Link to this sectionDocumentación de Ultralytics: Uso de YOLO26 con SAHI para inferencia por fragmentos#

Te damos la bienvenida a la documentación de Ultralytics sobre cómo usar YOLO26 con SAHI (Slicing Aided Hyper Inference). Esta guía completa pretende proporcionarte todos los conocimientos esenciales que necesitarás para implementar SAHI junto con YOLO26. Analizaremos en profundidad qué es SAHI, por qué la inferencia por fragmentos es crítica para aplicaciones a gran escala y cómo integrar estas funcionalidades con YOLO26 para obtener un mejor rendimiento en la detección de objetos.

Link to this sectionIntroducción a SAHI#

SAHI (Slicing Aided Hyper Inference) es una biblioteca innovadora diseñada para optimizar los algoritmos de detección de objetos en imágenes de alta resolución y gran escala. Su funcionalidad principal reside en dividir las imágenes en fragmentos manejables, ejecutar la detección de objetos en cada fragmento y, después, volver a unir los resultados. SAHI es compatible con una amplia gama de modelos de detección de objetos, incluida la serie YOLO, ofreciendo así flexibilidad a la vez que garantiza un uso optimizado de los recursos computacionales.

Link to this sectionCaracterísticas principales de SAHI#

• Integración perfecta: SAHI se integra sin esfuerzo con los modelos YOLO, lo que significa que puedes empezar a fragmentar y detectar sin necesidad de muchas modificaciones en el código.
• Eficiencia de recursos: Al dividir imágenes grandes en partes más pequeñas, SAHI optimiza el uso de la memoria, permitiéndote ejecutar detecciones de alta calidad en hardware con recursos limitados.
• Alta precisión: SAHI mantiene la precisión de la detección empleando algoritmos inteligentes para combinar las cajas de detección superpuestas durante el proceso de unión.

Link to this section¿Qué es la inferencia por fragmentos?#

La inferencia por fragmentos se refiere a la práctica de subdividir una imagen grande o de alta resolución en segmentos más pequeños (fragmentos), realizar la detección de objetos en estos fragmentos y, posteriormente, recomponer los fragmentos para reconstruir las ubicaciones de los objetos en la imagen original. Esta técnica es inestimable en escenarios donde los recursos computacionales son limitados o cuando se trabaja con imágenes de altísima resolución que, de otro modo, podrían causar problemas de memoria.

Link to this sectionVentajas de la inferencia por fragmentos#

• Carga computacional reducida: Los fragmentos de imagen más pequeños son más rápidos de procesar y consumen menos memoria, lo que permite un funcionamiento más fluido en hardware de gama baja.

• Calidad de detección preservada: Dado que cada fragmento se trata de forma independiente, no hay reducción en la calidad de la detección de objetos, siempre y cuando los fragmentos sean lo suficientemente grandes como para capturar los objetos de interés.

• Escalabilidad mejorada: La técnica permite escalar más fácilmente la detección de objetos a través de diferentes tamaños y resoluciones de imagen, lo que la hace ideal para una amplia gama de aplicaciones, desde imágenes satelitales hasta diagnósticos médicos.

YOLO26 without SAHI	YOLO26 with SAHI

Link to this sectionInstalación y preparación#

Link to this sectionInstalación#

Para empezar, instala las versiones más recientes de SAHI y Ultralytics:

pip install -U ultralytics sahi

Link to this sectionImportar módulos y descargar recursos#

Aquí tienes cómo descargar algunas imágenes de prueba:

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",
)

Link to this sectionInferencia estándar con YOLO26#

Link to this sectionInstanciar el modelo#

Puedes instanciar un modelo YOLO26 para la detección de objetos de esta forma:

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'
)

Link to this sectionRealizar predicción estándar#

Realiza la inferencia estándar usando una ruta de imagen.

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)

Link to this sectionVisualizar resultados#

Exporta y visualiza las cajas delimitadoras y máscaras predichas:

from PIL import Image

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

# Display the predicted image
processed_image.show()

Link to this sectionInferencia por fragmentos con YOLO26#

Realiza la inferencia por fragmentos especificando las dimensiones del fragmento y las tasas de solapamiento:

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()

Link to this sectionManejo de resultados de predicción#

SAHI proporciona un objeto PredictionResult, que puede convertirse a varios formatos de anotación:

# 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]

Link to this sectionPredicción por lotes#

Para la predicción por lotes en un directorio de imágenes:

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,
)

Ahora estás listo para usar YOLO26 con SAHI tanto para la inferencia estándar como para la de fragmentos.

Link to this sectionCitas y agradecimientos#

Si usas SAHI en tu trabajo de investigación o desarrollo, por favor cita el documento original de SAHI y reconoce a los autores:

@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}
}

Extendemos nuestro agradecimiento al grupo de investigación de SAHI por crear y mantener este recurso inestimable para la comunidad de visión por computador. Para más información sobre SAHI y sus creadores, visita el repositorio de GitHub de SAHI.

Link to this sectionFAQ#

Link to this section¿Cómo puedo integrar YOLO26 con SAHI para la inferencia por fragmentos en la detección de objetos?#

Integrar Ultralytics YOLO26 con SAHI (Slicing Aided Hyper Inference) para la inferencia por fragmentos optimiza tus tareas de detección de objetos en imágenes de alta resolución al particionarlas en fragmentos manejables. Este enfoque mejora el uso de la memoria y garantiza una alta precisión de detección. Para empezar, necesitas instalar las bibliotecas ultralytics y sahi:

pip install -U ultralytics sahi

Luego, descarga las imágenes de prueba:

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",
)

Para instrucciones más detalladas, consulta nuestra guía de inferencia por fragmentos.

Link to this section¿Por qué debería usar SAHI con YOLO26 para la detección de objetos en imágenes grandes?#

Usar SAHI con Ultralytics YOLO26 para la detección de objetos en imágenes grandes ofrece varios beneficios:

• Carga computacional reducida: Los fragmentos más pequeños son más rápidos de procesar y consumen menos memoria, lo que hace posible ejecutar detecciones de alta calidad en hardware con recursos limitados.
• Precisión de detección mantenida: SAHI usa algoritmos inteligentes para combinar cajas superpuestas, preservando la calidad de la detección.
• Escalabilidad mejorada: Al escalar las tareas de detección de objetos a través de diferentes tamaños y resoluciones de imagen, SAHI se vuelve ideal para diversas aplicaciones, como el análisis de imágenes satelitales y diagnósticos médicos.

Aprende más sobre los beneficios de la inferencia por fragmentos en nuestra documentación.

Link to this section¿Puedo visualizar los resultados de la predicción cuando uso YOLO26 con SAHI?#

Sí, puedes visualizar los resultados de la predicción cuando usas YOLO26 con SAHI. Aquí tienes cómo puedes exportar y visualizar los resultados:

from PIL import Image

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

processed_image = Image.open("demo_data/prediction_visual.png")

processed_image.show()

Este comando guardará las predicciones visualizadas en el directorio especificado, y luego podrás cargar la imagen para verla en tu notebook o aplicación. Para una guía detallada, consulta la sección de inferencia estándar.

Link to this section¿Qué características ofrece SAHI para mejorar la detección de objetos con YOLO26?#

SAHI (Slicing Aided Hyper Inference) ofrece varias características que complementan a Ultralytics YOLO26 para la detección de objetos:

• Integración perfecta: SAHI se integra fácilmente con los modelos YOLO, requiriendo ajustes mínimos de código.
• Eficiencia de recursos: Particiona imágenes grandes en fragmentos más pequeños, lo que optimiza el uso de la memoria y la velocidad.
• Alta precisión: Al combinar eficazmente las cajas de detección superpuestas durante el proceso de unión, SAHI mantiene una alta precisión de detección.

Para una comprensión más profunda, lee sobre las características clave de SAHI.

Link to this section¿Cómo gestiono proyectos de inferencia a gran escala usando YOLO26 y SAHI?#

Para gestionar proyectos de inferencia a gran escala usando YOLO26 y SAHI, sigue estas buenas prácticas:

1. Instalar las bibliotecas requeridas: Asegúrate de tener las versiones más recientes de ultralytics y sahi.
2. Configurar la inferencia por fragmentos: Determina las dimensiones óptimas de los fragmentos y las tasas de solapamiento para tu proyecto específico.
3. Ejecutar predicciones por lotes: Usa las capacidades de SAHI para realizar predicciones por lotes en un directorio de imágenes, lo cual mejora la eficiencia.

Ejemplo para predicción por lotes:

from sahi.predict import predict

predict(
    model_type="ultralytics",
    model_path="path/to/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,
)

Para pasos más detallados, visita nuestra sección sobre predicción por lotes.