。如果不是，则抛出异常，提示 scale 的类型不正确。assert isinstance(scale, (tuple, list))# 断言检查 scale 的长度是否为 4。如果不是，则抛出异常，提示 scale 的长度不正确。assert len(scale) == 4# 对边界框的每个坐标进行缩放。# 将所有边界框的 x1 坐标乘以 scale[0] 。self.bboxes[:, 0] *= scale[0]# 将所有边界框的 y1 坐标乘以 scale[1] 。self.bboxes[:, 1] *= scale[1]#将所有边界框的 x2 坐标乘以 scale[2] 。self.bboxes[:, 2] *= scale[2]# 将所有边界框的 y2 坐标乘以 scale[3] 。self.bboxes[:, 3] *= scale[3]# 这个 mul 方法的主要作用是根据指定的缩放比例对边界框的坐标进行缩放。它首先处理 scale 参数，确保其为长度为 4 的元组或列表，然后分别对边界框的四个坐标进行缩放。这种方法可以灵活地对边界框进行缩放，适用于图像处理和目标检测等场景中对边界框进行尺寸调整的需求。# 这段代码是 Bboxes 类中的 add 方法，用于将边界框的坐标按指定的偏移量移动。# 定义 add 方法，接受一个参数。# 1.offset ：表示偏移量。 offset 可以是单个数值或一个长度为 4 的元组/列表。def add(self, offset):"""Args:offset (tuple | list | int): the offset for four coords."""# 检查 offset 是否为单个数值（ Number 类型）。if isinstance(offset, Number):# 如果是，则调用 to_4tuple(offset) 将其转换为一个长度为 4 的元组。 to_4tuple 函数会将单个数值重复四次，形成一个元组，例如 to_4tuple(2) 会返回 (2, 2, 2, 2) 。# 这样做的目的是确保 offset 有四个元素，分别对应边界框的四个坐标（x1, y1, x2, y2）的偏移量。offset = to_4tuple(offset)# 断言检查 offset 是否为元组或列表。如果不是，则抛出异常，提示 offset 的类型不正确。assert isinstance(offset, (tuple, list))# 断言检查 offset 的长度是否为 4。如果不是，则抛出异常，提示 offset 的长度不正确。assert len(offset) == 4# 对边界框的每个坐标进行偏移。self.bboxes[:, 0] += offset[0]self.bboxes[:, 1] += offset[1]self.bboxes[:, 2] += offset[2]self.bboxes[:, 3] += offset[3]# 这个 add 方法的主要作用是根据指定的偏移量对边界框的坐标进行移动。它首先处理 offset 参数，确保其为长度为 4 的元组或列表，然后分别对边界框的四个坐标进行偏移。这种方法可以灵活地对边界框进行位置调整，适用于图像处理和目标检测等场景中对边界框进行位置变换的需求。# 这段代码是 Bboxes 类中的 __len__ 方法，用于返回边界框的数量。# 定义 __len__ 方法。这是一个特殊的方法，用于实现 Python 的内置函数 len() 。当调用 len(instance) 时，Python 会自动调用该实例的 __len__ 方法。def __len__(self):# 返回边界框的数量。"""Return the number of boxes."""# 返回 self.bboxes 的长度，即边界框的数量。 self.bboxes 是一个二维数组，其中每一行表示一个边界框的坐标。 len(self.bboxes) 返回该数组的行数，也就是边界框的数量。return len(self.bboxes)# 通过实现 __len__ 方法， Bboxes 类的对象可以使用内置的 len() 函数来获取边界框的数量。这使得代码更加简洁和直观，符合 Python 的习惯用法。例如，如果 bboxes 是一个 Bboxes 实例，那么 len(bboxes) 将返回边界框的数量。# 这段代码是 Bboxes 类中的一个类方法 concatenate ，用于将多个 Bboxes 实例合并为一个新的 Bboxes 实例。# @classmethod# 在Python中， @classmethod 是一个装饰器，用于将一个普通的方法转换为类方法。类方法的第一个参数总是 cls ，它代表类本身，而不是类的实例。这意味着你可以在不创建类实例的情况下调用这个方法，并且可以在这个方法内部访问类的属性和方法。# 类方法通常用于不需要类实例就可以执行的操作，例如 ：# 创建类实例时不依赖于类的状态。# 需要访问类属性而不是实例属性。# 实现备选构造器（alternative constructors）。# 类方法可以被子类继承，并且可以被子类的实例和子类本身调用。@classmethod# 使用 @classmethod 装饰器定义一个类方法 concatenate 。# 1.cls ：是类的引用，用于在方法中创建新的类实例。# 2.boxes_list ：是一个参数，表示要合并的 Bboxes 实例列表。# 3.axis ：是一个可选参数，表示合并的轴，默认为 0，即按行合并。# 返回类型为 Bboxes ，表示返回一个新的 Bboxes 实例。def concatenate(cls, boxes_list: List["Bboxes"], axis=0) -> "Bboxes":# 将 Bboxes 对象列表连接成单个 Bboxes 对象。# 注意：# 输入应为 Bboxes 对象的列表或元组。"""Concatenate a list of Bboxes objects into a single Bboxes object.Args:boxes_list (List[Bboxes]): A list of Bboxes objects to concatenate.axis (int, optional): The axis along which to concatenate the bounding boxes.Defaults to 0.Returns:Bboxes: A new Bboxes object containing the concatenated bounding boxes.Note:The input should be a list or tuple of Bboxes objects."""# 断言检查 boxes_list 是否为列表或元组。如果不是，则抛出异常，提示 boxes_list 的类型不正确。assert isinstance(boxes_list, (list, tuple))# 如果 boxes_list 为空，则返回一个新的 Bboxes 实例，其中边界框数组为空。if not boxes_list:# np.empty(0) 创建一个空的 NumPy 数组。 cls(np.empty(0)) 使用类的构造函数创建一个新的 Bboxes 实例，传入空的边界框数组。return cls(np.empty(0))# 断言检查 boxes_list 中的每个元素是否都是 Bboxes 实例。如果有任何元素不是 Bboxes 实例，则抛出异常。assert all(isinstance(box, Bboxes) for box in boxes_list)# 如果 boxes_list 只有一个元素，则直接返回该元素，因为不需要合并。if len(boxes_list) == 1:return boxes_list[0]# 使用 np.concatenate 将 boxes_list 中所有 Bboxes 实例的边界框数组按指定轴 axis 合并。# [b.bboxes for b in boxes_list] 是一个列表推导式，用于提取每个 Bboxes 实例的 bboxes 属性。# np.concatenate(..., axis=axis) 将这些边界框数组合并成一个新的数组。# 使用类的构造函数 cls(...) 创建一个新的 Bboxes 实例，传入合并后的边界框数组，并返回该实例。return cls(np.concatenate([b.bboxes for b in boxes_list], axis=axis))# 这个 concatenate 类方法的主要作用是将多个 Bboxes 实例合并为一个新的 Bboxes 实例。它首先进行参数验证，确保输入的列表不为空且所有元素都是 Bboxes 实例。然后根据列表的长度决定是否需要合并，最后使用 np.concatenate 进行合并并返回新的实例。这种方法方便地实现了边界框数据的批量处理和合并。# 这段代码是 Bboxes 类中的 __getitem__ 方法，用于实现对 Bboxes 实例的索引操作。# 定义 __getitem__ 方法，接受一个参数。# 1.index ：表示要获取的边界框的索引。# 返回类型为 Bboxes ，表示返回一个新的 Bboxes 实例。def __getitem__(self, index) -> "Bboxes":# 使用索引检索特定边界框或一组边界框。# 引发：# AssertionError：如果索引的边界框不形成二维矩阵。# 注意：# 使用布尔索引时，请确保提供长度与边界框数量相同的布尔数组。"""Retrieve a specific bounding box or a set of bounding boxes using indexing.Args:index (int, slice, or np.ndarray): The index, slice, or boolean array to selectthe desired bounding boxes.Returns:Bboxes: A new Bboxes object containing the selected bounding boxes.Raises:AssertionError: If the indexed bounding boxes do not form a 2-dimensional matrix.Note:When using boolean indexing, make sure to provide a boolean array with the samelength as the number of bounding boxes."""# 检查 index 是否为整数。if isinstance(index, int):# 如果是整数，则 self.bboxes[index] 获取到的是一个一维数组，表示单个边界框的坐标。# 使用 .view(1, -1) 将一维数组转换为二维数组，形状为 (1, 4) ，以便符合 Bboxes 类的输入要求。# 创建一个新的 Bboxes 实例，传入转换后的二维数组，并返回该实例。return Bboxes(self.bboxes[index].view(1, -1))# 如果 index 不是整数，则使用 index 对 self.bboxes 进行索引，获取一个子集 b ， b 可能是一个二维数组或一维数组，具体取决于 index 的类型和值。b = self.bboxes[index]# 断言检查 b 是否为二维数组。# 如果 b 不是二维数组，则抛出异常，提示索引操作失败，因为 Bboxes 类要求边界框数据必须是二维的。这个检查确保了返回的边界框数据格式正确，符合 Bboxes 类的内部要求。assert b.ndim == 2, f"Indexing on Bboxes with {index} failed to return a matrix!"    # 使用 {index} 对 Bboxes 进行索引无法返回矩阵！# 创建一个新的 Bboxes 实例，传入 b ，并返回该实例。return Bboxes(b)# 这个 __getitem__ 方法的主要作用是实现对 Bboxes 实例的索引操作，允许用户通过索引来获取部分边界框数据。它能够处理整数索引和其他类型的索引（如切片或布尔索引），并确保返回的边界框数据格式正确，符合 Bboxes 类的要求。
# 这个 Bboxes 类提供了一个灵活的方式来处理和操作边界框。它支持多种边界框格式，并提供了转换、计算面积、缩放、偏移等操作方法。此外，还实现了索引和合并操作，使得边界框的处理更加方便和高效。

4.class Instances: 

# 这段代码定义了一个名为 Instances 的类，用于表示和操作图像实例，包括边界框、分割掩码和关键点等信息。
class Instances:# 用于图像中检测到的对象的边界框、片段和关键点的容器。# 注意：# 边界框格式为“xywh”或“xyxy”，由“bbox_format”参数决定。# 此类不执行输入验证，并假定输入格式正确。"""Container for bounding boxes, segments, and keypoints of detected objects in an image.Attributes:_bboxes (Bboxes): Internal object for handling bounding box operations.keypoints (ndarray): keypoints(x, y, visible) with shape [N, 17, 3]. Default is None.normalized (bool): Flag indicating whether the bounding box coordinates are normalized.segments (ndarray): Segments array with shape [N, 1000, 2] after resampling.Args:bboxes (ndarray): An array of bounding boxes with shape [N, 4].segments (list | ndarray, optional): A list or array of object segments. Default is None.keypoints (ndarray, optional): An array of keypoints with shape [N, 17, 3]. Default is None.bbox_format (str, optional): The format of bounding boxes ('xywh' or 'xyxy'). Default is 'xywh'.normalized (bool, optional): Whether the bounding box coordinates are normalized. Default is True.Examples:```python# Create an Instances objectinstances = Instances(bboxes=np.array([[10, 10, 30, 30], [20, 20, 40, 40]]),segments=[np.array([[5, 5], [10, 10]]), np.array([[15, 15], [20, 20]])],keypoints=np.array([[[5, 5, 1], [10, 10, 1]], [[15, 15, 1], [20, 20, 1]]]))```Note:The bounding box format is either 'xywh' or 'xyxy', and is determined by the `bbox_format` argument.This class does not perform input validation, and it assumes the inputs are well-formed."""# 这段代码是 Instances 类的构造函数 __init__ 的定义，用于初始化一个 Instances 实例。# 定义构造函数 __init__ ，接受五个参数。返回类型为 None ，表示该方法不返回任何值。# 1.self ：指向当前实例的引用。# 2.bboxes ：边界框数据，可以是数组或列表形式。# 3.segments ：分割掩码数据，默认为 None 。# 4.keypoints ：关键点数据，默认为 None 。# 5.bbox_format ：边界框的格式，默认为 "xywh" 。# 6.normalized ：边界框是否被归一化，默认为 True 。def __init__(self, bboxes, segments=None, keypoints=None, bbox_format="xywh", normalized=True) -> None:"""Args:bboxes (ndarray): bboxes with shape [N, 4].segments (list | ndarray): segments.keypoints (ndarray): keypoints(x, y, visible) with shape [N, 17, 3]."""# 使用 Bboxes 类创建一个边界框对象 self._bboxes ，并将 bboxes 和 bbox_format 作为参数传递给 Bboxes 的构造函数。# 这一步将边界框数据封装在一个 Bboxes 对象中，以便后续可以利用 Bboxes 类提供的方法来操作边界框。self._bboxes = Bboxes(bboxes=bboxes, format=bbox_format)# 将传入的关键点数据 keypoints 存储在实例变量 self.keypoints 中。关键点数据通常用于表示图像中特定位置的特征点，例如人体姿态估计中的关节位置。self.keypoints = keypoints# 将传入的归一化状态 normalized 存储在实例变量 self.normalized 中。归一化状态表示边界框、分割掩码和关键点的坐标是否已经被归一化到 [0, 1] 范围内，通常用于图像处理中的坐标转换。self.normalized = normalized# 将传入的分割掩码数据 segments 存储在实例变量 self.segments 中。分割掩码数据用于表示图像中对象的像素级掩码，通常用于图像分割任务中。self.segments = segments# 这个构造函数的主要作用是初始化一个 Instances 实例，将边界框、分割掩码、关键点等数据封装在实例变量中，并记录边界框的格式和归一化状态。通过这种方式， Instances 类可以方便地管理和操作图像实例的多种信息，为后续的图像处理和分析任务提供基础。# 这段代码是 Instances 类中的 convert_bbox 方法，用于将边界框的格式转换为指定的格式。# 定义 convert_bbox 方法，接受一个参数。# format ：表示要转换到的目标边界框格式。def convert_bbox(self, format):# 转换边界框格式。"""Convert bounding box format."""# 调用 self._bboxes 对象的 convert 方法，传入目标格式 format 。 self._bboxes 是一个 Bboxes 类的实例，其 convert 方法负责将边界框的格式从当前格式转换为指定的目标格式。# 这一步实际上是委托 Bboxes 类来处理具体的格式转换逻辑， Instances 类通过这种方式实现了对边界框格式的转换功能。self._bboxes.convert(format=format)# 这个 convert_bbox 方法的主要作用是将 Instances 实例中包含的边界框的格式转换为指定的格式。它通过调用 Bboxes 类的 convert 方法来实现格式转换，使得 Instances 类可以灵活地支持多种边界框格式，并在需要时进行转换。# 这段代码是 Instances 类中的一个属性方法 bbox_areas ，用于获取边界框的面积。# 使用 @property 装饰器定义一个属性方法 bbox_areas 。这意味着可以像访问实例变量一样访问 bbox_areas ，而不需要调用方法。@property# bbox_areas 属性用于返回边界框的面积。def bbox_areas(self):# 计算边界框的面积。"""Calculate the area of bounding boxes."""# 调用 self._bboxes 对象的 areas 方法来计算边界框的面积。 self._bboxes 是一个 Bboxes 类的实例，其 areas 方法负责计算边界框的面积。 返回计算得到的面积数组，该数组包含每个边界框的面积。return self._bboxes.areas()# 这个 bbox_areas 属性方法的主要作用是提供一个方便的方式来获取 Instances 实例中所有边界框的面积。通过调用 Bboxes 类的 areas 方法，它能够返回一个包含所有边界框面积的数组，使得用户可以轻松地获取和使用边界框的面积信息。# 这段代码是 Instances 类中的 scale 方法，用于对实例中的边界框、分割掩码和关键点进行缩放。# 定义 scale 方法，接受三个参数。# 1.scale_w ：宽度的缩放比例。# 2.scale_h ：高度的缩放比例。# 3.bbox_only ：布尔值，表示是否只缩放边界框，默认为 False 。def scale(self, scale_w, scale_h, bbox_only=False):# 这可能与非规范化函数类似，但没有规范化符号。"""This might be similar with denormalize func but without normalized sign."""# 调用 self._bboxes 对象的 mul 方法来缩放边界框。# self._bboxes 是一个 Bboxes 类的实例，其 mul 方法负责将边界框的每个坐标按指定的比例缩放。传入的 scale 参数是一个元组 (scale_w, scale_h, scale_w, scale_h) ，分别对应边界框的四个坐标（x1, y1, x2, y2）的缩放比例。self._bboxes.mul(scale=(scale_w, scale_h, scale_w, scale_h))# 如果 bbox_only 为 True ，则直接返回，不进行后续的分割掩码和关键点的缩放操作。这允许用户仅缩放边界框，而不影响其他数据。if bbox_only:return# 对分割掩码的 x 坐标和 y 坐标分别进行缩放。这里使用了 NumPy 的切片和广播机制， ... 表示对所有维度进行操作， 0 和 1 分别表示 x 和 y 坐标。# 将分割掩码的所有 x 坐标乘以 scale_w 。self.segments[..., 0] *= scale_w# 将分割掩码的所有 y 坐标乘以 scale_h 。self.segments[..., 1] *= scale_h# 如果关键点数据存在，则对关键点的 x 坐标和 y 坐标分别进行缩放。同样使用了 NumPy 的切片和广播机制来实现缩放操作。if self.keypoints is not None:# 将关键点的所有 x 坐标乘以 scale_w 。self.keypoints[..., 0] *= scale_w# 将关键点的所有 y 坐标乘以 scale_h 。self.keypoints[..., 1] *= scale_h# 这个 scale 方法的主要作用是对 Instances 实例中的边界框、分割掩码和关键点进行缩放。通过传入宽度和高度的缩放比例，它可以灵活地调整实例中所有相关数据的尺寸。如果只需要缩放边界框，可以通过设置 bbox_only 参数来简化操作。# 这段代码是 Instances 类中的 denormalize 方法，用于将实例中的边界框、分割掩码和关键点的坐标从归一化状态转换为绝对坐标。# 定义 denormalize 方法，接受两个参数。# 1.w ：图像的宽度。# 2.h ：图像的高度。def denormalize(self, w, h):# 从标准化坐标中对框、段和关键点进行非标准化处理。"""Denormalizes boxes, segments, and keypoints from normalized coordinates."""# 检查 self.normalized 是否为 True ，即是否处于归一化状态。if not self.normalized:# 如果 self.normalized 为 False ，则直接返回，不需要进行任何操作，因为数据已经处于绝对坐标状态。return# 调用 self._bboxes 对象的 mul 方法来缩放边界框。 self._bboxes 是一个 Bboxes 类的实例，其 mul 方法负责将边界框的每个坐标按指定的比例缩放。传入的 scale 参数是一个元组 (w, h, w, h) ，分别对应边界框的四个坐标（x1, y1, x2, y2）的缩放比例，即将归一化的坐标转换为绝对坐标。self._bboxes.mul(scale=(w, h, w, h))# 对分割掩码的 x 坐标和 y 坐标分别进行缩放。这里使用了 NumPy 的切片和广播机制， ... 表示对所有维度进行操作， 0 和 1 分别表示 x 和 y 坐标。# 将分割掩码的所有 x 坐标乘以 w ，将其从归一化状态转换为绝对坐标。self.segments[..., 0] *= w# 将分割掩码的所有 y 坐标乘以 h ，将其从归一化状态转换为绝对坐标。self.segments[..., 1] *= h# 如果关键点数据存在，则对关键点的 x 坐标和 y 坐标分别进行缩放。同样使用了 NumPy 的切片和广播机制来实现缩放操作。if self.keypoints is not None:# 将关键点的所有 x 坐标乘以 w ，将其从归一化状态转换为绝对坐标。self.keypoints[..., 0] *= w# 将关键点的所有 y 坐标乘以 h ，将其从归一化状态转换为绝对坐标。self.keypoints[..., 1] *= h# 将 self.normalized 设置为 False ，表示数据已经转换为绝对坐标状态。self.normalized = False# 这个 denormalize 方法的主要作用是将 Instances 实例中的边界框、分割掩码和关键点的坐标从归一化状态转换为绝对坐标状态。通过传入图像的宽度和高度，它可以灵活地调整实例中所有相关数据的坐标，使其与图像的实际尺寸相对应。# 这段代码是 Instances 类中的 normalize 方法，用于将实例中的边界框、分割掩码和关键点的坐标从绝对坐标状态转换为归一化状态。# 定义 normalize 方法，接受两个参数。# 1.w ：图像的宽度。# 2.h ：图像的高度。def normalize(self, w, h):# 将边界框、线段和关键点标准化为图像尺寸。"""Normalize bounding boxes, segments, and keypoints to image dimensions."""# 检查 self.normalized 是否为 True ，即是否已经处于归一化状态。 如果 self.normalized 为 True ，则直接返回，不需要进行任何操作，因为数据已经处于归一化状态。if self.normalized:return# 调用 self._bboxes 对象的 mul 方法来缩放边界框。 self._bboxes 是一个 Bboxes 类的实例，其 mul 方法负责将边界框的每个坐标按指定的比例缩放。传入的 scale 参数是一个元组 (1 / w, 1 / h, 1 / w, 1 / h) ，分别对应边界框的四个坐标（x1, y1, x2, y2）的缩放比例，即将绝对坐标转换为归一化坐标。self._bboxes.mul(scale=(1 / w, 1 / h, 1 / w, 1 / h))# 对分割掩码的 x 坐标和 y 坐标分别进行缩放。这里使用了 NumPy 的切片和广播机制， ... 表示对所有维度进行操作， 0 和 1 分别表示 x 和 y 坐标。# 将分割掩码的所有 x 坐标除以 w ，将其从绝对坐标状态转换为归一化状态。self.segments[..., 0] /= w# 将分割掩码的所有 y 坐标除以 h ，将其从绝对坐标状态转换为归一化状态。self.segments[..., 1] /= h# 如果关键点数据存在，则对关键点的 x 坐标和 y 坐标分别进行缩放。同样使用了 NumPy 的切片和广播机制来实现缩放操作。if self.keypoints is not None:# 将关键点的所有 x 坐标除以 w ，将其从绝对坐标状态转换为归一化状态。self.keypoints[..., 0] /= w# 将关键点的所有 y 坐标除以 h ，将其从绝对坐标状态转换为归一化状态。self.keypoints[..., 1] /= h# 将 self.normalized 设置为 True ，表示数据已经转换为归一化状态。self.normalized = True# 这个 normalize 方法的主要作用是将 Instances 实例中的边界框、分割掩码和关键点的坐标从绝对坐标状态转换为归一化状态。通过传入图像的宽度和高度，它可以灵活地调整实例中所有相关数据的坐标，使其与图像的相对尺寸相对应。# 这段代码是 Instances 类中的 add_padding 方法，用于在实例中的边界框、分割掩码和关键点的坐标上添加填充偏移。# 定义 add_padding 方法，接受两个参数。# 1.padw ：宽度方向的填充偏移。# 2.padh ：高度方向的填充偏移。def add_padding(self, padw, padh):# 处理矩形和马赛克情况。"""Handle rect and mosaic situation."""# 断言检查 self.normalized 是否为 False ，即是否处于绝对坐标状态。如果 self.normalized 为 True ，则抛出异常，提示应在绝对坐标状态下添加填充偏移，因为归一化坐标不适用于直接添加像素级偏移。assert not self.normalized, "you should add padding with absolute coordinates."    # 您应该添加具有绝对坐标的填充。# 调用 self._bboxes 对象的 add 方法来添加边界框的偏移。 self._bboxes 是一个 Bboxes 类的实例，其 add 方法负责将边界框的每个坐标按指定的偏移量进行调整。传入的 offset 参数是一个元组 (padw, padh, padw, padh) ，分别对应边界框的四个坐标（x1, y1, x2, y2）的偏移量。self._bboxes.add(offset=(padw, padh, padw, padh))# 对分割掩码的 x 坐标和 y 坐标分别添加偏移。这里使用了 NumPy 的切片和广播机制， ... 表示对所有维度进行操作， 0 和 1 分别表示 x 和 y 坐标。# 将分割掩码的所有 x 坐标加上 padw ，使其在宽度方向上增加偏移。self.segments[..., 0] += padw# 将分割掩码的所有 y 坐标加上 padh ，使其在高度方向上增加偏移。self.segments[..., 1] += padh# 如果关键点数据存在，则对关键点的 x 坐标和 y 坐标分别添加偏移。同样使用了 NumPy 的切片和广播机制来实现偏移操作。if self.keypoints is not None:# 将关键点的所有 x 坐标加上 padw ，使其在宽度方向上增加偏移。self.keypoints[..., 0] += padw# 将关键点的所有 y 坐标加上 padh ，使其在高度方向上增加偏移。self.keypoints[..., 1] += padh# 这个 add_padding 方法的主要作用是在 Instances 实例中的边界框、分割掩码和关键点的坐标上添加指定的填充偏移。通过这种方式，可以调整实例中所有相关数据的位置，以适应图像的填充操作，确保数据的坐标与图像的实际布局一致。# 这段代码是 Instances 类中的 __getitem__ 方法，用于实现对实例的索引操作，允许用户通过索引来获取部分实例数据。# 定义 __getitem__ 方法，接受一个参数。# 1.index ：表示要获取的实例数据的索引。# 返回类型为 Instances ，表示返回一个新的 Instances 实例。def __getitem__(self, index) -> "Instances":# 使用索引检索特定实例或一组实例。# 注意：# 使用布尔索引时，请确保提供长度与实例数相同的布尔数组。"""Retrieve a specific instance or a set of instances using indexing.Args:index (int, slice, or np.ndarray): The index, slice, or boolean array to selectthe desired instances.Returns:Instances: A new Instances object containing the selected bounding boxes,segments, and keypoints if present.Note:When using boolean indexing, make sure to provide a boolean array with the samelength as the number of instances."""# 根据 index 获取分割掩码的子集。如果 self.segments 不为空，则使用 self.segments[index] 获取索引对应的分割掩码子集。如果 self.segments 为空，则直接返回 self.segments （即空的分割掩码）.segments = self.segments[index] if len(self.segments) else self.segments# 根据 index 获取关键点的子集。如果 self.keypoints 不为 None ，则使用 self.keypoints[index] 获取索引对应的关键点子集。如果 self.keypoints 为 None ，则返回 None ，表示没有关键点数据。keypoints = self.keypoints[index] if self.keypoints is not None else None# 根据 index 获取边界框的子集。使用 self.bboxes[index] 获取索引对应的边界框子集。bboxes = self.bboxes[index]# 获取当前边界框的格式，存储在 bbox_format 中。bbox_format = self._bboxes.format# 使用获取到的边界框、分割掩码、关键点、边界框格式和归一化状态创建一个新的 Instances 实例。 返回这个新的 Instances 实例，它包含了索引对应的实例数据。return Instances(bboxes=bboxes,segments=segments,keypoints=keypoints,bbox_format=bbox_format,normalized=self.normalized,)# 这个 __getitem__ 方法的主要作用是实现对 Instances 实例的索引操作，允许用户通过索引来获取部分实例数据。它能够处理边界框、分割掩码和关键点的索引，并返回一个新的 Instances 实例，包含索引对应的子集数据。这种方法使得对实例数据的访问更加灵活和方便。# 这段代码是 Instances 类中的 flipud 方法，用于对实例中的边界框、分割掩码和关键点进行上下翻转（垂直翻转）。# 定义 flipud 方法，接受一个参数。这个方法用于将实例中的所有数据在垂直方向上进行翻转。# 1.h ：表示图像的高度。def flipud(self, h):# 垂直翻转边界框、线段和关键点的坐标。"""Flips the coordinates of bounding boxes, segments, and keypoints vertically."""# 根据边界框的格式进行翻转操作。# 如果边界框格式是 "xyxy" （左上角和右下角坐标），则需要交换 y1 和 y2 的值。if self._bboxes.format == "xyxy":# 复制边界框的 y1 坐标。y1 = self.bboxes[:, 1].copy()# 复制边界框的 y2 坐标。y2 = self.bboxes[:, 3].copy()# 将 y1 更新为 h - y2 ，即新的 y1 坐标。self.bboxes[:, 1] = h - y2# 将 y2 更新为 h - y1 ，即新的 y2 坐标。self.bboxes[:, 3] = h - y1# 如果边界框格式不是 "xyxy" ，则直接将 y 坐标翻转为 h - y 。else:# 将 y 坐标更新为 h - y ，实现垂直翻转。self.bboxes[:, 1] = h - self.bboxes[:, 1]# 对分割掩码的 y 坐标进行翻转。将分割掩码的所有 y 坐标更新为 h - y ，实现垂直翻转。 使用 NumPy 的切片和广播机制， ... 表示对所有维度进行操作， 1 表示 y 坐标。self.segments[..., 1] = h - self.segments[..., 1]# 如果关键点数据存在，则对关键点的 y 坐标进行翻转。if self.keypoints is not None:# 将关键点的所有 y 坐标更新为 h - y ，实现垂直翻转。同样使用 NumPy 的切片和广播机制来实现翻转操作。self.keypoints[..., 1] = h - self.keypoints[..., 1]# 这个 flipud 方法的主要作用是对 Instances 实例中的边界框、分割掩码和关键点进行上下翻转。通过传入图像的高度 h ，它可以灵活地调整实例中所有相关数据的位置，使其在垂直方向上进行翻转，这在图像处理和数据增强等任务中非常有用。# 这段代码是 Instances 类中的 fliplr 方法，用于对实例中的边界框、分割掩码和关键点进行左右翻转（水平翻转）。# 定义 fliplr 方法，接受一个参数。这个方法用于将实例中的所有数据在水平方向上进行翻转。# 1.w ：表示图像的宽度。def fliplr(self, w):# 水平反转边界框和线段的顺序。"""Reverses the order of the bounding boxes and segments horizontally."""# 根据边界框的格式进行翻转操作。# 如果边界框格式是 "xyxy" （左上角和右下角坐标），则需要交换 x1 和 x2 的值。if self._bboxes.format == "xyxy":# 复制边界框的 x1 坐标。x1 = self.bboxes[:, 0].copy()# 复制边界框的 x2 坐标。x2 = self.bboxes[:, 2].copy()# 将 x1 更新为 w - x2 ，即新的 x1 坐标。self.bboxes[:, 0] = w - x2# 将 x2 更新为 w - x1 ，即新的 x2 坐标。self.bboxes[:, 2] = w - x1# 如果边界框格式不是 "xyxy" ，则直接将 x 坐标翻转为 w - x 。else:# 将 x 坐标更新为 w - x ，实现水平翻转。self.bboxes[:, 0] = w - self.bboxes[:, 0]# 对分割掩码的 x 坐标进行翻转。 self.segments[..., 0] = w - self.segments[..., 0] ：将分割掩码的所有 x 坐标更新为 w - x ，实现水平翻转。使用 NumPy 的切片和广播机制， ... 表示对所有维度进行操作， 0 表示 x 坐标。self.segments[..., 0] = w - self.segments[..., 0]# 如果关键点数据存在，则对关键点的 x 坐标进行翻转。if self.keypoints is not None:# 将关键点的所有 x 坐标更新为 w - x ，实现水平翻转。同样使用 NumPy 的切片和广播机制来实现翻转操作。self.keypoints[..., 0] = w - self.keypoints[..., 0]# 这个 fliplr 方法的主要作用是对 Instances 实例中的边界框、分割掩码和关键点进行左右翻转。通过传入图像的宽度 w ，它可以灵活地调整实例中所有相关数据的位置，使其在水平方向上进行翻转，这在图像处理和数据增强等任务中非常有用。# 这段代码是 Instances 类中的 clip 方法，用于将实例中的边界框、分割掩码和关键点的坐标裁剪到指定的范围内，以确保它们不会超出图像的边界。# 定义 clip 方法，接受两个参数。# 1.w ：图像的宽度。# 2.h ：图像的高度。def clip(self, w, h):# 剪辑边界框、线段和关键点值以保持在图像边界内。"""Clips bounding boxes, segments, and keypoints values to stay within image boundaries."""# 获取并保存当前边界框的格式，以便在裁剪操作完成后恢复到原始格式。ori_format = self._bboxes.format# 将边界框的格式转换为 "xyxy" ，因为裁剪操作通常在 "xyxy" 格式下进行，这种格式表示边界框的左上角和右下角坐标。self.convert_bbox(format="xyxy")# 对边界框的 x 坐标和 y 坐标分别进行裁剪。使用 NumPy 的 clip 方法来实现裁剪操作，确保坐标不会超出图像的边界。# 将 x 坐标（ x1 和 x2 ）裁剪到 [0, w] 范围内。self.bboxes[:, [0, 2]] = self.bboxes[:, [0, 2]].clip(0, w)# 将 y 坐标（ y1 和 y2 ）裁剪到 [0, h] 范围内。self.bboxes[:, [1, 3]] = self.bboxes[:, [1, 3]].clip(0, h)# 如果原始边界框格式不是 "xyxy" ，则将边界框格式恢复到原始格式。这一步确保裁剪操作不会改变边界框的原始格式。if ori_format != "xyxy":self.convert_bbox(format=ori_format)# 对分割掩码的 x 坐标和 y 坐标分别进行裁剪。使用 NumPy 的 clip 方法来实现裁剪操作，确保坐标不会超出图像的边界。# 将 x 坐标裁剪到 [0, w] 范围内。self.segments[..., 0] = self.segments[..., 0].clip(0, w)# 将 y 坐标裁剪到 [0, h] 范围内。self.segments[..., 1] = self.segments[..., 1].clip(0, h)# 如果关键点数据存在，则对关键点的 x 坐标和 y 坐标分别进行裁剪。使用 NumPy 的 clip 方法来实现裁剪操作，确保坐标不会超出图像的边界。if self.keypoints is not None:# 将 x 坐标裁剪到 [0, w] 范围内。self.keypoints[..., 0] = self.keypoints[..., 0].clip(0, w)# 将 y 坐标裁剪到 [0, h] 范围内。self.keypoints[..., 1] = self.keypoints[..., 1].clip(0, h)# 这个 clip 方法的主要作用是确保 Instances 实例中的边界框、分割掩码和关键点的坐标不会超出图像的有效范围。通过传入图像的宽度和高度，它对所有相关数据进行裁剪，使其保持在 [0, w] 和 [0, h] 的范围内，从而避免坐标越界的问题。# 这段代码是 Instances 类中的 remove_zero_area_boxes 方法，用于移除面积为零的边界框及其对应的分割掩码和关键点。# 定义 remove_zero_area_boxes 方法，该方法不接受额外的参数。def remove_zero_area_boxes(self):# 删除零面积框，即剪切后某些框的宽度或高度可能为零。# 这会删除它们。"""Remove zero-area boxes, i.e. after clipping some boxes may have zero width or height.This removes them."""# 计算边界框的面积，并生成一个布尔数组 good ，其中 True 表示边界框的面积大于零， False 表示面积为零。 self.bbox_areas 是一个属性，返回边界框的面积数组，然后通过比较操作 > 0 生成布尔数组。good = self.bbox_areas > 0# 检查布尔数组 good 中是否所有元素都是 True ，即是否所有边界框的面积都大于零。如果 not all(good) 为 True ，则表示存在面积为零的边界框，需要进行移除操作。if not all(good):# 使用布尔索引 good 对 self._bboxes 进行筛选，移除面积为零的边界框。 self._bboxes[good] 返回一个只包含面积大于零的边界框的新 Bboxes 实例。self._bboxes = self._bboxes[good]# 如果分割掩码存在且不为空，则使用布尔索引 good 对 self.segments 进行筛选，移除对应于面积为零的边界框的分割掩码。 self.segments[good] 返回一个只包含有效边界框对应的分割掩码的新数组。if len(self.segments):self.segments = self.segments[good]# 如果关键点数据存在，则使用布尔索引 good 对 self.keypoints 进行筛选，移除对应于面积为零的边界框的关键点。 self.keypoints[good] 返回一个只包含有效边界框对应的关键点的新数组。if self.keypoints is not None:self.keypoints = self.keypoints[good]# 返回布尔数组 good ，表示哪些边界框的面积大于零。这可以用于进一步的处理或检查。return good# 这个 remove_zero_area_boxes 方法的主要作用是移除 Instances 实例中面积为零的边界框及其对应的分割掩码和关键点。通过生成布尔数组并使用布尔索引，它能够有效地筛选出有效的边界框及相关数据，确保实例中不包含无效的边界框信息。# 这段代码是 Instances 类中的 update 方法，用于更新实例中的边界框、分割掩码和关键点数据。# 定义 update 方法，接受三个参数。# 1.bboxes ：新的边界框数据。# 2.segments ：新的分割掩码数据，默认为 None。# 3.keypoints ：新的关键点数据，默认为 None 。def update(self, bboxes, segments=None, keypoints=None):# 更新实例变量。"""Updates instance variables."""# 使用新的边界框数据 bboxes 创建一个新的 Bboxes 实例，并将其存储在 self._bboxes 中。 format=self._bboxes.format 确保新创建的 Bboxes 实例使用与当前实例相同的边界框格式。这一步更新了实例中的边界框数据，并保留了原有的格式设置。self._bboxes = Bboxes(bboxes, format=self._bboxes.format)# 如果 segments 不为 None ，则更新 self.segments 为新的分割掩码数据 segments 。这一步仅在提供了新的分割掩码数据时进行更新，否则保留原有的分割掩码数据。if segments is not None:self.segments = segments# 如果 keypoints 不为 None ，则更新 self.keypoints 为新的关键点数据 keypoints 。这一步仅在提供了新的关键点数据时进行更新，否则保留原有的关键点数据。if keypoints is not None:self.keypoints = keypoints# 这个 update 方法的主要作用是更新 Instances 实例中的边界框、分割掩码和关键点数据。它允许用户传入新的数据来替换实例中的相应部分，同时保留原有的格式设置和其他数据不变. 这种更新机制使得实例能够灵活地适应新的数据输入，适用于动态数据处理和更新的场景。# 这段代码是 Instances 类中的 __len__ 方法，用于返回实例中边界框的数量。# 定义 __len__ 方法。这是一个特殊的方法，用于实现 Python 的内置函数 len() 。当调用 len(instance) 时，Python 会自动调用该实例的 __len__ 方法。def __len__(self):# 返回实例列表的长度。"""Return the length of the instance list."""# 返回 self.bboxes 的长度，即边界框的数量。 self.bboxes 是一个二维数组，其中每一行表示一个边界框的坐标。 len(self.bboxes) 返回该数组的行数，也就是边界框的数量。return len(self.bboxes)# 通过实现 __len__ 方法， Instances 类的对象可以使用内置的 len() 函数来获取边界框的数量。这使得代码更加简洁和直观，符合 Python 的习惯用法。例如，如果 instances 是一个 Instances 实例，那么 len(instances) 将返回边界框的数量。# 这段代码是 Instances 类中的一个类方法 concatenate ，用于将多个 Instances 实例合并为一个新的 Instances 实例。# @classmethod# 在Python中， @classmethod 是一个装饰器，用于将一个普通的方法转换为类方法。类方法的第一个参数总是 cls ，它代表类本身，而不是类的实例。这意味着你可以在不创建类实例的情况下调用这个方法，并且可以在这个方法内部访问类的属性和方法。# 类方法通常用于不需要类实例就可以执行的操作，例如 ：# 创建类实例时不依赖于类的状态。# 需要访问类属性而不是实例属性。# 实现备选构造器（alternative constructors）。# 类方法可以被子类继承，并且可以被子类的实例和子类本身调用。# 使用 @classmethod 装饰器定义一个类方法 concatenate 。@classmethod# 定义 concatenate 方法，接受三个参数。# 1.cls ：类的引用，用于在方法中创建新的类实例。# 2.instances_list ：一个参数，表示要合并的 Instances 实例列表。# 3.axis ：一个可选参数，表示合并的轴，默认为 0，即按行合并。# 返回类型为 Instances ，表示返回一个新的 Instances 实例。def concatenate(cls, instances_list: List["Instances"], axis=0) -> "Instances":# 将实例对象列表连接成单个实例对象。# 注意：# 列表中的 `Instances` 对象应具有相同的属性，例如边界框的格式、关键点是否存在以及坐标是否标准化。"""Concatenates a list of Instances objects into a single Instances object.Args:instances_list (List[Instances]): A list of Instances objects to concatenate.axis (int, optional): The axis along which the arrays will be concatenated. Defaults to 0.Returns:Instances: A new Instances object containing the concatenated bounding boxes,segments, and keypoints if present.Note:The `Instances` objects in the list should have the same properties, such asthe format of the bounding boxes, whether keypoints are present, and if thecoordinates are normalized."""# 断言检查 instances_list 是否为列表或元组。如果不是，则抛出异常，提示 instances_list 的类型不正确。assert isinstance(instances_list, (list, tuple))# 如果 instances_list 为空，则返回一个新的 Instances 实例，其中边界框数组为空。if not instances_list:# np.empty(0) 创建一个空的 NumPy 数组。 cls(np.empty(0)) 使用类的构造函数创建一个新的 Instances 实例，传入空的边界框数组。return cls(np.empty(0))# 断言检查 instances_list 中的每个元素是否都是 Instances 实例。如果有任何元素不是 Instances 实例，则抛出异常。assert all(isinstance(instance, Instances) for instance in instances_list)# 如果 instances_list 只有一个元素，则直接返回该元素，因为不需要合并。if len(instances_list) == 1:return instances_list[0]# 获取合并所需的参数。# 判断是否有关键点数据。use_keypoint = instances_list[0].keypoints is not None# 获取边界框的格式。bbox_format = instances_list[0]._bboxes.format# 获取归一化状态。normalized = instances_list[0].normalized# 使用 np.concatenate 将 instances_list 中所有 Instances 实例的边界框、分割掩码和关键点数组按指定轴 axis 合并。 cat_boxes 、 cat_segments 和 cat_keypoints 分别存储合并后的边界框、分割掩码和关键点数组。# [ins.bboxes for ins in instances_list] ：提取每个实例的边界框数组。cat_boxes = np.concatenate([ins.bboxes for ins in instances_list], axis=axis)# [b.segments for b in instances_list] ：提取每个实例的分割掩码数组。cat_segments = np.concatenate([b.segments for b in instances_list], axis=axis)# [b.keypoints for b in instances_list] ：提取每个实例的关键点数组（如果存在）。cat_keypoints = np.concatenate([b.keypoints for b in instances_list], axis=axis) if use_keypoint else None# 使用合并后的边界框、分割掩码、关键点、边界框格式和归一化状态创建一个新的 Instances 实例。返回这个新的 Instances 实例，它包含了合并后的所有数据。return cls(cat_boxes, cat_segments, cat_keypoints, bbox_format, normalized)# 这个 concatenate 类方法的主要作用是将多个 Instances 实例合并为一个新的 Instances 实例。它首先进行参数验证，确保输入的列表不为空且所有元素都是 Instances 实例。然后根据列表的长度决定是否需要合并，最后使用 np.concatenate 进行合并并返回新的实例。这种方法方便地实现了实例数据的批量处理和合并，适用于需要对多个实例进行统一操作的场景。# 这段代码是 Instances 类中的一个属性方法 bboxes ，用于获取实例中的边界框数据。# property(fget=None, fset=None, fdel=None, doc=None)# 在 Python 中， property 是一个内置函数，用于创建属性访问器（getter）、修改器（setter）和删除器（deleter）。 property 函数通常用于将类的方法转换为属性，使得这些方法可以像访问普通属性一样被访问。# 参数 ：# fget ：一个函数，用于获取属性值。如果没有提供，则属性将只写。# fset ：一个函数，用于设置属性值。如果没有提供，则属性将只读。# fdel ：一个函数，用于删除属性。如果没有提供，则属性将不能被删除。# doc ：属性的文档字符串。# 返回值 ：# 返回一个属性对象，该对象可以用于定义管理属性访问的方法。# 用法示例 ：# @property# property 函数是 Python 中实现 getter/setter/ deleter 的标准方式，它允许在访问属性时执行额外的逻辑，例如验证或更新其他属性。# 使用 @property 装饰器定义一个属性方法 bboxes 。这意味着可以像访问实例变量一样访问 bboxes ，而不需要调用方法。@property# bboxes 属性用于返回实例中的边界框数据。def bboxes(self):# 返回边界框。"""Return bounding boxes."""# 返回 self._bboxes 对象的 bboxes 属性，即边界框数据。# self._bboxes 是一个 Bboxes 类的实例，其 bboxes 属性存储了边界框的坐标数组。# 通过这种方式， bboxes 属性提供了一个方便的接口来访问和使用实例中的边界框数据。return self._bboxes.bboxes# 这个 bboxes 属性方法的主要作用是提供一个简洁的方式来获取 Instances 实例中的边界框数据。通过访问 instance.bboxes ，用户可以直接获取到边界框的坐标数组，而不需要直接操作 Bboxes 对象的内部属性. 这种设计使得代码更加清晰和易于使用。
# 这个 Instances 类提供了一个灵活的方式来表示和操作图像实例的边界框、分割掩码和关键点。它支持多种操作，如格式转换、缩放、翻转、裁剪和合并等，使得图像处理和目标检测等任务更加方便和高效。