सामग्री पर जाएं

के लिए संदर्भ ultralytics/models/sam/predict.py

नोट

यह फ़ाइल यहाँ उपलब्ध है https://github.com/ultralytics/ultralytics/बूँद/मुख्य/ultralytics/मॉडल/sam/predict.py। यदि आप कोई समस्या देखते हैं तो कृपया पुल अनुरोध का योगदान करके इसे ठीक करने में मदद करें 🛠️। 🙏 धन्यवाद !



ultralytics.models.sam.predict.Predictor

का रूप: BasePredictor

सेगमेंट एनीथिंग मॉडल के लिए प्रेडिक्टर क्लास (SAM), BasePredictor का विस्तार।

वर्ग छवि विभाजन कार्यों के अनुरूप मॉडल अनुमान के लिए एक इंटरफ़ेस प्रदान करता है। उन्नत वास्तुकला और शीघ्र विभाजन क्षमताओं के साथ, यह लचीले और वास्तविक समय की सुविधा प्रदान करता है मुखौटा पीढ़ी। कक्षा विभिन्न प्रकार के संकेतों जैसे बाउंडिंग बॉक्स के साथ काम करने में सक्षम है, अंक, और कम-रिज़ॉल्यूशन मास्क।

विशेषताएँ:

नाम प्रकार विवरण: __________
cfg dict

मॉडल और कार्य-संबंधित मापदंडों को निर्दिष्ट करने वाला कॉन्फ़िगरेशन शब्दकोश।

overrides dict

डिफ़ॉल्ट कॉन्फ़िगरेशन को ओवरराइड करने वाले मानों वाले शब्दकोश.

_callbacks dict

व्यवहार को बढ़ाने के लिए उपयोगकर्ता-परिभाषित कॉलबैक फ़ंक्शंस का शब्दकोश।

args namespace

कमांड-लाइन तर्क या अन्य परिचालन चर रखने के लिए नामस्थान।

im Tensor

प्रीप्रोसेस्ड इनपुट छवि tensor.

features Tensor

निष्कर्ष के लिए उपयोग की जाने वाली निकाली गई छवि सुविधाएँ।

prompts dict

विभिन्न शीघ्र प्रकारों का संग्रह, जैसे बाउंडिंग बॉक्स और पॉइंट्स।

segment_all bool

छवि में सभी ऑब्जेक्ट्स को विभाजित करने के लिए या केवल निर्दिष्ट लोगों को नियंत्रित करने के लिए ध्वज।

में स्रोत कोड 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
class Predictor(BasePredictor):
    """
    Predictor class for the Segment Anything Model (SAM), extending BasePredictor.

    The class provides an interface for model inference tailored to image segmentation tasks.
    With advanced architecture and promptable segmentation capabilities, it facilitates flexible and real-time
    mask generation. The class is capable of working with various types of prompts such as bounding boxes,
    points, and low-resolution masks.

    Attributes:
        cfg (dict): Configuration dictionary specifying model and task-related parameters.
        overrides (dict): Dictionary containing values that override the default configuration.
        _callbacks (dict): Dictionary of user-defined callback functions to augment behavior.
        args (namespace): Namespace to hold command-line arguments or other operational variables.
        im (torch.Tensor): Preprocessed input image tensor.
        features (torch.Tensor): Extracted image features used for inference.
        prompts (dict): Collection of various prompt types, such as bounding boxes and points.
        segment_all (bool): Flag to control whether to segment all objects in the image or only specified ones.
    """

    def __init__(self, cfg=DEFAULT_CFG, overrides=None, _callbacks=None):
        """
        Initialize the Predictor with configuration, overrides, and callbacks.

        The method sets up the Predictor object and applies any configuration overrides or callbacks provided. It
        initializes task-specific settings for SAM, such as retina_masks being set to True for optimal results.

        Args:
            cfg (dict): Configuration dictionary.
            overrides (dict, optional): Dictionary of values to override default configuration.
            _callbacks (dict, optional): Dictionary of callback functions to customize behavior.
        """
        if overrides is None:
            overrides = {}
        overrides.update(dict(task="segment", mode="predict", imgsz=1024))
        super().__init__(cfg, overrides, _callbacks)
        self.args.retina_masks = True
        self.im = None
        self.features = None
        self.prompts = {}
        self.segment_all = False

    def preprocess(self, im):
        """
        Preprocess the input image for model inference.

        The method prepares the input image by applying transformations and normalization.
        It supports both torch.Tensor and list of np.ndarray as input formats.

        Args:
            im (torch.Tensor | List[np.ndarray]): BCHW tensor format or list of HWC numpy arrays.

        Returns:
            (torch.Tensor): The preprocessed image tensor.
        """
        if self.im is not None:
            return self.im
        not_tensor = not isinstance(im, torch.Tensor)
        if not_tensor:
            im = np.stack(self.pre_transform(im))
            im = im[..., ::-1].transpose((0, 3, 1, 2))
            im = np.ascontiguousarray(im)
            im = torch.from_numpy(im)

        im = im.to(self.device)
        im = im.half() if self.model.fp16 else im.float()
        if not_tensor:
            im = (im - self.mean) / self.std
        return im

    def pre_transform(self, im):
        """
        Perform initial transformations on the input image for preprocessing.

        The method applies transformations such as resizing to prepare the image for further preprocessing.
        Currently, batched inference is not supported; hence the list length should be 1.

        Args:
            im (List[np.ndarray]): List containing images in HWC numpy array format.

        Returns:
            (List[np.ndarray]): List of transformed images.
        """
        assert len(im) == 1, "SAM model does not currently support batched inference"
        letterbox = LetterBox(self.args.imgsz, auto=False, center=False)
        return [letterbox(image=x) for x in im]

    def inference(self, im, bboxes=None, points=None, labels=None, masks=None, multimask_output=False, *args, **kwargs):
        """
        Perform image segmentation inference based on the given input cues, using the currently loaded image. This
        method leverages SAM's (Segment Anything Model) architecture consisting of image encoder, prompt encoder, and
        mask decoder for real-time and promptable segmentation tasks.

        Args:
            im (torch.Tensor): The preprocessed input image in tensor format, with shape (N, C, H, W).
            bboxes (np.ndarray | List, optional): Bounding boxes with shape (N, 4), in XYXY format.
            points (np.ndarray | List, optional): Points indicating object locations with shape (N, 2), in pixel coordinates.
            labels (np.ndarray | List, optional): Labels for point prompts, shape (N, ). 1 for foreground and 0 for background.
            masks (np.ndarray, optional): Low-resolution masks from previous predictions. Shape should be (N, H, W). For SAM, H=W=256.
            multimask_output (bool, optional): Flag to return multiple masks. Helpful for ambiguous prompts. Defaults to False.

        Returns:
            (tuple): Contains the following three elements.
                - np.ndarray: The output masks in shape CxHxW, where C is the number of generated masks.
                - np.ndarray: An array of length C containing quality scores predicted by the model for each mask.
                - np.ndarray: Low-resolution logits of shape CxHxW for subsequent inference, where H=W=256.
        """
        # Override prompts if any stored in self.prompts
        bboxes = self.prompts.pop("bboxes", bboxes)
        points = self.prompts.pop("points", points)
        masks = self.prompts.pop("masks", masks)

        if all(i is None for i in [bboxes, points, masks]):
            return self.generate(im, *args, **kwargs)

        return self.prompt_inference(im, bboxes, points, labels, masks, multimask_output)

    def prompt_inference(self, im, bboxes=None, points=None, labels=None, masks=None, multimask_output=False):
        """
        Internal function for image segmentation inference based on cues like bounding boxes, points, and masks.
        Leverages SAM's specialized architecture for prompt-based, real-time segmentation.

        Args:
            im (torch.Tensor): The preprocessed input image in tensor format, with shape (N, C, H, W).
            bboxes (np.ndarray | List, optional): Bounding boxes with shape (N, 4), in XYXY format.
            points (np.ndarray | List, optional): Points indicating object locations with shape (N, 2), in pixel coordinates.
            labels (np.ndarray | List, optional): Labels for point prompts, shape (N, ). 1 for foreground and 0 for background.
            masks (np.ndarray, optional): Low-resolution masks from previous predictions. Shape should be (N, H, W). For SAM, H=W=256.
            multimask_output (bool, optional): Flag to return multiple masks. Helpful for ambiguous prompts. Defaults to False.

        Returns:
            (tuple): Contains the following three elements.
                - np.ndarray: The output masks in shape CxHxW, where C is the number of generated masks.
                - np.ndarray: An array of length C containing quality scores predicted by the model for each mask.
                - np.ndarray: Low-resolution logits of shape CxHxW for subsequent inference, where H=W=256.
        """
        features = self.model.image_encoder(im) if self.features is None else self.features

        src_shape, dst_shape = self.batch[1][0].shape[:2], im.shape[2:]
        r = 1.0 if self.segment_all else min(dst_shape[0] / src_shape[0], dst_shape[1] / src_shape[1])
        # Transform input prompts
        if points is not None:
            points = torch.as_tensor(points, dtype=torch.float32, device=self.device)
            points = points[None] if points.ndim == 1 else points
            # Assuming labels are all positive if users don't pass labels.
            if labels is None:
                labels = np.ones(points.shape[0])
            labels = torch.as_tensor(labels, dtype=torch.int32, device=self.device)
            points *= r
            # (N, 2) --> (N, 1, 2), (N, ) --> (N, 1)
            points, labels = points[:, None, :], labels[:, None]
        if bboxes is not None:
            bboxes = torch.as_tensor(bboxes, dtype=torch.float32, device=self.device)
            bboxes = bboxes[None] if bboxes.ndim == 1 else bboxes
            bboxes *= r
        if masks is not None:
            masks = torch.as_tensor(masks, dtype=torch.float32, device=self.device).unsqueeze(1)

        points = (points, labels) if points is not None else None
        # Embed prompts
        sparse_embeddings, dense_embeddings = self.model.prompt_encoder(points=points, boxes=bboxes, masks=masks)

        # Predict masks
        pred_masks, pred_scores = self.model.mask_decoder(
            image_embeddings=features,
            image_pe=self.model.prompt_encoder.get_dense_pe(),
            sparse_prompt_embeddings=sparse_embeddings,
            dense_prompt_embeddings=dense_embeddings,
            multimask_output=multimask_output,
        )

        # (N, d, H, W) --> (N*d, H, W), (N, d) --> (N*d, )
        # `d` could be 1 or 3 depends on `multimask_output`.
        return pred_masks.flatten(0, 1), pred_scores.flatten(0, 1)

    def generate(
        self,
        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,
    ):
        """
        Perform image segmentation using the Segment Anything Model (SAM).

        This function segments an entire image into constituent parts by leveraging SAM's advanced architecture
        and real-time performance capabilities. It can optionally work on image crops for finer segmentation.

        Args:
            im (torch.Tensor): Input tensor representing the preprocessed image with dimensions (N, C, H, W).
            crop_n_layers (int): Specifies the number of layers for additional mask predictions on image crops.
                                 Each layer produces 2**i_layer number of image crops.
            crop_overlap_ratio (float): Determines the extent of overlap between crops. Scaled down in subsequent layers.
            crop_downscale_factor (int): Scaling factor for the number of sampled points-per-side in each layer.
            point_grids (list[np.ndarray], optional): Custom grids for point sampling normalized to [0,1].
                                                      Used in the nth crop layer.
            points_stride (int, optional): Number of points to sample along each side of the image.
                                           Exclusive with 'point_grids'.
            points_batch_size (int): Batch size for the number of points processed simultaneously.
            conf_thres (float): Confidence threshold [0,1] for filtering based on the model's mask quality prediction.
            stability_score_thresh (float): Stability threshold [0,1] for mask filtering based on mask stability.
            stability_score_offset (float): Offset value for calculating stability score.
            crop_nms_thresh (float): IoU cutoff for Non-Maximum Suppression (NMS) to remove duplicate masks between crops.

        Returns:
            (tuple): A tuple containing segmented masks, confidence scores, and bounding boxes.
        """
        self.segment_all = True
        ih, iw = im.shape[2:]
        crop_regions, layer_idxs = generate_crop_boxes((ih, iw), crop_n_layers, crop_overlap_ratio)
        if point_grids is None:
            point_grids = build_all_layer_point_grids(points_stride, crop_n_layers, crop_downscale_factor)
        pred_masks, pred_scores, pred_bboxes, region_areas = [], [], [], []
        for crop_region, layer_idx in zip(crop_regions, layer_idxs):
            x1, y1, x2, y2 = crop_region
            w, h = x2 - x1, y2 - y1
            area = torch.tensor(w * h, device=im.device)
            points_scale = np.array([[w, h]])  # w, h
            # Crop image and interpolate to input size
            crop_im = F.interpolate(im[..., y1:y2, x1:x2], (ih, iw), mode="bilinear", align_corners=False)
            # (num_points, 2)
            points_for_image = point_grids[layer_idx] * points_scale
            crop_masks, crop_scores, crop_bboxes = [], [], []
            for (points,) in batch_iterator(points_batch_size, points_for_image):
                pred_mask, pred_score = self.prompt_inference(crop_im, points=points, multimask_output=True)
                # Interpolate predicted masks to input size
                pred_mask = F.interpolate(pred_mask[None], (h, w), mode="bilinear", align_corners=False)[0]
                idx = pred_score > conf_thres
                pred_mask, pred_score = pred_mask[idx], pred_score[idx]

                stability_score = calculate_stability_score(
                    pred_mask, self.model.mask_threshold, stability_score_offset
                )
                idx = stability_score > stability_score_thresh
                pred_mask, pred_score = pred_mask[idx], pred_score[idx]
                # Bool type is much more memory-efficient.
                pred_mask = pred_mask > self.model.mask_threshold
                # (N, 4)
                pred_bbox = batched_mask_to_box(pred_mask).float()
                keep_mask = ~is_box_near_crop_edge(pred_bbox, crop_region, [0, 0, iw, ih])
                if not torch.all(keep_mask):
                    pred_bbox, pred_mask, pred_score = pred_bbox[keep_mask], pred_mask[keep_mask], pred_score[keep_mask]

                crop_masks.append(pred_mask)
                crop_bboxes.append(pred_bbox)
                crop_scores.append(pred_score)

            # Do nms within this crop
            crop_masks = torch.cat(crop_masks)
            crop_bboxes = torch.cat(crop_bboxes)
            crop_scores = torch.cat(crop_scores)
            keep = torchvision.ops.nms(crop_bboxes, crop_scores, self.args.iou)  # NMS
            crop_bboxes = uncrop_boxes_xyxy(crop_bboxes[keep], crop_region)
            crop_masks = uncrop_masks(crop_masks[keep], crop_region, ih, iw)
            crop_scores = crop_scores[keep]

            pred_masks.append(crop_masks)
            pred_bboxes.append(crop_bboxes)
            pred_scores.append(crop_scores)
            region_areas.append(area.expand(len(crop_masks)))

        pred_masks = torch.cat(pred_masks)
        pred_bboxes = torch.cat(pred_bboxes)
        pred_scores = torch.cat(pred_scores)
        region_areas = torch.cat(region_areas)

        # Remove duplicate masks between crops
        if len(crop_regions) > 1:
            scores = 1 / region_areas
            keep = torchvision.ops.nms(pred_bboxes, scores, crop_nms_thresh)
            pred_masks, pred_bboxes, pred_scores = pred_masks[keep], pred_bboxes[keep], pred_scores[keep]

        return pred_masks, pred_scores, pred_bboxes

    def setup_model(self, model, verbose=True):
        """
        Initializes the Segment Anything Model (SAM) for inference.

        This method sets up the SAM model by allocating it to the appropriate device and initializing the necessary
        parameters for image normalization and other Ultralytics compatibility settings.

        Args:
            model (torch.nn.Module): A pre-trained SAM model. If None, a model will be built based on configuration.
            verbose (bool): If True, prints selected device information.

        Attributes:
            model (torch.nn.Module): The SAM model allocated to the chosen device for inference.
            device (torch.device): The device to which the model and tensors are allocated.
            mean (torch.Tensor): The mean values for image normalization.
            std (torch.Tensor): The standard deviation values for image normalization.
        """
        device = select_device(self.args.device, verbose=verbose)
        if model is None:
            model = build_sam(self.args.model)
        model.eval()
        self.model = model.to(device)
        self.device = device
        self.mean = torch.tensor([123.675, 116.28, 103.53]).view(-1, 1, 1).to(device)
        self.std = torch.tensor([58.395, 57.12, 57.375]).view(-1, 1, 1).to(device)

        # Ultralytics compatibility settings
        self.model.pt = False
        self.model.triton = False
        self.model.stride = 32
        self.model.fp16 = False
        self.done_warmup = True

    def postprocess(self, preds, img, orig_imgs):
        """
        Post-processes SAM's inference outputs to generate object detection masks and bounding boxes.

        The method scales masks and boxes to the original image size and applies a threshold to the mask predictions. The
        SAM model uses advanced architecture and promptable segmentation tasks to achieve real-time performance.

        Args:
            preds (tuple): The output from SAM model inference, containing masks, scores, and optional bounding boxes.
            img (torch.Tensor): The processed input image tensor.
            orig_imgs (list | torch.Tensor): The original, unprocessed images.

        Returns:
            (list): List of Results objects containing detection masks, bounding boxes, and other metadata.
        """
        # (N, 1, H, W), (N, 1)
        pred_masks, pred_scores = preds[:2]
        pred_bboxes = preds[2] if self.segment_all else None
        names = dict(enumerate(str(i) for i in range(len(pred_masks))))

        if not isinstance(orig_imgs, list):  # input images are a torch.Tensor, not a list
            orig_imgs = ops.convert_torch2numpy_batch(orig_imgs)

        results = []
        for i, masks in enumerate([pred_masks]):
            orig_img = orig_imgs[i]
            if pred_bboxes is not None:
                pred_bboxes = ops.scale_boxes(img.shape[2:], pred_bboxes.float(), orig_img.shape, padding=False)
                cls = torch.arange(len(pred_masks), dtype=torch.int32, device=pred_masks.device)
                pred_bboxes = torch.cat([pred_bboxes, pred_scores[:, None], cls[:, None]], dim=-1)

            masks = ops.scale_masks(masks[None].float(), orig_img.shape[:2], padding=False)[0]
            masks = masks > self.model.mask_threshold  # to bool
            img_path = self.batch[0][i]
            results.append(Results(orig_img, path=img_path, names=names, masks=masks, boxes=pred_bboxes))
        # Reset segment-all mode.
        self.segment_all = False
        return results

    def setup_source(self, source):
        """
        Sets up the data source for inference.

        This method configures the data source from which images will be fetched for inference. The source could be a
        directory, a video file, or other types of image data sources.

        Args:
            source (str | Path): The path to the image data source for inference.
        """
        if source is not None:
            super().setup_source(source)

    def set_image(self, image):
        """
        Preprocesses and sets a single image for inference.

        This function sets up the model if not already initialized, configures the data source to the specified image,
        and preprocesses the image for feature extraction. Only one image can be set at a time.

        Args:
            image (str | np.ndarray): Image file path as a string, or a np.ndarray image read by cv2.

        Raises:
            AssertionError: If more than one image is set.
        """
        if self.model is None:
            model = build_sam(self.args.model)
            self.setup_model(model)
        self.setup_source(image)
        assert len(self.dataset) == 1, "`set_image` only supports setting one image!"
        for batch in self.dataset:
            im = self.preprocess(batch[1])
            self.features = self.model.image_encoder(im)
            self.im = im
            break

    def set_prompts(self, prompts):
        """Set prompts in advance."""
        self.prompts = prompts

    def reset_image(self):
        """Resets the image and its features to None."""
        self.im = None
        self.features = None

    @staticmethod
    def remove_small_regions(masks, min_area=0, nms_thresh=0.7):
        """
        Perform post-processing on segmentation masks generated by the Segment Anything Model (SAM). Specifically, this
        function removes small disconnected regions and holes from the input masks, and then performs Non-Maximum
        Suppression (NMS) to eliminate any newly created duplicate boxes.

        Args:
            masks (torch.Tensor): A tensor containing the masks to be processed. Shape should be (N, H, W), where N is
                                  the number of masks, H is height, and W is width.
            min_area (int): The minimum area below which disconnected regions and holes will be removed. Defaults to 0.
            nms_thresh (float): The IoU threshold for the NMS algorithm. Defaults to 0.7.

        Returns:
            (tuple([torch.Tensor, List[int]])):
                - new_masks (torch.Tensor): The processed masks with small regions removed. Shape is (N, H, W).
                - keep (List[int]): The indices of the remaining masks post-NMS, which can be used to filter the boxes.
        """
        if len(masks) == 0:
            return masks

        # Filter small disconnected regions and holes
        new_masks = []
        scores = []
        for mask in masks:
            mask = mask.cpu().numpy().astype(np.uint8)
            mask, changed = remove_small_regions(mask, min_area, mode="holes")
            unchanged = not changed
            mask, changed = remove_small_regions(mask, min_area, mode="islands")
            unchanged = unchanged and not changed

            new_masks.append(torch.as_tensor(mask).unsqueeze(0))
            # Give score=0 to changed masks and 1 to unchanged masks so NMS prefers masks not needing postprocessing
            scores.append(float(unchanged))

        # Recalculate boxes and remove any new duplicates
        new_masks = torch.cat(new_masks, dim=0)
        boxes = batched_mask_to_box(new_masks)
        keep = torchvision.ops.nms(boxes.float(), torch.as_tensor(scores), nms_thresh)

        return new_masks[keep].to(device=masks.device, dtype=masks.dtype), keep

__init__(cfg=DEFAULT_CFG, overrides=None, _callbacks=None)

प्रेडिक्टर को कॉन्फ़िगरेशन, ओवरराइड और कॉलबैक के साथ इनिशियलाइज़ करें।

विधि प्रेडिक्टर ऑब्जेक्ट सेट करती है और प्रदान किए गए किसी भी कॉन्फ़िगरेशन ओवरराइड या कॉलबैक को लागू करती है। यह के लिए कार्य-विशिष्ट सेटिंग्स प्रारंभ करता है SAM, जैसे कि इष्टतम परिणामों के लिए retina_masks True पर सेट किया जा रहा है।

पैरामीटर:

नाम प्रकार विवरण: __________ चूक
cfg dict

कॉन्फ़िगरेशन शब्दकोश।

DEFAULT_CFG
overrides dict

डिफ़ॉल्ट कॉन्फ़िगरेशन को ओवरराइड करने के लिए मानों का शब्दकोश।

None
_callbacks dict

व्यवहार को अनुकूलित करने के लिए कॉलबैक फ़ंक्शंस का शब्दकोश।

None
में स्रोत कोड ultralytics/models/sam/predict.py
55 56 57 58 5960 61 62 63 64 65 66676869 70 71727374 75
def __init__(self, cfg=DEFAULT_CFG, overrides=None, _callbacks=None):
    """
    Initialize the Predictor with configuration, overrides, and callbacks.

    The method sets up the Predictor object and applies any configuration overrides or callbacks provided. It
    initializes task-specific settings for SAM, such as retina_masks being set to True for optimal results.

    Args:
        cfg (dict): Configuration dictionary.
        overrides (dict, optional): Dictionary of values to override default configuration.
        _callbacks (dict, optional): Dictionary of callback functions to customize behavior.
    """
    if overrides is None:
        overrides = {}
    overrides.update(dict(task="segment", mode="predict", imgsz=1024))
    super().__init__(cfg, overrides, _callbacks)
    self.args.retina_masks = True
    self.im = None
    self.features = None
    self.prompts = {}
    self.segment_all = False

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)

सेगमेंट एनीथिंग मॉडल (SAM).

यह फ़ंक्शन लीवरेज द्वारा एक संपूर्ण छवि को घटक भागों में विभाजित करता है SAMउन्नत वास्तुकला और वास्तविक समय प्रदर्शन क्षमताओं। यह वैकल्पिक रूप से बेहतर विभाजन के लिए छवि फसलों पर काम कर सकते हैं.

पैरामीटर:

नाम प्रकार विवरण: __________ चूक
im Tensor

निवेश tensor आयामों (एन, सी, एच, डब्ल्यू) के साथ पूर्वसंसाधित छवि का प्रतिनिधित्व करना।

आवश्यक
crop_n_layers int

छवि फसलों पर अतिरिक्त मुखौटा भविष्यवाणियों के लिए परतों की संख्या निर्दिष्ट करता है। प्रत्येक परत 2 ** i_layer छवि फसलों की संख्या का उत्पादन करती है।

0
crop_overlap_ratio float

फसलों के बीच ओवरलैप की सीमा निर्धारित करता है। बाद की परतों में नीचे गिराया गया।

512 / 1500
crop_downscale_factor int

प्रत्येक परत में नमूना अंक प्रति पक्ष की संख्या के लिए स्केलिंग कारक.

1
point_grids list[ndarray]

बिंदु नमूनाकरण के लिए कस्टम ग्रिड [0,1] के लिए सामान्यीकृत हैं। nth फसल परत में उपयोग किया जाता है।

None
points_stride int

छवि के प्रत्येक पक्ष के साथ नमूना करने के लिए अंक की संख्या. 'point_grids' के साथ विशेष।

32
points_batch_size int

एक साथ संसाधित अंकों की संख्या के लिए बैच आकार।

64
conf_thres float

मॉडल की मुखौटा गुणवत्ता भविष्यवाणी के आधार पर फ़िल्टरिंग के लिए आत्मविश्वास सीमा [0,1]।

0.88
stability_score_thresh float

स्थिरता सीमा [0,1] मास्क स्थिरता के आधार पर मास्क फ़िल्टरिंग के लिए।

0.95
stability_score_offset float

स्थिरता स्कोर की गणना के लिए ऑफसेट मूल्य।

0.95
crop_nms_thresh float

फसलों के बीच डुप्लिकेट मास्क हटाने के लिए गैर-अधिकतम दमन (एनएमएस) के लिए आईओयू कटऑफ।

0.7

देता:

प्रकार विवरण: __________
tuple

एक टपल जिसमें खंडित मास्क, आत्मविश्वास स्कोर और बाउंडिंग बॉक्स होते हैं।

में स्रोत कोड 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 238239 240241 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 270271 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 297298299300 301 302 303 304 305 306 307 308309 310 311 312313 314
def generate(
    self,
    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,
):
    """
    Perform image segmentation using the Segment Anything Model (SAM).

    This function segments an entire image into constituent parts by leveraging SAM's advanced architecture
    and real-time performance capabilities. It can optionally work on image crops for finer segmentation.

    Args:
        im (torch.Tensor): Input tensor representing the preprocessed image with dimensions (N, C, H, W).
        crop_n_layers (int): Specifies the number of layers for additional mask predictions on image crops.
                             Each layer produces 2**i_layer number of image crops.
        crop_overlap_ratio (float): Determines the extent of overlap between crops. Scaled down in subsequent layers.
        crop_downscale_factor (int): Scaling factor for the number of sampled points-per-side in each layer.
        point_grids (list[np.ndarray], optional): Custom grids for point sampling normalized to [0,1].
                                                  Used in the nth crop layer.
        points_stride (int, optional): Number of points to sample along each side of the image.
                                       Exclusive with 'point_grids'.
        points_batch_size (int): Batch size for the number of points processed simultaneously.
        conf_thres (float): Confidence threshold [0,1] for filtering based on the model's mask quality prediction.
        stability_score_thresh (float): Stability threshold [0,1] for mask filtering based on mask stability.
        stability_score_offset (float): Offset value for calculating stability score.
        crop_nms_thresh (float): IoU cutoff for Non-Maximum Suppression (NMS) to remove duplicate masks between crops.

    Returns:
        (tuple): A tuple containing segmented masks, confidence scores, and bounding boxes.
    """
    self.segment_all = True
    ih, iw = im.shape[2:]
    crop_regions, layer_idxs = generate_crop_boxes((ih, iw), crop_n_layers, crop_overlap_ratio)
    if point_grids is None:
        point_grids = build_all_layer_point_grids(points_stride, crop_n_layers, crop_downscale_factor)
    pred_masks, pred_scores, pred_bboxes, region_areas = [], [], [], []
    for crop_region, layer_idx in zip(crop_regions, layer_idxs):
        x1, y1, x2, y2 = crop_region
        w, h = x2 - x1, y2 - y1
        area = torch.tensor(w * h, device=im.device)
        points_scale = np.array([[w, h]])  # w, h
        # Crop image and interpolate to input size
        crop_im = F.interpolate(im[..., y1:y2, x1:x2], (ih, iw), mode="bilinear", align_corners=False)
        # (num_points, 2)
        points_for_image = point_grids[layer_idx] * points_scale
        crop_masks, crop_scores, crop_bboxes = [], [], []
        for (points,) in batch_iterator(points_batch_size, points_for_image):
            pred_mask, pred_score = self.prompt_inference(crop_im, points=points, multimask_output=True)
            # Interpolate predicted masks to input size
            pred_mask = F.interpolate(pred_mask[None], (h, w), mode="bilinear", align_corners=False)[0]
            idx = pred_score > conf_thres
            pred_mask, pred_score = pred_mask[idx], pred_score[idx]

            stability_score = calculate_stability_score(
                pred_mask, self.model.mask_threshold, stability_score_offset
            )
            idx = stability_score > stability_score_thresh
            pred_mask, pred_score = pred_mask[idx], pred_score[idx]
            # Bool type is much more memory-efficient.
            pred_mask = pred_mask > self.model.mask_threshold
            # (N, 4)
            pred_bbox = batched_mask_to_box(pred_mask).float()
            keep_mask = ~is_box_near_crop_edge(pred_bbox, crop_region, [0, 0, iw, ih])
            if not torch.all(keep_mask):
                pred_bbox, pred_mask, pred_score = pred_bbox[keep_mask], pred_mask[keep_mask], pred_score[keep_mask]

            crop_masks.append(pred_mask)
            crop_bboxes.append(pred_bbox)
            crop_scores.append(pred_score)

        # Do nms within this crop
        crop_masks = torch.cat(crop_masks)
        crop_bboxes = torch.cat(crop_bboxes)
        crop_scores = torch.cat(crop_scores)
        keep = torchvision.ops.nms(crop_bboxes, crop_scores, self.args.iou)  # NMS
        crop_bboxes = uncrop_boxes_xyxy(crop_bboxes[keep], crop_region)
        crop_masks = uncrop_masks(crop_masks[keep], crop_region, ih, iw)
        crop_scores = crop_scores[keep]

        pred_masks.append(crop_masks)
        pred_bboxes.append(crop_bboxes)
        pred_scores.append(crop_scores)
        region_areas.append(area.expand(len(crop_masks)))

    pred_masks = torch.cat(pred_masks)
    pred_bboxes = torch.cat(pred_bboxes)
    pred_scores = torch.cat(pred_scores)
    region_areas = torch.cat(region_areas)

    # Remove duplicate masks between crops
    if len(crop_regions) > 1:
        scores = 1 / region_areas
        keep = torchvision.ops.nms(pred_bboxes, scores, crop_nms_thresh)
        pred_masks, pred_bboxes, pred_scores = pred_masks[keep], pred_bboxes[keep], pred_scores[keep]

    return pred_masks, pred_scores, pred_bboxes

inference(im, bboxes=None, points=None, labels=None, masks=None, multimask_output=False, *args, **kwargs)

वर्तमान में भरी हुई छवि का उपयोग करके, दिए गए इनपुट संकेतों के आधार पर छवि विभाजन अनुमान करें। यहन विधि का लाभ उठाता है SAM(सेगमेंट एनीथिंग मॉडल) आर्किटेक्चर जिसमें इमेज एनकोडर, प्रॉम्प्ट एनकोडर और वास्तविक समय और शीघ्र विभाजन कार्यों के लिए मास्क डिकोडर।

पैरामीटर:

नाम प्रकार विवरण: __________ चूक
im Tensor

में प्रीप्रोसेस्ड इनपुट छवि tensor प्रारूप, आकार के साथ (एन, सी, एच, डब्ल्यू)।

आवश्यक
bboxes ndarray | List

आकार (N, 4) के साथ बाउंडिंग बॉक्स, XYXY प्रारूप में।

None
points ndarray | List

पिक्सेल निर्देशांक में आकृति (N, 2) के साथ ऑब्जेक्ट स्थानों को इंगित करने वाले बिंदु.

None
labels ndarray | List

बिंदु संकेतों के लिए लेबल, आकार (एन, )। अग्रभूमि के लिए 1 और पृष्ठभूमि के लिए 0।

None
masks ndarray

पिछली भविष्यवाणियों से कम-रिज़ॉल्यूशन मास्क। आकार (एन, एच, डब्ल्यू) होना चाहिए। के लिए SAM, एच = डब्ल्यू = 256।

None
multimask_output bool

एकाधिक मास्क वापस करने के लिए ध्वज। अस्पष्ट संकेतों के लिए सहायक। डिफ़ॉल्ट रूप से गलत है.

False

देता:

प्रकार विवरण: __________
tuple

निम्नलिखित तीन तत्व शामिल हैं। - np.ndarray: आकार CxHxW में आउटपुट मास्क, जहां C उत्पन्न मास्क की संख्या है। - np.ndarray: लंबाई सी की एक सरणी जिसमें प्रत्येक मास्क के लिए मॉडल द्वारा अनुमानित गुणवत्ता स्कोर होते हैं। - np.ndarray: बाद के अनुमान के लिए आकार CxHxW के कम-रिज़ॉल्यूशन लॉग, जहां H=W=256।

में स्रोत कोड ultralytics/models/sam/predict.py
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 148149 150
def inference(self, im, bboxes=None, points=None, labels=None, masks=None, multimask_output=False, *args, **kwargs):
    """
    Perform image segmentation inference based on the given input cues, using the currently loaded image. This
    method leverages SAM's (Segment Anything Model) architecture consisting of image encoder, prompt encoder, and
    mask decoder for real-time and promptable segmentation tasks.

    Args:
        im (torch.Tensor): The preprocessed input image in tensor format, with shape (N, C, H, W).
        bboxes (np.ndarray | List, optional): Bounding boxes with shape (N, 4), in XYXY format.
        points (np.ndarray | List, optional): Points indicating object locations with shape (N, 2), in pixel coordinates.
        labels (np.ndarray | List, optional): Labels for point prompts, shape (N, ). 1 for foreground and 0 for background.
        masks (np.ndarray, optional): Low-resolution masks from previous predictions. Shape should be (N, H, W). For SAM, H=W=256.
        multimask_output (bool, optional): Flag to return multiple masks. Helpful for ambiguous prompts. Defaults to False.

    Returns:
        (tuple): Contains the following three elements.
            - np.ndarray: The output masks in shape CxHxW, where C is the number of generated masks.
            - np.ndarray: An array of length C containing quality scores predicted by the model for each mask.
            - np.ndarray: Low-resolution logits of shape CxHxW for subsequent inference, where H=W=256.
    """
    # Override prompts if any stored in self.prompts
    bboxes = self.prompts.pop("bboxes", bboxes)
    points = self.prompts.pop("points", points)
    masks = self.prompts.pop("masks", masks)

    if all(i is None for i in [bboxes, points, masks]):
        return self.generate(im, *args, **kwargs)

    return self.prompt_inference(im, bboxes, points, labels, masks, multimask_output)

postprocess(preds, img, orig_imgs)

पोस्ट-प्रक्रियाएं SAMऑब्जेक्ट डिटेक्शन मास्क और बाउंडिंग बॉक्स उत्पन्न करने के लिए अनुमान आउटपुट करता है।

विधि मास्क और बक्से को मूल छवि आकार में मापती है और मुखौटा भविष्यवाणियों के लिए एक सीमा लागू करती है। वहीSAM मॉडल वास्तविक समय के प्रदर्शन को प्राप्त करने के लिए उन्नत वास्तुकला और शीघ्र विभाजन कार्यों का उपयोग करता है।

पैरामीटर:

नाम प्रकार विवरण: __________ चूक
preds tuple

से आउटपुट SAM मॉडल अनुमान, जिसमें मास्क, स्कोर और वैकल्पिक बाउंडिंग बॉक्स शामिल हैं।

आवश्यक
img Tensor

संसाधित इनपुट छवि tensor.

आवश्यक
orig_imgs list | Tensor

मूल, असंसाधित चित्र।

आवश्यक

देता:

प्रकार विवरण: __________
list

डिटेक्शन मास्क, बाउंडिंग बॉक्स और अन्य मेटाडेटा वाले परिणाम ऑब्जेक्ट्स की सूची।

में स्रोत कोड ultralytics/models/sam/predict.py
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 378379380 381382 383 384 385386
def postprocess(self, preds, img, orig_imgs):
    """
    Post-processes SAM's inference outputs to generate object detection masks and bounding boxes.

    The method scales masks and boxes to the original image size and applies a threshold to the mask predictions. The
    SAM model uses advanced architecture and promptable segmentation tasks to achieve real-time performance.

    Args:
        preds (tuple): The output from SAM model inference, containing masks, scores, and optional bounding boxes.
        img (torch.Tensor): The processed input image tensor.
        orig_imgs (list | torch.Tensor): The original, unprocessed images.

    Returns:
        (list): List of Results objects containing detection masks, bounding boxes, and other metadata.
    """
    # (N, 1, H, W), (N, 1)
    pred_masks, pred_scores = preds[:2]
    pred_bboxes = preds[2] if self.segment_all else None
    names = dict(enumerate(str(i) for i in range(len(pred_masks))))

    if not isinstance(orig_imgs, list):  # input images are a torch.Tensor, not a list
        orig_imgs = ops.convert_torch2numpy_batch(orig_imgs)

    results = []
    for i, masks in enumerate([pred_masks]):
        orig_img = orig_imgs[i]
        if pred_bboxes is not None:
            pred_bboxes = ops.scale_boxes(img.shape[2:], pred_bboxes.float(), orig_img.shape, padding=False)
            cls = torch.arange(len(pred_masks), dtype=torch.int32, device=pred_masks.device)
            pred_bboxes = torch.cat([pred_bboxes, pred_scores[:, None], cls[:, None]], dim=-1)

        masks = ops.scale_masks(masks[None].float(), orig_img.shape[:2], padding=False)[0]
        masks = masks > self.model.mask_threshold  # to bool
        img_path = self.batch[0][i]
        results.append(Results(orig_img, path=img_path, names=names, masks=masks, boxes=pred_bboxes))
    # Reset segment-all mode.
    self.segment_all = False
    return results

pre_transform(im)

प्रीप्रोसेसिंग के लिए इनपुट इमेज पर प्रारंभिक परिवर्तन करें।

विधि परिवर्तनों को लागू करती है जैसे कि आगे के प्रीप्रोसेसिंग के लिए छवि तैयार करने के लिए आकार बदलना। वर्तमान में, बैच किए गए अनुमान समर्थित नहीं हैं; इसलिए सूची की लंबाई 1 होनी चाहिए।

पैरामीटर:

नाम प्रकार विवरण: __________ चूक
im List[ndarray]

HWC numpy सरणी प्रारूप में छवियों वाली सूची।

आवश्यक

देता:

प्रकार विवरण: __________
List[ndarray]

रूपांतरित छवियों की सूची।

में स्रोत कोड ultralytics/models/sam/predict.py
105 106 107 108 109 110 111 112 113 114 115 116 117 118119 120
def pre_transform(self, im):
    """
    Perform initial transformations on the input image for preprocessing.

    The method applies transformations such as resizing to prepare the image for further preprocessing.
    Currently, batched inference is not supported; hence the list length should be 1.

    Args:
        im (List[np.ndarray]): List containing images in HWC numpy array format.

    Returns:
        (List[np.ndarray]): List of transformed images.
    """
    assert len(im) == 1, "SAM model does not currently support batched inference"
    letterbox = LetterBox(self.args.imgsz, auto=False, center=False)
    return [letterbox(image=x) for x in im]

preprocess(im)

मॉडल अनुमान के लिए इनपुट छवि को प्रीप्रोसेस करें।

विधि परिवर्तनों और सामान्यीकरण को लागू करके इनपुट छवि तैयार करती है। यह दोनों का समर्थन करता है torch.Tensor और इनपुट प्रारूपों के रूप में np.ndarray की सूची।

पैरामीटर:

नाम प्रकार विवरण: __________ चूक
im Tensor | List[ndarray]

बीसीएचडब्ल्यू tensor प्रारूप या HWC numpy सरणियों की सूची।

आवश्यक

देता:

प्रकार विवरण: __________
Tensor

पूर्वसंसाधित छवि tensor.

में स्रोत कोड ultralytics/models/sam/predict.py
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 
def preprocess(self, im):
    """
    Preprocess the input image for model inference.

    The method prepares the input image by applying transformations and normalization.
    It supports both torch.Tensor and list of np.ndarray as input formats.

    Args:
        im (torch.Tensor | List[np.ndarray]): BCHW tensor format or list of HWC numpy arrays.

    Returns:
        (torch.Tensor): The preprocessed image tensor.
    """
    if self.im is not None:
        return self.im
    not_tensor = not isinstance(im, torch.Tensor)
    if not_tensor:
        im = np.stack(self.pre_transform(im))
        im = im[..., ::-1].transpose((0, 3, 1, 2))
        im = np.ascontiguousarray(im)
        im = torch.from_numpy(im)

    im = im.to(self.device)
    im = im.half() if self.model.fp16 else im.float()
    if not_tensor:
        im = (im - self.mean) / self.std
    return im

prompt_inference(im, bboxes=None, points=None, labels=None, masks=None, multimask_output=False)

बाउंडिंग बॉक्स, पॉइंट्स और मास्क जैसे संकेतों के आधार पर छवि विभाजन अनुमान के लिए आंतरिक कार्य। फ़ायदा उठाना SAMशीघ्र-आधारित, वास्तविक समय विभाजन के लिए विशेष वास्तुकला।

पैरामीटर:

नाम प्रकार विवरण: __________ चूक
im Tensor

में प्रीप्रोसेस्ड इनपुट छवि tensor प्रारूप, आकार के साथ (एन, सी, एच, डब्ल्यू)।

आवश्यक
bboxes ndarray | List

आकार (N, 4) के साथ बाउंडिंग बॉक्स, XYXY प्रारूप में।

None
points ndarray | List

पिक्सेल निर्देशांक में आकृति (N, 2) के साथ ऑब्जेक्ट स्थानों को इंगित करने वाले बिंदु.

None
labels ndarray | List

बिंदु संकेतों के लिए लेबल, आकार (एन, )। अग्रभूमि के लिए 1 और पृष्ठभूमि के लिए 0।

None
masks ndarray

पिछली भविष्यवाणियों से कम-रिज़ॉल्यूशन मास्क। आकार (एन, एच, डब्ल्यू) होना चाहिए। के लिए SAM, एच = डब्ल्यू = 256।

None
multimask_output bool

एकाधिक मास्क वापस करने के लिए ध्वज। अस्पष्ट संकेतों के लिए सहायक। डिफ़ॉल्ट रूप से गलत है.

False

देता:

प्रकार विवरण: __________
tuple

निम्नलिखित तीन तत्व शामिल हैं। - np.ndarray: आकार CxHxW में आउटपुट मास्क, जहां C उत्पन्न मास्क की संख्या है। - np.ndarray: लंबाई सी की एक सरणी जिसमें प्रत्येक मास्क के लिए मॉडल द्वारा अनुमानित गुणवत्ता स्कोर होते हैं। - np.ndarray: बाद के अनुमान के लिए आकार CxHxW के कम-रिज़ॉल्यूशन लॉग, जहां H=W=256।

में स्रोत कोड ultralytics/models/sam/predict.py
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 178179 180181 182 183 184 185 186 187 188 189 190 191 192 193 194 195 196 197 198199 200201 202 203 204 205 206207 208
def prompt_inference(self, im, bboxes=None, points=None, labels=None, masks=None, multimask_output=False):
    """
    Internal function for image segmentation inference based on cues like bounding boxes, points, and masks.
    Leverages SAM's specialized architecture for prompt-based, real-time segmentation.

    Args:
        im (torch.Tensor): The preprocessed input image in tensor format, with shape (N, C, H, W).
        bboxes (np.ndarray | List, optional): Bounding boxes with shape (N, 4), in XYXY format.
        points (np.ndarray | List, optional): Points indicating object locations with shape (N, 2), in pixel coordinates.
        labels (np.ndarray | List, optional): Labels for point prompts, shape (N, ). 1 for foreground and 0 for background.
        masks (np.ndarray, optional): Low-resolution masks from previous predictions. Shape should be (N, H, W). For SAM, H=W=256.
        multimask_output (bool, optional): Flag to return multiple masks. Helpful for ambiguous prompts. Defaults to False.

    Returns:
        (tuple): Contains the following three elements.
            - np.ndarray: The output masks in shape CxHxW, where C is the number of generated masks.
            - np.ndarray: An array of length C containing quality scores predicted by the model for each mask.
            - np.ndarray: Low-resolution logits of shape CxHxW for subsequent inference, where H=W=256.
    """
    features = self.model.image_encoder(im) if self.features is None else self.features

    src_shape, dst_shape = self.batch[1][0].shape[:2], im.shape[2:]
    r = 1.0 if self.segment_all else min(dst_shape[0] / src_shape[0], dst_shape[1] / src_shape[1])
    # Transform input prompts
    if points is not None:
        points = torch.as_tensor(points, dtype=torch.float32, device=self.device)
        points = points[None] if points.ndim == 1 else points
        # Assuming labels are all positive if users don't pass labels.
        if labels is None:
            labels = np.ones(points.shape[0])
        labels = torch.as_tensor(labels, dtype=torch.int32, device=self.device)
        points *= r
        # (N, 2) --> (N, 1, 2), (N, ) --> (N, 1)
        points, labels = points[:, None, :], labels[:, None]
    if bboxes is not None:
        bboxes = torch.as_tensor(bboxes, dtype=torch.float32, device=self.device)
        bboxes = bboxes[None] if bboxes.ndim == 1 else bboxes
        bboxes *= r
    if masks is not None:
        masks = torch.as_tensor(masks, dtype=torch.float32, device=self.device).unsqueeze(1)

    points = (points, labels) if points is not None else None
    # Embed prompts
    sparse_embeddings, dense_embeddings = self.model.prompt_encoder(points=points, boxes=bboxes, masks=masks)

    # Predict masks
    pred_masks, pred_scores = self.model.mask_decoder(
        image_embeddings=features,
        image_pe=self.model.prompt_encoder.get_dense_pe(),
        sparse_prompt_embeddings=sparse_embeddings,
        dense_prompt_embeddings=dense_embeddings,
        multimask_output=multimask_output,
    )

    # (N, d, H, W) --> (N*d, H, W), (N, d) --> (N*d, )
    # `d` could be 1 or 3 depends on `multimask_output`.
    return pred_masks.flatten(0, 1), pred_scores.flatten(0, 1)

remove_small_regions(masks, min_area=0, nms_thresh=0.7) staticmethod

सेगमेंट एनीथिंग मॉडल द्वारा उत्पन्न सेगमेंटेशन मास्क पर पोस्ट-प्रोसेसिंग करें (SAM). विशेष रूप से, यह फ़ंक्शन इनपुट मास्क से छोटे डिस्कनेक्ट किए गए क्षेत्रों और छेदों को हटा देता है, और फिर गैर-अधिकतम प्रदर्शन करता है दमन (एनएमएस) किसी भी नए बनाए गए डुप्लिकेट बॉक्स को खत्म करने के लिए।

पैरामीटर:

नाम प्रकार विवरण: __________ चूक
masks Tensor

एक tensor जिसमें मास्क को संसाधित किया जाना है। आकार (N, H, W) होना चाहिए, जहाँ N है मास्क की संख्या, एच ऊंचाई है, और डब्ल्यू चौड़ाई है।

आवश्यक
min_area int

न्यूनतम क्षेत्र जिसके नीचे डिस्कनेक्ट किए गए क्षेत्रों और छेदों को हटा दिया जाएगा। 0 के लिए डिफ़ॉल्ट।

0
nms_thresh float

NMS एल्गोरिथम के लिए IoU थ्रेशोल्ड। 0.7 के लिए डिफ़ॉल्ट।

0.7

देता:

प्रकार विवरण: __________
tuple([Tensor, List[int]])
  • new_masks (torch.Tensor): छोटे क्षेत्रों के साथ संसाधित मास्क हटा दिए गए। आकार (एन, एच, डब्ल्यू) है।
  • रखें (सूची [int]): एनएमएस के बाद शेष मास्क के सूचकांक, जिनका उपयोग बक्से को फ़िल्टर करने के लिए किया जा सकता है।
में स्रोत कोड ultralytics/models/sam/predict.py
434 435 436 437 438 439 440 441 442 443 444 445 446 447 448449 450 451 452 453 454 455 456 457 458 459460 461 462 463 464 465 466467468 469 470 471 472 473474
@staticmethod
def remove_small_regions(masks, min_area=0, nms_thresh=0.7):
    """
    Perform post-processing on segmentation masks generated by the Segment Anything Model (SAM). Specifically, this
    function removes small disconnected regions and holes from the input masks, and then performs Non-Maximum
    Suppression (NMS) to eliminate any newly created duplicate boxes.

    Args:
        masks (torch.Tensor): A tensor containing the masks to be processed. Shape should be (N, H, W), where N is
                              the number of masks, H is height, and W is width.
        min_area (int): The minimum area below which disconnected regions and holes will be removed. Defaults to 0.
        nms_thresh (float): The IoU threshold for the NMS algorithm. Defaults to 0.7.

    Returns:
        (tuple([torch.Tensor, List[int]])):
            - new_masks (torch.Tensor): The processed masks with small regions removed. Shape is (N, H, W).
            - keep (List[int]): The indices of the remaining masks post-NMS, which can be used to filter the boxes.
    """
    if len(masks) == 0:
        return masks

    # Filter small disconnected regions and holes
    new_masks = []
    scores = []
    for mask in masks:
        mask = mask.cpu().numpy().astype(np.uint8)
        mask, changed = remove_small_regions(mask, min_area, mode="holes")
        unchanged = not changed
        mask, changed = remove_small_regions(mask, min_area, mode="islands")
        unchanged = unchanged and not changed

        new_masks.append(torch.as_tensor(mask).unsqueeze(0))
        # Give score=0 to changed masks and 1 to unchanged masks so NMS prefers masks not needing postprocessing
        scores.append(float(unchanged))

    # Recalculate boxes and remove any new duplicates
    new_masks = torch.cat(new_masks, dim=0)
    boxes = batched_mask_to_box(new_masks)
    keep = torchvision.ops.nms(boxes.float(), torch.as_tensor(scores), nms_thresh)

    return new_masks[keep].to(device=masks.device, dtype=masks.dtype), keep

reset_image()

छवि और उसकी विशेषताओं को कोई नहीं पर रीसेट करता है।

में स्रोत कोड ultralytics/models/sam/predict.py
def reset_image(self):
    """Resets the image and its features to None."""
    self.im = None
    self.features = None

set_image(image)

अनुमान के लिए एकल छवि को प्रीप्रोसेस और सेट करता है।

यह फ़ंक्शन मॉडल सेट करता है यदि पहले से ही प्रारंभ नहीं किया गया है, तो डेटा स्रोत को निर्दिष्ट छवि में कॉन्फ़िगर करता है, और फीचर निष्कर्षण के लिए छवि को प्रीप्रोसेस करता है। एक समय में केवल एक छवि सेट की जा सकती है।

पैरामीटर:

नाम प्रकार विवरण: __________ चूक
image str | ndarray

स्ट्रिंग के रूप में छवि फ़ाइल पथ, या cv2 द्वारा पढ़ी गई np.ndarray छवि।

आवश्यक

उठाती:

प्रकार विवरण: __________
AssertionError

यदि एक से अधिक छवि सेट है।

में स्रोत कोड ultralytics/models/sam/predict.py
401 402 403 404 405 406 407 408 409 410 411 412 413 414 415 416 417 418419420 421 422 423
def set_image(self, image):
    """
    Preprocesses and sets a single image for inference.

    This function sets up the model if not already initialized, configures the data source to the specified image,
    and preprocesses the image for feature extraction. Only one image can be set at a time.

    Args:
        image (str | np.ndarray): Image file path as a string, or a np.ndarray image read by cv2.

    Raises:
        AssertionError: If more than one image is set.
    """
    if self.model is None:
        model = build_sam(self.args.model)
        self.setup_model(model)
    self.setup_source(image)
    assert len(self.dataset) == 1, "`set_image` only supports setting one image!"
    for batch in self.dataset:
        im = self.preprocess(batch[1])
        self.features = self.model.image_encoder(im)
        self.im = im
        break

set_prompts(prompts)

पहले से संकेत सेट करें।

में स्रोत कोड ultralytics/models/sam/predict.py
def set_prompts(self, prompts):
    """Set prompts in advance."""
    self.prompts = prompts

setup_model(model, verbose=True)

सेगमेंट एनीथिंग मॉडल को इनिशियलाइज़ करता है (SAM) अनुमान के लिए।

यह विधि सेट करती है SAM मॉडल को उपयुक्त डिवाइस पर आवंटित करके और आवश्यक को इनिशियलाइज़ करके छवि सामान्यीकरण और अन्य के लिए पैरामीटर Ultralytics संगतता सेटिंग्स।

पैरामीटर:

नाम प्रकार विवरण: __________ चूक
model Module

एक पूर्व प्रशिक्षित SAM को गढ़ना। यदि कोई नहीं, तो कॉन्फ़िगरेशन के आधार पर एक मॉडल बनाया जाएगा।

आवश्यक
verbose bool

यदि सही है, तो चयनित डिवाइस जानकारी प्रिंट करता है।

True

विशेषताएँ:

नाम प्रकार विवरण: __________
model Module

वही SAM अनुमान के लिए चुने गए डिवाइस को आवंटित मॉडल।

device device

वह उपकरण जिसके लिए मॉडल और टेंसर आवंटित किए जाते हैं।

mean Tensor

छवि सामान्यीकरण के लिए औसत मूल्य।

std Tensor

छवि सामान्यीकरण के लिए मानक विचलन मान।

में स्रोत कोड ultralytics/models/sam/predict.py
316 317 318 319 320 321 322 323 324 325 326 327 328 329 330 331 332 333 334 335 336 337 338339 340341 342 343 344 345346 347
def setup_model(self, model, verbose=True):
    """
    Initializes the Segment Anything Model (SAM) for inference.

    This method sets up the SAM model by allocating it to the appropriate device and initializing the necessary
    parameters for image normalization and other Ultralytics compatibility settings.

    Args:
        model (torch.nn.Module): A pre-trained SAM model. If None, a model will be built based on configuration.
        verbose (bool): If True, prints selected device information.

    Attributes:
        model (torch.nn.Module): The SAM model allocated to the chosen device for inference.
        device (torch.device): The device to which the model and tensors are allocated.
        mean (torch.Tensor): The mean values for image normalization.
        std (torch.Tensor): The standard deviation values for image normalization.
    """
    device = select_device(self.args.device, verbose=verbose)
    if model is None:
        model = build_sam(self.args.model)
    model.eval()
    self.model = model.to(device)
    self.device = device
    self.mean = torch.tensor([123.675, 116.28, 103.53]).view(-1, 1, 1).to(device)
    self.std = torch.tensor([58.395, 57.12, 57.375]).view(-1, 1, 1).to(device)

    # Ultralytics compatibility settings
    self.model.pt = False
    self.model.triton = False
    self.model.stride = 32
    self.model.fp16 = False
    self.done_warmup = True

setup_source(source)

अनुमान के लिए डेटा स्रोत सेट करता है.

यह विधि उस डेटा स्रोत को कॉन्फ़िगर करती है जिससे अनुमान के लिए चित्र प्राप्त किए जाएंगे। स्रोत एक हो सकता है निर्देशिका, एक वीडियो फ़ाइल, या अन्य प्रकार के छवि डेटा स्रोत।

पैरामीटर:

नाम प्रकार विवरण: __________ चूक
source str | Path

अनुमान के लिए छवि डेटा स्रोत का पथ.

आवश्यक
में स्रोत कोड ultralytics/models/sam/predict.py
388 389 390 391 392 393 394 395 396 397 398399
def setup_source(self, source):
    """
    Sets up the data source for inference.

    This method configures the data source from which images will be fetched for inference. The source could be a
    directory, a video file, or other types of image data sources.

    Args:
        source (str | Path): The path to the image data source for inference.
    """
    if source is not None:
        super().setup_source(source)





2023-11-12 बनाया गया, अपडेट किया गया 2023-11-25
लेखक: ग्लेन-जोचर (3)