概要

物体検出AIを使用することで、「何が」「どこに」写っているかをAIに判断させることができます。本記事では、[物体検出]推論実行の実行結果に出力される「boxes」（どこに）について紹介します。

座標の出力形式

[物体検出]推論実行のレスポンスは下記3つのキーで構成されています。

• boxes：検出対象の座標
• labels：検出対象のラベル名
• scores：検出尤度（≒検出精度）

検知物体の座標（「どこに」位置しているか）は上記のboxesの中の数値で出力されます。

通常座標は(150,200)のように、座標の左上から開始して右方向（x軸）に150px、下方向（y軸）に200pxと実際のピクセル数を表記しますが、Learning Center Vision では座標の最小値を0、最大値を1として出力しています（正規化）。

以下のように左上を原点(0,0)、右下を最大値(1,1)としており、画像の中央にある点は画像のサイズと関係なく、(0.5,0.5)となります。

座標の詳細について

boxesの中に[ymin, xmin, ymax, xmax]と4つの座標が配列で格納されています。
それぞれはどこの距離を表しているかは下記イメージ図をご参照ください。

座標の使用用途

検出対象の画像を切り抜き、文字認識（AI-OCR）をさせたい場合など、正規化された座標ではなく、実際の座標が知りたい場合は、掛け算をすることで本来の座標が得られます。

例えば下記イメージ図から、検出対象が写っている範囲の画像を切り抜く場合は、仮に検出対象の左上の座標および縦横のサイズ（黄色矢印で示している3ヶ所）を必要とします。

各値は以下のように算出できます。

• 左上の座標　＝　（画像の横サイズ × xmin,画像の縦サイズ × ymin）
• 検出対象の横サイズ　＝　画像の横サイズ ×（xmax − xmin）
• 検出対象の縦サイズ　＝　画像の縦サイズ ×（ymax − ymin）

これで検出対象の場所を特定することができ、後処理で様々な活用が可能となります。