上一次学习了supervision库的Detections类，按照官方文档，接下来学习的是各种Annotator标注器类，我主要学习几个我感兴趣的、有意思的Annotator类型

一、Annotator

所有的XxxAnnotator类都是继承自BaseAnnotator类，并重写了其中的annotator方法

(注：由于几乎大部分的XxxAnnotator类的构造函数__init__都含有参数color,thickness和color_look_up，分别代表边框颜色、边框粗细和颜色映射关系，且都有相应的默认值，一般来说使用默认即可，故后文就不再将这几个参数再写一遍，只会将不同标注器的独有参数标注出来，详细信息可见https://supervision.roboflow.com/0.24.0/detection/annotators官方信息)

1. BoxAnnotator

   • 作用：

     • 使用一个矩形框标注检测对象

   • 代码：

   import cv2
   import supervision as sv
   from ultralytics import YOLO
   
   model=YOLO('yolo11n.pt')
   image=cv2.imread('images/cars.png')
   result=model(image)[0]
   
   detections=sv.Detections.from_ultralytics(result)
   
   annotator=sv.BoxAnnotator()								 #创建BoxAnnotator实例
   annotator.annotate(scene=image,detections=detections) 	    #调用annotator方法
   
   image=cv2.resize(image,dsize=None,fx=0.5,fy=0.5)		   #缩放图片大小，使得图片截图小一点
   cv2.imshow('img1',image)
   cv2.waitKey(0)
   

   • 结果：

   

2. BoxCornerAnnotator

   • 作用：

     • 用四角框标注检测对象

   • 构造函数参数：

     • corner_length：角标的长度，默认为15

   • 代码：

     # 导库、打开图像、导入模型等操作省略了
     annotator=sv.BoxCornerAnnotator(corner_length=40)
     annotator.annotate(scene=image,detections=detections)
     
     image=cv2.resize(image,dsize=None,fx=0.5,fy=0.5)
     cv2.imshow('img1',image)
     cv2.waitKey(0)
     

   • 结果：

     

3. EllipseAnnotator

   • 作用：

     • 用椭圆框标注检测目标

   • 构造函数参数：

     1. start_angle：椭圆的起始角度，默认为-45，顺时针为正方向
     2. end_angle:椭圆的结束角度，默认为235，顺时针为正方向

   • 代码

     #省略
     #代码中若设置了粗细度，只为能明显一些，没有其他含义
     annotator=sv.EllipseAnnotator(start_angle=-35,end_angle=220,thickness=10)
     
     annotator.annotate(scene=image,detections=detections)
     
     image=cv2.resize(image,dsize=None,fx=0.5,fy=0.5)
     cv2.imshow('img1',image)
     cv2.waitKey(0)
     

   • 结果：

     

4. HaloAnnotator

   • 作用：

     • 用光环效果标记检测目标，该标注器需要用到Detections类中的mask属性，因此如果使用yolo的话，需要用图像分割的模型例如yolo11n-seg.pt来产生mask

   • 构造函数参数：

     1. opacity：mask的不透明度，默认为0.8
     2. kernel_size：用于创建光环的平均池化内核大小，默认为40
     3. 注意：该类因为使用mask而非线条绘制边框，因此没有thickness属性

   • 代码：

     import cv2
     import supervision as sv
     from ultralytics import YOLO
     
     model=YOLO('yolo11n-seg.pt')
     image=cv2.imread('images/cars.png')
     result=model(image)[0]
     
     detections=sv.Detections.from_ultralytics(result)
     
     annotator=sv.HaloAnnotator(opacity=1.0,kernel_size=80)
     annotator.annotate(scene=image,detections=detections)
     
     image=cv2.resize(image,dsize=None,fx=0.5,fy=0.5)
     cv2.imshow('img1',image)
     cv2.waitKey(0)
     

   • 结果（有点离谱，用seg模型，后面几个路障被识别成人了）：

     

5. PercentageBarAnnotator

   • 作用：

     • 用百分比框来标注检测图像

   • 构造函数参数：

     1. height：百分比框的高，默认为16
     2. width：百分比框的宽，默认为88
     3. border_color：百分比框的边框线条颜色，默认为BLACK
     4. position：百分比条的锚点位置，默认为TOP_CENTER
     5. border_thickness：边框粗细，默认为None

   • annotate方法：

     1. custom_values：百分比条的值，如果为None则表示使用该物体的检测置信度来作为值，如果要自定义，应传入一个ndarray数组，长度与检测数目相等，且取值为[0,1]，用以表示百分比

   • 代码：

     #省略
     annotator=sv.PercentageBarAnnotator(height=30,width=300)
     #使用默认的置信度来表示百分比的值
     annotator.annotate(scene=image,detections=detections)
     
     image=cv2.resize(image,dsize=None,fx=0.5,fy=0.5)
     cv2.imshow('img1',image)
     cv2.waitKey(0)
     

   • 结果：

     

6. PixelateAnnotator

   • 作用：

     • 对检测区域进行像素化，注意，这个类不需要mask，他是直接对矩形框的范围内像素化

   • 构造函数参数（仅有一参数）：

     1. pixel_size：像素块的大小，默认为20

   • 代码：

     #省略
     annotator=sv.PixelateAnnotator(pixel_size=30)
     annotator.annotate(scene=image,detections=detections)
     
     image=cv2.resize(image,dsize=None,fx=0.5,fy=0.5)
     cv2.imshow('img1',image)
     cv2.waitKey(0)
     

   • 结果：

     

以上就是我本人感兴趣的一些标注框，更多详细细节可以到supervision的官方文档里去查看