Utilizzo di YOLO26 con SAHI per l'inferenza a sezioni#

Questa guida mostra come usare YOLO26 con SAHI (Slicing Aided Hyper Inference). Analizzeremo in dettaglio cos'è SAHI, perché l'inferenza a sezioni è fondamentale per le applicazioni su larga scala e come integrare queste funzionalità con YOLO26 per migliorare le prestazioni del rilevamento di oggetti.

Introduzione a SAHI#

SAHI (inferenza iperassistita dalla suddivisione) è una libreria innovativa progettata per ottimizzare gli algoritmi di rilevamento degli oggetti per immagini su larga scala e ad alta risoluzione. La sua funzionalità principale consiste nel suddividere le immagini in sezioni gestibili, eseguire il rilevamento degli oggetti su ciascuna sezione e ricomporre quindi i risultati. SAHI è compatibile con diversi modelli di rilevamento degli oggetti, inclusa la serie YOLO, offrendo così flessibilità e garantendo al contempo un utilizzo ottimizzato delle risorse di calcolo.

Funzionalità principali di SAHI#

• Integrazione perfetta: SAHI si integra facilmente con i modelli YOLO, consentendoti di iniziare a suddividere le immagini e rilevare gli oggetti senza apportare molte modifiche al codice.
• Efficienza delle risorse: suddividendo le immagini di grandi dimensioni in parti più piccole, SAHI ottimizza l'utilizzo della memoria e ti consente di eseguire rilevamenti di alta qualità su hardware con risorse limitate.
• Elevata accuratezza: SAHI mantiene l'accuratezza del rilevamento utilizzando algoritmi intelligenti per unire i riquadri di rilevamento sovrapposti durante il processo di ricomposizione.

Che cos'è l'inferenza suddivisa?#

L'inferenza suddivisa consiste nel dividere un'immagine grande o ad alta risoluzione in segmenti più piccoli (sezioni), eseguire il rilevamento degli oggetti su tali sezioni e ricomporle quindi per ricostruire le posizioni degli oggetti nell'immagine originale. Questa tecnica è preziosa negli scenari in cui le risorse di calcolo sono limitate o quando si lavora con immagini ad altissima risoluzione che potrebbero altrimenti causare problemi di memoria.

Vantaggi dell'inferenza suddivisa#

• Minore carico di calcolo: le sezioni di immagine più piccole vengono elaborate più rapidamente e consumano meno memoria, consentendo un funzionamento più fluido su hardware meno potente.

• Qualità del rilevamento preservata: poiché ogni sezione viene trattata in modo indipendente, la qualità del rilevamento degli oggetti non diminuisce, a condizione che le sezioni siano abbastanza grandi da contenere gli oggetti di interesse.

• Maggiore scalabilità: questa tecnica consente di scalare più facilmente il rilevamento degli oggetti su immagini di dimensioni e risoluzioni diverse, rendendola ideale per un'ampia gamma di applicazioni, dalle immagini satellitari alla diagnostica medica.

YOLO26 without SAHI	YOLO26 with SAHI

Installazione e preparazione#

Installazione#

Per iniziare, installa le versioni più recenti di SAHI e Ultralytics:

pip install -U ultralytics sahi

Importazione dei moduli e download delle risorse#

Ecco come scaricare alcune immagini di 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",
)

Inferenza standard con YOLO26#

Inizializzazione del modello#

Puoi inizializzare un modello YOLO26 per il rilevamento degli oggetti in questo modo:

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'
)

Esecuzione della previsione standard#

Esegui l'inferenza standard utilizzando il percorso di un'immagine.

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)

Visualizzazione dei risultati#

Esporta e visualizza i riquadri di delimitazione e le maschere predetti:

from PIL import Image

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

# Display the predicted image
processed_image.show()

Inferenza suddivisa con YOLO26#

Esegui l'inferenza suddivisa specificando le dimensioni delle sezioni e i rapporti di sovrapposizione:

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()

Gestione dei risultati della previsione#

SAHI fornisce un oggetto PredictionResult, che può essere convertito in diversi formati di annotazione:

# 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]

Previsione in batch#

Per eseguire previsioni in batch su una directory di immagini:

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,
)

Ora puoi utilizzare YOLO26 con SAHI sia per l'inferenza standard sia per quella suddivisa.

Citazioni e ringraziamenti#

Se utilizzi SAHI nel tuo lavoro di ricerca o sviluppo, cita il paper originale di SAHI e riconosci il contributo degli autori:

@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}
}

Ringraziamo il gruppo di ricerca di SAHI per aver creato e mantenuto questa risorsa preziosa per la comunità della visione artificiale. Per ulteriori informazioni su SAHI e sui suoi creatori, visita il repository di SAHI su GitHub.

FAQ#