绘制矩形框#

1
img = cv2.imread("demo.jpg")
2
x1, y1, x2, y2 = 50, 40, 220, 180
3
cv2.rectangle(img, (x1, y1), (x2, y2), (0, 255, 0), 2)
4
cv2.imwrite("box.jpg", img)

OpenCV 颜色是 BGR，所以绿色是 (0, 255, 0)。

添加文字#

1
label = "person 0.92"
2
cv2.putText(
3
    img, label, (x1, max(20, y1 - 8)),
4
    cv2.FONT_HERSHEY_SIMPLEX, 0.6,
5
    (0, 255, 0), 2,
6
)

文字位置要防止超出图片顶部，所以可以对 y 坐标做 max。

批量可视化#

批量画框时，不要覆盖原图。保存到单独的 outputs/vis 目录，便于对照原始图片。

1
from pathlib import Path
2

3
out_dir = Path("outputs/vis")
4
out_dir.mkdir(parents=True, exist_ok=True)
5
cv2.imwrite(str(out_dir / "demo_vis.jpg"), img)

检查重点#

• 框是否覆盖目标，不偏移。

• 类别文字是否和目标一致。

• 坐标是 xyxy 还是 xywh，没有混用。

• 归一化坐标是否已经还原到像素坐标。

实战复盘#

把《OpenCV 绘制检测框》用于真实视觉项目时，我会先做可视化抽查。图像任务里很多错误不会抛异常，例如颜色通道反了、检测框偏移、标签和图片不同步，但一张可视化结果就能暴露。

每个处理步骤都应该保存少量中间结果：原图、处理后图片、mask、绘制框图片或预测输出。不要只保存最终模型指标，因为指标无法告诉你是哪一步把数据处理坏了。

如果文章涉及批量处理，还要记录成功数量、失败数量和失败样本路径。视觉项目的数据量一大，没有失败清单就很难复查。

最小验收样例#

验收《OpenCV 绘制检测框》时，我会固定三张图片：一张正常样例、一张边界样例、一张容易失败的样例。每次改代码都用这三张图跑一遍，并保存输出结果。

视觉流程的验收必须能用眼睛确认。只打印数组 shape 或命令成功不够，至少要保存一张中间结果图或最终可视化图，确认处理效果和预期一致。

小结#

画框不是展示效果图，而是排查数据和模型问题。任何检测任务都值得先做可视化抽查。