Utiliser YOLO26 avec SAHI pour l'inférence par découpage#

Ce guide montre 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 avec YOLO26 pour améliorer les performances de détection d'objets.

Introduction à SAHI#

SAHI (inférence hyper améliorée par découpage) est une bibliothèque innovante conçue pour optimiser les algorithmes de détection d’objets appliqués à des images de grande taille et haute résolution. Sa fonctionnalité principale consiste à partitionner les images en tranches faciles à gérer, à effectuer la détection d’objets sur chaque tranche, puis à rassembler les résultats. SAHI est compatible avec un large éventail de modèles de détection d’objets, notamment la série YOLO, offrant ainsi une grande flexibilité tout en garantissant une utilisation optimisée des ressources de calcul.

Fonctionnalités clés de SAHI#

• Intégration transparente : SAHI s’intègre facilement aux modèles YOLO, ce qui te permet de commencer à découper les images et à effectuer des détections sans modifier considérablement le code.
• Efficacité des ressources : en divisant les grandes images en parties plus petites, SAHI optimise l’utilisation de la mémoire et te permet d’exécuter des détections de haute qualité sur du matériel aux ressources limitées.
• Précision élevée : SAHI préserve la précision des détections grâce à des algorithmes intelligents qui fusionnent les boîtes de détection qui se chevauchent lors du réassemblage.

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 (tranches), à effectuer la détection d’objets sur ces tranches, puis à les recomposer afin de reconstruire l’emplacement des objets dans l’image d’origine. Cette technique est précieuse lorsque les ressources de calcul sont limitées ou lorsque tu travailles avec des images extrêmement haute résolution qui pourraient autrement entraîner des problèmes de mémoire.

Avantages de l’inférence par découpage#

• Réduction de la charge de calcul : les tranches 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.

• Préservation de la qualité des détections : comme chaque tranche est traitée indépendamment, la qualité de la détection d’objets n’est pas réduite, à condition que les tranches soient suffisamment grandes pour contenir les objets d’intérêt.

• Meilleure évolutivité : cette technique permet de faire évoluer plus facilement la détection d’objets selon les différentes tailles et résolutions d’image, ce qui la rend idéale pour un large éventail d’applications, de l’imagerie satellite au diagnostic médical.

YOLO26 without SAHI	YOLO26 with 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

# 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",
)

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",  # or 'cuda:0'
)

Effectuer une prédiction standard#

Effectue une inférence standard à l’aide 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#

Exporte et visualise les boîtes englobantes et les masques prédits :

from PIL import Image

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

# Display the predicted image
processed_image.show()

Inférence par découpage avec YOLO26#

Effectue une inférence par découpage en spécifiant les dimensions des tranches 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,
)

# 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()

Gérer les résultats des prédictions#

SAHI fournit un objet PredictionResult, qui peut être converti dans différents formats d’annotations :

# 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]

Prédiction par lots#

Pour effectuer une prédiction par lots sur un répertoire d’images :

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,
)

Tu es maintenant prêt à utiliser YOLO26 avec SAHI pour l’inférence standard et l’inférence par découpage.

Citations et remerciements#

Si tu utilises SAHI dans tes travaux de recherche ou de développement, cite l’article original consacré à SAHI et mentionne 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 pour avoir créé et maintenu cette ressource précieuse pour la communauté de la vision par ordinateur. Pour plus d’informations sur SAHI et ses créateurs, consulte le dépôt GitHub de SAHI.

FAQ#