遍历输入#

1
from pathlib import Path
2

3
image_dir = Path("images")
4
images = sorted(image_dir.glob("*.jpg"))
5
print("total", len(images))

先打印数量，确认实际读取的图片和预期一致。扩展名大小写也要考虑。

记录失败#

1
bad = []
2
for p in images:
3
    img = cv2.imread(str(p))
4
    if img is None:
5
        bad.append((str(p), "read_failed"))
6
        continue
7
    # result = model(img)
8

9
print("failed", len(bad))
10
print(bad[:10])

输出结构#

我习惯把可视化图片、预测 txt、统计 csv 分开放，避免结果目录混乱。

1
outputs/
2
  vis/
3
  labels/
4
  summary.csv
5
  failed.txt

批量后统计#

• 成功处理多少张。

• 失败多少张，失败原因是什么。

• 每类预测数量。

• 平均耗时和最慢样本。

实战复盘#

复用《批量图片推理流程》时，我会先用三到五张图片跑通流程，再扩大到完整数据集。小样本阶段要故意覆盖正常图、边界图和可能失败的图，而不是只选最干净的样本。

OpenCV 和 YOLO 相关步骤都要特别关注坐标和尺寸。图片数组常用高宽顺序，检测框常用 x/y 顺序，YOLO 又使用归一化中心点坐标，混用后不会总是报错，但结果一定会偏。

后续如果要写成更完整教程，可以补充输入目录结构、输出目录结构和一张可视化样例，让读者能直接对照自己的项目。

最小验收样例#

验收《批量图片推理流程》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#

批量推理不是把单张预测套循环。稳定的输入遍历、失败记录和结果目录，决定了后续能不能复查。