استخدام YOLO26 مع SAHI للاستدلال بالتقسيم إلى شرائح#

يوضح هذا الدليل كيفية استخدام YOLO26 مع SAHI (الاستدلال فائق الأداء بمساعدة التقسيم). سنتعمق في ماهية SAHI، وأهمية الاستدلال بالتقسيم إلى شرائح للتطبيقات واسعة النطاق، وكيفية دمج هذه الوظائف مع YOLO26 لتحسين أداء كشف الأجسام.

مقدمة إلى SAHI#

SAHI (الاستدلال فائق الأداء بمساعدة التقسيم) مكتبة مبتكرة مصممة لتحسين خوارزميات كشف الأجسام للصور واسعة النطاق وعالية الدقة. وتتمثل وظيفتها الأساسية في تقسيم الصور إلى شرائح يسهل التعامل معها، وإجراء كشف الأجسام على كل شريحة، ثم جمع النتائج مجددًا. تتوافق SAHI مع مجموعة من نماذج كشف الأجسام، بما فيها سلسلة YOLO، ما يوفر المرونة مع ضمان الاستخدام الأمثل للموارد الحاسوبية.

الميزات الأساسية لـ SAHI#

• تكامل سلس: تتكامل SAHI بسهولة مع نماذج YOLO، ما يتيح لك البدء بتقسيم الصور إلى شرائح والكشف دون الحاجة إلى تعديلات كثيرة على الشيفرة.
• كفاءة استخدام الموارد: من خلال تقسيم الصور الكبيرة إلى أجزاء أصغر، تحسّن SAHI استخدام الذاكرة، ما يتيح إجراء كشف عالي الجودة على أجهزة ذات موارد محدودة.
• دقة عالية: تحافظ SAHI على دقة الكشف باستخدام خوارزميات ذكية لدمج مربعات الكشف المتداخلة أثناء عملية التجميع.

ما الاستدلال بالتقسيم إلى شرائح؟#

يشير الاستدلال بالتقسيم إلى شرائح إلى تقسيم صورة كبيرة أو عالية الدقة إلى أجزاء أصغر (شرائح)، وإجراء كشف الأجسام على هذه الشرائح، ثم إعادة تجميعها لاستعادة مواقع الأجسام في الصورة الأصلية. وتكتسب هذه التقنية أهمية كبيرة عندما تكون الموارد الحاسوبية محدودة أو عند العمل بصور فائقة الدقة قد تؤدي لولاها إلى مشكلات في الذاكرة.

فوائد الاستدلال بالتقسيم إلى شرائح#

• تقليل العبء الحاسوبي: تُعالج شرائح الصور الأصغر بسرعة أكبر وتستهلك ذاكرة أقل، ما يتيح تشغيلًا أكثر سلاسة على الأجهزة منخفضة الإمكانات.

• الحفاظ على جودة الكشف: بما أن كل شريحة تُعالج بصورة مستقلة، فلا تنخفض جودة كشف الأجسام، ما دامت الشرائح كبيرة بما يكفي لالتقاط الأجسام محل الاهتمام.

• قابلية توسع محسّنة: تتيح هذه التقنية توسيع نطاق كشف الأجسام بسهولة أكبر عبر أحجام الصور ودقاتها المختلفة، ما يجعلها مثالية لمجموعة واسعة من التطبيقات، بدءًا من الصور الفضائية ووصولًا إلى التشخيص الطبي.

YOLO26 دون SAHI	YOLO26 مع SAHI

التثبيت والتحضير#

التثبيت#

للبدء، ثبّت أحدث إصدارات SAHI وUltralytics:

pip install -U ultralytics sahi

استيراد الوحدات وتنزيل الموارد#

إليك كيفية تنزيل بعض صور الاختبار:

from sahi.utils.file import download_from_url

# ⁨تنزيل صور الاختبار⁩
download_from_url(
    "https://raw.githubusercontent.com/obss/sahi/main/demo/demo_data/small-vehicles1.jpeg",
    "demo_data/small-vehicles1.jpeg",
)
download_from_url(
    "https://raw.githubusercontent.com/obss/sahi/main/demo/demo_data/terrain2.png",
    "demo_data/terrain2.png",
)

الاستدلال القياسي باستخدام YOLO26#

إنشاء مثيل للنموذج#

يمكنك إنشاء مثيل لنموذج YOLO26 لكشف الأجسام على النحو التالي:

from sahi import AutoDetectionModel

detection_model = AutoDetectionModel.from_pretrained(
    model_type="ultralytics",
    model_path="yolo26n.pt",
    confidence_threshold=0.3,
    device="cpu",  # ⁨أو 'cuda:0'⁩
)

تنفيذ التنبؤ القياسي#

نفّذ الاستدلال القياسي باستخدام مسار صورة.

from sahi.predict import get_prediction

result = get_prediction("demo_data/small-vehicles1.jpeg", detection_model)

result.export_visuals(export_dir="demo_data/", hide_conf=True)

تصوير النتائج#

صدّر مربعات الإحاطة والأقنعة المتنبأ بها وصوّرها:

from PIL import Image

# ⁨فتح الصورة المتنبأ بها⁩
processed_image = Image.open("demo_data/prediction_visual.png")

# ⁨عرض الصورة المتنبأ بها⁩
processed_image.show()

الاستدلال بالتقسيم إلى شرائح باستخدام YOLO26#

نفّذ الاستدلال بالتقسيم إلى شرائح بتحديد أبعاد الشرائح ونسب التداخل:

from PIL import Image
from sahi.predict import get_sliced_prediction

result = get_sliced_prediction(
    "demo_data/small-vehicles1.jpeg",
    detection_model,
    slice_height=256,
    slice_width=256,
    overlap_height_ratio=0.2,
    overlap_width_ratio=0.2,
)

# ⁨تصدير النتائج⁩
result.export_visuals(export_dir="demo_data/", hide_conf=True)

# ⁨فتح الصورة المتنبأ بها⁩
processed_image = Image.open("demo_data/prediction_visual.png")

# ⁨عرض الصورة المتنبأ بها⁩
processed_image.show()

التعامل مع نتائج التنبؤ#

توفر SAHI كائن PredictionResult، ويمكن تحويله إلى تنسيقات متنوعة للتعليقات التوضيحية:

# ⁨الوصول إلى قائمة التنبؤات الخاصة بالكائن⁩
object_prediction_list = result.object_prediction_list

# ⁨التحويل إلى تنسيقي التعليقات التوضيحية والتنبؤات في COCO⁩
result.to_coco_annotations()[:3]
result.to_coco_predictions(image_id=1)[:3]

التنبؤ على دفعات#

لإجراء التنبؤ على دفعات في دليل يحتوي على صور:

from sahi.predict import predict

predict(
    model_type="ultralytics",
    model_path="yolo26n.pt",
    model_device="cpu",  # ⁨أو 'cuda:0'⁩
    model_confidence_threshold=0.4,
    source="path/to/dir",
    slice_height=256,
    slice_width=256,
    overlap_height_ratio=0.2,
    overlap_width_ratio=0.2,
)

أصبحت الآن جاهزًا لاستخدام YOLO26 مع SAHI للاستدلال القياسي والاستدلال بالتقسيم إلى شرائح.

الاستشهادات والشكر والتقدير#

إذا استخدمت SAHI في بحثك أو عملك التطويري، فيُرجى الاستشهاد بالورقة البحثية الأصلية لـ SAHI والإقرار بفضل المؤلفين:

@article{akyon2022sahi,
  title={Slicing Aided Hyper Inference and Fine-tuning for Small Object Detection},
  author={Akyon, Fatih Cagatay and Altinuc, Sinan Onur and Temizel, Alptekin},
  journal={2022 IEEE International Conference on Image Processing (ICIP)},
  doi={10.1109/ICIP46576.2022.9897990},
  pages={966-970},
  year={2022}
}

نتقدم بالشكر إلى مجموعة SAHI البحثية على إنشاء هذا المورد القيّم وصيانته لخدمة مجتمع الرؤية الحاسوبية. لمزيد من المعلومات حول SAHI ومطوريها، تفضل بزيارة مستودع SAHI على GitHub.

الأسئلة الشائعة#