وثائق Ultralytics: استخدام YOLO26 مع SAHI للاستدلال المقسم#

مرحباً بك في وثائق Ultralytics حول كيفية استخدام YOLO26 مع SAHI (Slicing Aided Hyper Inference). يهدف هذا الدليل الشامل إلى تزويدك بجميع المعارف الأساسية التي تحتاجها لتنفيذ SAHI جنباً إلى جنب مع YOLO26. سنغوص في ماهية SAHI، ولماذا يعد الاستدلال المقطّع أمراً بالغ الأهمية للتطبيقات واسعة النطاق، وكيفية دمج هذه الوظائف مع YOLO26 لتحسين أداء object detection.

مقدمة عن SAHI#

SAHI (الاستدلال الفائق بمساعدة التقسيم) هو مكتبة مبتكرة مصممة لتحسين خوارزميات اكتشاف الأشياء للصور واسعة النطاق وعالية الدقة. تكمن وظيفتها الأساسية في تقسيم الصور إلى شرائح يمكن إدارتها، وتشغيل اكتشاف الأشياء على كل شريحة، ثم إعادة تجميع النتائج معاً. يتوافق SAHI مع مجموعة من نماذج اكتشاف الأشياء، بما في ذلك سلسلة YOLO، مما يوفر المرونة مع ضمان الاستخدام الأمثل للموارد الحسابية.

الميزات الرئيسية لـ SAHI#

• تكامل سلس: يتكامل SAHI بسهولة مع نماذج YOLO، مما يعني أنه يمكنك البدء في التقسيم والاكتشاف دون الحاجة إلى الكثير من تعديلات التعليمات البرمجية.
• كفاءة الموارد: من خلال تقسيم الصور الكبيرة إلى أجزاء أصغر، يعمل SAHI على تحسين استخدام الذاكرة، مما يسمح لك بتشغيل اكتشاف عالي الجودة على أجهزة ذات موارد محدودة.
• Accuracy عالية: تحافظ تقنية SAHI على دقة الكشف من خلال استخدام خوارزميات ذكية لدمج مربعات الكشف المتداخلة أثناء عملية التجميع.

ما هو الاستدلال المقسم؟#

يشير الاستدلال المقسم إلى ممارسة تقسيم صورة كبيرة أو عالية الدقة إلى أجزاء أصغر (شرائح)، وإجراء اكتشاف الأشياء على هذه الشرائح، ثم إعادة تجميع الشرائح لإعادة بناء مواقع الأشياء على الصورة الأصلية. هذه التقنية لا تقدر بثمن في السيناريوهات التي تكون فيها الموارد الحسابية محدودة أو عند العمل مع صور عالية الدقة للغاية والتي قد تؤدي بخلاف ذلك إلى مشكلات في الذاكرة.

فوائد الاستدلال المقسم#

• تقليل العبء الحسابي: تكون شرائح الصور الأصغر أسرع في المعالجة، وتستهلك ذاكرة أقل، مما يتيح تشغيلاً أكثر سلاسة على الأجهزة ذات المواصفات المنخفضة.

• الحفاظ على جودة الاكتشاف: نظراً لأنه يتم التعامل مع كل شريحة بشكل مستقل، فلا يوجد انخفاض في جودة اكتشاف الأشياء، بشرط أن تكون الشرائح كبيرة بما يكفي لالتقاط الأشياء محل الاهتمام.

• قابلية توسع محسنة: تسمح التقنية بجعل اكتشاف الأشياء أكثر سهولة في التوسع عبر أحجام ودقات مختلفة للصور، مما يجعلها مثالية لمجموعة واسعة من التطبيقات بدءاً من صور الأقمار الصناعية وصولاً إلى التشخيص الطبي.

YOLO26 without SAHI	YOLO26 with SAHI

التثبيت والإعداد#

التثبيت#

للبدء، قم بتثبيت أحدث إصدارات SAHI و Ultralytics:

pip install -U ultralytics sahi

استيراد الوحدات وتنزيل الموارد#

إليك كيفية تنزيل بعض صور الاختبار:

from sahi.utils.file import download_from_url

# Download test images
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 لاكتشاف الأشياء هكذا:

from sahi import AutoDetectionModel

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

إجراء التنبؤ القياسي#

إجراء 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)

تصور النتائج#

تصدير وتصور مربعات التحديد والأقنعة المتوقعة:

from PIL import Image

# Open the predicted image
processed_image = Image.open("demo_data/prediction_visual.png")

# Display the predicted image
processed_image.show()

الاستدلال المقسم باستخدام YOLO26#

إجراء الاستدلال المقسم عن طريق تحديد أبعاد الشريحة 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,
)

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

# Open the predicted image
processed_image = Image.open("demo_data/prediction_visual.png")

# Display the predicted image
processed_image.show()

التعامل مع نتائج التنبؤ#

توفر SAHI كائن PredictionResult، والذي يمكن تحويله إلى تنسیقات تعليق توضيحي مختلفة:

# Access the object prediction list
object_prediction_list = result.object_prediction_list

# Convert to COCO annotation and COCO prediction formats
result.to_coco_annotations()[:3]
result.to_coco_predictions(image_id=1)[:3]

التنبؤ الدفعي#

للتنبؤ الدفعي على دليل من الصور:

from sahi.predict import predict

predict(
    model_type="ultralytics",
    model_path="yolo26n.pt",
    model_device="cpu",  # or '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,
)

أنت الآن جاهز لاستخدام YOLO26 مع SAHI لكل من الاستدلال القياسي والمقسم.

الاقتباسات والشكر#

إذا كنت تستخدم SAHI في عملك البحثي أو التطويري، يرجى الاستشهاد بورقة SAHI الأصلية وتقدير 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}
}

نشكر فريق بحث SAHI على إنشاء وصيانة هذا المورد القیم لمجتمع computer vision. لمزيد من المعلومات حول SAHI ومبتكريها، تفضل بزيارة SAHI GitHub repository.

الأسئلة الشائعة#