Utiliser YOLO26 avec SAHI pour l’inférence par découpage#

Ce guide explique comment utiliser YOLO26 avec SAHI (Slicing Aided Hyper Inference). Nous allons examiner en détail ce qu’est SAHI, pourquoi l’inférence par découpage est essentielle pour les applications à grande échelle et comment intégrer ces fonctionnalités à YOLO26 pour améliorer les performances de la détection d’objets.

Présentation de SAHI#

SAHI (Slicing Aided Hyper Inference) est une bibliothèque innovante conçue pour optimiser les algorithmes de détection d’objets sur des images de grande taille et haute résolution. Sa principale fonctionnalité consiste à diviser les images en portions de taille raisonnable, à effectuer la détection d’objets sur chaque portion, puis à assembler les résultats. SAHI est compatible avec un éventail de modèles de détection d’objets, dont la série YOLO, offrant ainsi de la flexibilité tout en optimisant l’utilisation des ressources de calcul.

Principales fonctionnalités de SAHI#

• Intégration transparente : SAHI s’intègre facilement aux modèles YOLO. Tu peux donc commencer à découper les images et à effectuer la détection sans modifier beaucoup de code.
• Efficacité des ressources : en divisant les grandes images en portions plus petites, SAHI optimise l’utilisation de la mémoire et te permet d’effectuer des détections de haute qualité sur du matériel aux ressources limitées.
• Grande précision : SAHI maintient la précision de détection grâce à des algorithmes intelligents qui fusionnent les boîtes de détection qui se chevauchent lors de l’assemblage.

Qu’est-ce que l’inférence par découpage ?#

L’inférence par découpage consiste à subdiviser une image de grande taille ou haute résolution en segments plus petits (des portions), à effectuer la détection d’objets sur ces portions, puis à les réassembler afin de reconstituer l’emplacement des objets dans l’image d’origine. Cette technique est précieuse lorsque les ressources de calcul sont limitées ou que tu travailles avec des images extrêmement haute résolution qui pourraient autrement entraîner des problèmes de mémoire.

Avantages de l’inférence par découpage#

• Charge de calcul réduite : les portions d’image plus petites sont plus rapides à traiter et consomment moins de mémoire, ce qui permet un fonctionnement plus fluide sur du matériel moins puissant.

• Qualité de détection préservée : chaque portion étant traitée indépendamment, la qualité de la détection d’objets n’est pas réduite, à condition que les portions soient assez grandes pour contenir les objets recherchés.

• Évolutivité accrue : cette technique facilite la mise à l’échelle de la détection d’objets pour différentes tailles et résolutions d’image. Elle convient donc à un large éventail d’applications, de l’imagerie satellite au diagnostic médical.

YOLO26 sans SAHI	YOLO26 avec SAHI

Installation et préparation#

Installation#

Pour commencer, installe les dernières versions de SAHI et d’Ultralytics :

pip install -U ultralytics sahi

Importer les modules et télécharger les ressources#

Voici comment télécharger quelques images de test :

from sahi.utils.file import download_from_url

# Télécharger les images de test
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",
)

Inférence standard avec YOLO26#

Instancier le modèle#

Tu peux instancier un modèle YOLO26 pour la détection d’objets comme ceci :

from sahi import AutoDetectionModel

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

Effectuer une prédiction standard#

Effectue une inférence standard à partir du chemin d’une image.

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)

Visualiser les résultats#

Exporter et visualiser les boîtes englobantes et les masques prédits :

from PIL import Image

# Ouvrir l’image prédite
processed_image = Image.open("demo_data/prediction_visual.png")

# Afficher l’image prédite
processed_image.show()

Inférence par découpage avec YOLO26#

Effectue une inférence par découpage en indiquant les dimensions des portions et les taux de chevauchement :

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,
)

# Exporter les résultats
result.export_visuals(export_dir="demo_data/", hide_conf=True)

# Ouvrir l’image prédite
processed_image = Image.open("demo_data/prediction_visual.png")

# Afficher l’image prédite
processed_image.show()

Gérer les résultats de prédiction#

SAHI fournit un objet PredictionResult, qui peut être converti en différents formats d’annotation :

# Accéder à la liste des prédictions d’objets
object_prediction_list = result.object_prediction_list

# Convertir aux formats d’annotation COCO et de prédiction COCO
result.to_coco_annotations()[:3]
result.to_coco_predictions(image_id=1)[:3]

Prédiction par lots#

Pour effectuer des prédictions par lots sur un répertoire d’images :

from sahi.predict import predict

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

Tu peux maintenant utiliser YOLO26 avec SAHI pour l’inférence standard comme pour l’inférence par découpage.

Citations et remerciements#

Si tu utilises SAHI dans tes travaux de recherche ou de développement, cite l’article original sur SAHI et remercie ses auteurs :

@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}
}

Nous remercions chaleureusement le groupe de recherche SAHI d’avoir créé et maintenu cette ressource précieuse pour la communauté de la vision par ordinateur. Pour en savoir plus sur SAHI et ses créateurs, consulte le dépôt GitHub de SAHI.

FAQ#