Referenz fĂŒr ultralytics/models/sam/predict.py
Hinweis
Diese Datei ist verfĂŒgbar unter https://github.com/ultralytics/ ultralytics/blob/main/ ultralytics/models/ sam/predict .py. Wenn du ein Problem entdeckst, hilf bitte mit, es zu beheben, indem du einen Pull Request đ ïž einreichst. Vielen Dank đ!
ultralytics.models.sam.predict.Predictor
Basen: BasePredictor
Predictor-Klasse fĂŒr das Segment Anything Model (SAM), die BasePredictor erweitert.
Die Klasse bietet eine Schnittstelle fĂŒr die Modellinferenz, die auf Bildsegmentierungsaufgaben zugeschnitten ist. Mit ihrer fortschrittlichen Architektur und den prompten Segmentierungsfunktionen ermöglicht sie eine flexible und Maskenerzeugung. Die Klasse ist in der Lage, mit verschiedenen Arten von Prompts zu arbeiten, wie z. B. Bounding Boxes, Punkten und niedrig aufgelösten Masken.
Attribute:
Name | Typ | Beschreibung |
---|---|---|
cfg |
dict
|
Konfigurationswörterbuch, das modell- und aufgabenbezogene Parameter angibt. |
overrides |
dict
|
Wörterbuch mit Werten, die die Standardkonfiguration auĂer Kraft setzen. |
_callbacks |
dict
|
Wörterbuch mit benutzerdefinierten Callback-Funktionen, um das Verhalten zu erweitern. |
args |
namespace
|
Namensraum zur Aufnahme von Kommandozeilenargumenten oder anderen operativen Variablen. |
im |
Tensor
|
Vorverarbeitetes Eingangsbild tensor. |
features |
Tensor
|
Extrahierte Bildmerkmale, die fĂŒr die Inferenz verwendet werden. |
prompts |
dict
|
Sammlung verschiedener Souffleur-Typen, wie z.B. Bounding Boxes und Punkte. |
segment_all |
bool
|
Flagge, um festzulegen, ob alle Objekte im Bild segmentiert werden sollen oder nur bestimmte. |
Quellcode in ultralytics/models/sam/predict.py
35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55 56 57 58 59 60 61 62 63 64 65 66 67 68 69 70 71 72 73 74 75 76 77 78 79 80 81 82 83 84 85 86 87 88 89 90 91 92 93 94 95 96 97 98 99 100 101 102 103 104 105 106 107 108 109 110 111 112 113 114 115 116 117 118 119 120 121 122 123 124 125 126 127 128 129 130 131 132 133 134 135 136 137 138 139 140 141 142 143 144 145 146 147 148 149 150 151 152 153 154 155 156 157 158 159 160 161 162 163 164 165 166 167 168 169 170 171 172 173 174 175 176 177 178 179 180 181 182 183 184 185 186 187 188 189 190 191 192 193 194 195 196 197 198 199 200 201 202 203 204 205 206 207 208 209 210 211 212 213 214 215 216 217 218 219 220 221 222 223 224 225 226 227 228 229 230 231 232 233 234 235 236 237 238 239 240 241 242 243 244 245 246 247 248 249 250 251 252 253 254 255 256 257 258 259 260 261 262 263 264 265 266 267 268 269 270 271 272 273 274 275 276 277 278 279 280 281 282 283 284 285 286 287 288 289 290 291 292 293 294 295 296 297 298 299 300 301 302 303 304 305 306 307 308 309 310 311 312 313 314 315 316 317 318 319 320 321 322 323 324 325 326 327 328 329 330 331 332 333 334 335 336 337 338 339 340 341 342 343 344 345 346 347 348 349 350 351 352 353 354 355 356 357 358 359 360 361 362 363 364 365 366 367 368 369 370 371 372 373 374 375 376 377 378 379 380 381 382 383 384 385 386 387 388 389 390 391 392 393 394 395 396 397 398 399 400 401 402 403 404 405 406 407 408 409 410 411 412 413 414 415 416 417 418 419 420 421 422 423 424 425 426 427 428 429 430 431 432 433 434 435 436 437 438 439 440 441 442 443 444 445 446 447 448 449 450 451 452 453 454 455 456 457 458 459 460 461 462 463 464 465 466 467 468 469 470 471 472 473 474 475 476 477 478 |
|
__init__(cfg=DEFAULT_CFG, overrides=None, _callbacks=None)
Initialisiere den Predictor mit Konfiguration, Overrides und Callbacks.
Die Methode richtet das Predictor-Objekt ein und wendet alle KonfigurationsĂŒberschreibungen oder RĂŒckrufe an. Sie initialisiert aufgabenspezifische Einstellungen fĂŒr SAM, z. B. dass retina_masks fĂŒr optimale Ergebnisse auf True gesetzt wird.
Parameter:
Name | Typ | Beschreibung | Standard |
---|---|---|---|
cfg |
dict
|
Konfigurationswörterbuch. |
DEFAULT_CFG
|
overrides |
dict
|
Wörterbuch mit Werten, die die Standardkonfiguration auĂer Kraft setzen. |
None
|
_callbacks |
dict
|
Wörterbuch der Callback-Funktionen, um das Verhalten anzupassen. |
None
|
Quellcode in ultralytics/models/sam/predict.py
generate(im, crop_n_layers=0, crop_overlap_ratio=512 / 1500, crop_downscale_factor=1, point_grids=None, points_stride=32, points_batch_size=64, conf_thres=0.88, stability_score_thresh=0.95, stability_score_offset=0.95, crop_nms_thresh=0.7)
FĂŒhre die Bildsegmentierung mit dem Segment Anything Model (SAM) durch.
Diese Funktion zerlegt ein ganzes Bild in seine Einzelteile, indem sie die fortschrittliche Architektur von SAM und Echtzeit-LeistungsfÀhigkeiten nutzt. Sie kann optional mit Bildausschnitten arbeiten, um eine feinere Segmentierung zu erreichen.
Parameter:
Name | Typ | Beschreibung | Standard |
---|---|---|---|
im |
Tensor
|
Eingabe tensor , die das vorverarbeitete Bild mit den Abmessungen (N, C, H, W) darstellt. |
erforderlich |
crop_n_layers |
int
|
Gibt die Anzahl der Ebenen fĂŒr zusĂ€tzliche Maskenvorhersagen auf Bildausschnitten an. Jede Ebene erzeugt 2**i_Layer Anzahl von Bildausschnitten. |
0
|
crop_overlap_ratio |
float
|
Bestimmt die Ăberlappung zwischen den Kulturen. Wird in den nachfolgenden Ebenen verkleinert. |
512 / 1500
|
crop_downscale_factor |
int
|
Skalierungsfaktor fĂŒr die Anzahl der gesampelten Punkte pro Seite in jeder Schicht. |
1
|
point_grids |
list[ndarray]
|
Benutzerdefinierte Raster fĂŒr Punktstichproben, normalisiert auf [0,1]. Wird in der n-ten Erntestufe verwendet. |
None
|
points_stride |
int
|
Anzahl der Punkte, die auf jeder Seite des Bildes gesampelt werden. AusschlieĂlich mit 'point_grids'. |
32
|
points_batch_size |
int
|
StapelgröĂe fĂŒr die Anzahl der gleichzeitig verarbeiteten Punkte. |
64
|
conf_thres |
float
|
Konfidenzschwelle [0,1] fĂŒr die Filterung auf der Grundlage der Vorhersage der MaskenqualitĂ€t durch das Modell. |
0.88
|
stability_score_thresh |
float
|
StabilitĂ€tsschwelle [0,1] fĂŒr die Maskenfilterung auf Basis der MaskenstabilitĂ€t. |
0.95
|
stability_score_offset |
float
|
Offset-Wert fĂŒr die Berechnung der StabilitĂ€tsbewertung. |
0.95
|
crop_nms_thresh |
float
|
IoU-Cutoff fĂŒr NMS, um doppelte Masken zwischen Kulturen zu entfernen. |
0.7
|
Retouren:
Typ | Beschreibung |
---|---|
tuple
|
Ein Tupel mit segmentierten Masken, Konfidenzwerten und Bounding Boxes. |
Quellcode in ultralytics/models/sam/predict.py
210 211 212 213 214 215 216 217 218 219 220 221 222 223 224 225 226 227 228 229 230 231 232 233 234 235 236 237 238 239 240 241 242 243 244 245 246 247 248 249 250 251 252 253 254 255 256 257 258 259 260 261 262 263 264 265 266 267 268 269 270 271 272 273 274 275 276 277 278 279 280 281 282 283 284 285 286 287 288 289 290 291 292 293 294 295 296 297 298 299 300 301 302 303 304 305 306 307 308 309 310 311 312 313 314 315 316 |
|
inference(im, bboxes=None, points=None, labels=None, masks=None, multimask_output=False, *args, **kwargs)
FĂŒhrt eine Bildsegmentierung auf der Grundlage der gegebenen Eingabehinweise durch und verwendet dabei das aktuell geladene Bild. Diese Methode nutzt die Architektur von SAM(Segment Anything Model), die aus einem Bild-Encoder, einem Prompt-Encoder und einem Maskendekoder fĂŒr Echtzeit- und promptable Segmentierungsaufgaben.
Parameter:
Name | Typ | Beschreibung | Standard |
---|---|---|---|
im |
Tensor
|
Das vorverarbeitete Eingangsbild im Format tensor , mit Form (N, C, H, W). |
erforderlich |
bboxes |
ndarray | List
|
Bounding Boxes mit der Form (N, 4), im XYXY-Format. |
None
|
points |
ndarray | List
|
Punkte, die die Standorte der Objekte mit der Form (N, 2) in Pixeln angeben. |
None
|
labels |
ndarray | List
|
Bezeichnungen fĂŒr Punktaufforderungen, Form (N, ). 1 = Vordergrund, 0 = Hintergrund. |
None
|
masks |
ndarray
|
Niedrig aufgelöste Masken aus frĂŒheren Vorhersagen Form (N,H,W). FĂŒr SAM H=W=256. |
None
|
multimask_output |
bool
|
Flagge zur RĂŒckgabe mehrerer Masken. Hilfreich bei zweideutigen Aufforderungen. |
False
|
Retouren:
Typ | Beschreibung |
---|---|
tuple
|
EnthĂ€lt die folgenden drei Elemente. - np.ndarray: Die Ausgangsmasken in der Form CxHxW, wobei C die Anzahl der erzeugten Masken ist. - np.ndarray: Ein Array der LĂ€nge C, das die vom Modell vorhergesagten QualitĂ€tswerte fĂŒr jede Maske enthĂ€lt. - np.ndarray: Niedrig aufgelöste Logits der Form CxHxW fĂŒr die anschlieĂende Inferenz, wobei H=W=256. |
Quellcode in ultralytics/models/sam/predict.py
postprocess(preds, img, orig_imgs)
Verarbeitet die Ergebnisse von SAM nach, um Masken und Boundingboxen fĂŒr die Objekterkennung zu erstellen.
Die Methode skaliert Masken und Boxen auf die ursprĂŒngliche BildgröĂe und wendet einen Schwellenwert auf die Maskenvorhersagen an. Das Modell SAM nutzt eine fortschrittliche Architektur und abrufbare Segmentierungsaufgaben, um eine Echtzeitleistung zu erzielen.
Parameter:
Name | Typ | Beschreibung | Standard |
---|---|---|---|
preds |
tuple
|
Die Ausgabe der SAM Modellinferenz, die Masken, Bewertungen und optionale Bounding Boxes enthÀlt. |
erforderlich |
img |
Tensor
|
Das bearbeitete Eingangsbild tensor. |
erforderlich |
orig_imgs |
list | Tensor
|
Die ursprĂŒnglichen, unbearbeiteten Bilder. |
erforderlich |
Retouren:
Typ | Beschreibung |
---|---|
list
|
Liste der Ergebnisobjekte mit Erkennungsmasken, Begrenzungsrahmen und anderen Metadaten. |
Quellcode in ultralytics/models/sam/predict.py
pre_transform(im)
FĂŒhre erste Transformationen am Eingangsbild durch, um es vorzuverarbeiten.
Die Methode wendet Transformationen wie die GröĂenĂ€nderung an, um das Bild fĂŒr die weitere Vorverarbeitung vorzubereiten. Zurzeit wird die Batch-Inferenz nicht unterstĂŒtzt; daher sollte die ListenlĂ€nge 1 sein.
Parameter:
Name | Typ | Beschreibung | Standard |
---|---|---|---|
im |
List[ndarray]
|
Liste mit Bildern im HWC Numpy-Array-Format. |
erforderlich |
Retouren:
Typ | Beschreibung |
---|---|
List[ndarray]
|
Liste der transformierten Bilder. |
Quellcode in ultralytics/models/sam/predict.py
preprocess(im)
Verarbeite das Eingangsbild fĂŒr die Modellinferenz vor.
Die Methode bereitet das Eingabebild durch Anwendung von Transformationen und Normalisierung vor. Sie unterstĂŒtzt sowohl torch.Tensor als auch list of np.ndarray als Eingabeformate.
Parameter:
Name | Typ | Beschreibung | Standard |
---|---|---|---|
im |
Tensor | List[ndarray]
|
BCHW tensor Format oder Liste der HWC Numpy-Arrays. |
erforderlich |
Retouren:
Typ | Beschreibung |
---|---|
Tensor
|
Das vorverarbeitete Bild tensor. |
Quellcode in ultralytics/models/sam/predict.py
prompt_inference(im, bboxes=None, points=None, labels=None, masks=None, multimask_output=False)
Interne Funktion fĂŒr die Segmentierung von Bildern auf der Grundlage von Begrenzungsrahmen, Punkten und Masken. Nutzt die spezielle Architektur von SAM fĂŒr prompt-basierte Segmentierung in Echtzeit.
Parameter:
Name | Typ | Beschreibung | Standard |
---|---|---|---|
im |
Tensor
|
Das vorverarbeitete Eingangsbild im Format tensor , mit Form (N, C, H, W). |
erforderlich |
bboxes |
ndarray | List
|
Bounding Boxes mit der Form (N, 4), im XYXY-Format. |
None
|
points |
ndarray | List
|
Punkte, die die Standorte der Objekte mit der Form (N, 2) in Pixeln angeben. |
None
|
labels |
ndarray | List
|
Bezeichnungen fĂŒr Punktaufforderungen, Form (N, ). 1 = Vordergrund, 0 = Hintergrund. |
None
|
masks |
ndarray
|
Niedrig aufgelöste Masken aus frĂŒheren Vorhersagen Form (N,H,W). FĂŒr SAM H=W=256. |
None
|
multimask_output |
bool
|
Flagge zur RĂŒckgabe mehrerer Masken. Hilfreich bei zweideutigen Aufforderungen. |
False
|
Retouren:
Typ | Beschreibung |
---|---|
tuple
|
EnthĂ€lt die folgenden drei Elemente. - np.ndarray: Die Ausgangsmasken in der Form CxHxW, wobei C die Anzahl der erzeugten Masken ist. - np.ndarray: Ein Array der LĂ€nge C, das die vom Modell vorhergesagten QualitĂ€tswerte fĂŒr jede Maske enthĂ€lt. - np.ndarray: Niedrig aufgelöste Logits der Form CxHxW fĂŒr die anschlieĂende Inferenz, wobei H=W=256. |
Quellcode in ultralytics/models/sam/predict.py
remove_small_regions(masks, min_area=0, nms_thresh=0.7)
staticmethod
FĂŒhre eine Nachbearbeitung der Segmentierungsmasken durch, die mit dem Segment Anything Model (SAM) erstellt wurden. Konkret bedeutet dies Funktion entfernt insbesondere kleine unzusammenhĂ€ngende Regionen und Löcher aus den Eingabemasken und fĂŒhrt dann eine Non-Maximum Suppression (NMS) durch, um alle neu erstellten doppelten Boxen zu entfernen.
Parameter:
Name | Typ | Beschreibung | Standard |
---|---|---|---|
masks |
Tensor
|
Eine tensor , die die zu bearbeitenden Masken enthĂ€lt. Shape sollte (N, H, W) sein, wobei N fĂŒr die Anzahl der Masken, H die Höhe und W die Breite ist. |
erforderlich |
min_area |
int
|
Die MindestflÀche, unterhalb derer nicht verbundene Regionen und Löcher entfernt werden. Der Standardwert ist 0. |
0
|
nms_thresh |
float
|
Der IoU-Schwellenwert fĂŒr den NMS-Algorithmus. Der Standardwert ist 0,7. |
0.7
|
Retouren:
Typ | Beschreibung |
---|---|
tuple([Tensor, List[int]])
|
|
Quellcode in ultralytics/models/sam/predict.py
reset_image()
set_image(image)
Verarbeitet ein einzelnes Bild vor und stellt es fĂŒr die Inferenz ein.
Diese Funktion richtet das Modell ein, falls es noch nicht initialisiert ist, konfiguriert die Datenquelle fĂŒr das angegebene Bild, und bereitet das Bild fĂŒr die Merkmalsextraktion vor. Es kann jeweils nur ein Bild eingestellt werden.
Parameter:
Name | Typ | Beschreibung | Standard |
---|---|---|---|
image |
str | ndarray
|
Pfad der Bilddatei als String oder ein np.ndarray-Bild, das von cv2 gelesen wird. |
erforderlich |
Erhöht:
Typ | Beschreibung |
---|---|
AssertionError
|
Wenn mehr als ein Bild eingestellt ist. |
Quellcode in ultralytics/models/sam/predict.py
set_prompts(prompts)
setup_model(model, verbose=True)
Initialisiert das Segment Anything Model (SAM) fĂŒr die Inferenz.
Diese Methode richtet das Modell SAM ein, indem sie es dem entsprechenden GerĂ€t zuweist und die notwendigen Parameter fĂŒr die Bildnormalisierung und andere Ultralytics KompatibilitĂ€tseinstellungen initialisiert.
Parameter:
Name | Typ | Beschreibung | Standard |
---|---|---|---|
model |
Module
|
Ein vortrainiertes SAM Modell. Wenn Keine, wird ein Modell basierend auf der Konfiguration erstellt. |
erforderlich |
verbose |
bool
|
Wenn True, werden die ausgewÀhlten GerÀteinformationen gedruckt. |
True
|
Attribute:
Name | Typ | Beschreibung |
---|---|---|
model |
Module
|
Das SAM Modell, das dem ausgewĂ€hlten GerĂ€t fĂŒr die Inferenz zugewiesen wurde. |
device |
device
|
Das GerÀt, dem das Modell und die Tensoren zugewiesen werden. |
mean |
Tensor
|
Die Mittelwerte fĂŒr die Bildnormalisierung. |
std |
Tensor
|
Die Standardabweichungswerte fĂŒr die Bildnormalisierung. |
Quellcode in ultralytics/models/sam/predict.py
setup_source(source)
Richtet die Datenquelle fĂŒr die Inferenz ein.
Diese Methode konfiguriert die Datenquelle, aus der die Bilder fĂŒr die Inferenz geholt werden. Bei der Quelle kann es sich um ein Verzeichnis, eine Videodatei oder eine andere Art von Bilddatenquelle sein.
Parameter:
Name | Typ | Beschreibung | Standard |
---|---|---|---|
source |
str | Path
|
Der Pfad zur Bilddatenquelle fĂŒr die Inferenz. |
erforderlich |