for label, score, seg in zip(class_ids, conf, masks): # 解析分割掩码 mask = seg[0] # 取第一个对象的分割掩码 mask = mask.astype(np.uint8) # 将掩码转换为无符号整数类型 _, mask_binary = cv2.threshold(mask, 0, 255, cv2.THRESH_BINARY) # 将掩码转换为二值图像 mask是三维数组 而且如果模型推理出多个分割对象呢

如果mask是一个三维数组，并且模型推理出多个分割对象，可以使用以下代码进行修改：

for label, score, seg in zip(class_ids, conf, masks):
    for obj_idx in range(len(seg)):
        # 解析分割掩码
        mask = seg[obj_idx]  # 取第obj_idx个对象的分割掩码
        mask = mask.astype(np.uint8)  # 将掩码转换为无符号整数类型
        _, mask_binary = cv2.threshold(mask, 0, 255, cv2.THRESH_BINARY)  # 将掩码转换为二值图像

        # 获取分割多边形
        contours, _ = cv2.findContours(mask_binary, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)
        contour = contours[0] if len(contours) > 0 else []

        # 将分割多边形的点坐标转换为列表的点（points）形式
        points = [[int(coord[0]), int(coord[1])] for coord in contour.squeeze().tolist()] if len(contour) > 0 else []

        results.append({
            "confidence": str(score),
            "label": labels.get(label, "unknown"),
            "points": points,
            "type": "polygon",
            "mask": mask.tolist()  # 将分割掩码转换为列表形式
        })

这样修改后，可以处理模型推理出多个分割对象的情况。每个对象的分割掩码将被提取并存储在results列表中。