Ultralytics 문서: YOLO26과 SAHI를 사용한 슬라이스 추론
YOLO26과 SAHI(Slicing Aided Hyper Inference)를 사용하는 방법에 관한 Ultralytics 문서에 오신 것을 환영합니다. 이 종합 가이드는 YOLO26과 함께 SAHI를 구현하는 데 필요한 모든 필수 지식을 제공합니다. SAHI란 무엇인지, 대규모 애플리케이션에서 슬라이스 추론이 왜 중요한지, 그리고 향상된 object detection 성능을 위해 이러한 기능을 YOLO26과 통합하는 방법을 심층적으로 다룹니다.
SAHI 소개
SAHI(Slicing Aided Hyper Inference)는 대규모 및 고해상도 이미지에 대해 object detection 알고리즘을 최적화하기 위해 설계된 혁신적인 라이브러리입니다. 핵심 기능은 이미지를 관리하기 쉬운 슬라이스로 분할하고, 각 슬라이스에서 object detection을 실행한 다음, 결과를 다시 하나로 합치는 것입니다. SAHI는 YOLO 시리즈를 포함한 다양한 object detection 모델과 호환되므로, 계산 리소스의 최적화된 사용을 보장하면서 유연성을 제공합니다.
Watch: How to use SAHI with Ultralytics YOLO26 to Detect Small Objects | Slicing Aided Hyper Inference 🚀
SAHI의 주요 기능
- 원활한 통합: SAHI는 YOLO 모델과 손쉽게 통합되므로, 많은 코드 수정 없이 슬라이싱 및 탐지를 시작할 수 있습니다.
- 리소스 효율성: 대형 이미지를 더 작은 부분으로 나누어 메모리 사용을 최적화함으로써 리소스가 제한된 하드웨어에서도 고품질 탐지를 실행할 수 있습니다.
- 높은 Accuracy: SAHI는 스티칭 과정에서 중첩된 탐지 상자를 병합하기 위해 스마트 알고리즘을 사용하여 탐지 정확도를 유지합니다.
슬라이스 추론이란 무엇인가?
슬라이스 추론은 대형 또는 고해상도 이미지를 더 작은 세그먼트(슬라이스)로 세분화하고, 이 슬라이스들에 대해 object detection을 수행한 다음, 슬라이스들을 다시 컴파일하여 원본 이미지상의 객체 위치를 재구성하는 방식을 말합니다. 이 기술은 계산 리소스가 제한적이거나 메모리 문제를 일으킬 수 있는 초고해상도 이미지로 작업할 때 매우 유용합니다.
슬라이스 추론의 이점
-
계산 부담 감소: 더 작은 이미지 슬라이스는 처리 속도가 빠르고 메모리를 덜 소비하므로, 저사양 하드웨어에서도 더 원활하게 작동합니다.
-
탐지 품질 유지: 각 슬라이스가 독립적으로 처리되므로, 관심 객체를 캡처하기에 충분히 큰 슬라이스라면 object detection 품질의 저하가 없습니다.
-
향상된 확장성: 이 기술은 다양한 크기와 해상도의 이미지에 걸쳐 object detection을 더 쉽게 확장할 수 있게 해주며, 위성 이미지부터 의료 진단에 이르는 광범위한 애플리케이션에 이상적입니다.
| YOLO26 without SAHI | YOLO26 with SAHI |
|---|---|
 |  |
설치 및 준비
설치
시작하려면 최신 버전의 SAHI와 Ultralytics를 설치하십시오:
pip install -U ultralytics sahi모듈 가져오기 및 리소스 다운로드
테스트 이미지를 다운로드하는 방법은 다음과 같습니다:
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",
)YOLO26을 사용한 표준 추론
모델 인스턴스화
다음과 같이 object detection을 위한 YOLO26 모델을 인스턴스화할 수 있습니다:
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'
)표준 예측 수행
이미지 경로를 사용하여 표준 추론을 수행하십시오.
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)결과 시각화
예측된 bounding boxes 및 마스크를 내보내고 시각화하십시오:
from PIL import Image
# Open the predicted image
processed_image = Image.open("demo_data/prediction_visual.png")
# Display the predicted image
processed_image.show()YOLO26을 사용한 슬라이스 추론
슬라이스 치수와 중첩 비율을 지정하여 슬라이스 추론을 수행하십시오:
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()예측 결과 처리
SAHI는 다양한 주석 형식으로 변환할 수 있는 PredictionResult 객체를 제공합니다:
# Access the object prediction list
object_prediction_list = result.object_prediction_list
# Convert to COCO annotation, COCO prediction, imantics, and fiftyone formats
result.to_coco_annotations()[:3]
result.to_coco_predictions(image_id=1)[:3]
result.to_imantics_annotations()[:3]
result.to_fiftyone_detections()[:3]배치 예측
이미지 디렉토리에 대한 배치 예측을 수행하려면 다음을 사용하십시오:
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,
)이제 표준 추론 및 슬라이스 추론 모두에 대해 YOLO26과 SAHI를 사용할 준비가 되었습니다.
인용 및 감사의 글
연구 또는 개발 작업에서 SAHI를 사용하는 경우, 원본 SAHI 논문을 인용하고 저자들에게 감사를 표해주십시오:
@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}
}computer vision 커뮤니티를 위해 이 귀중한 리소스를 만들고 유지 관리해 준 SAHI 연구 그룹에 감사를 드립니다. SAHI와 그 제작자에 대한 자세한 내용은 SAHI GitHub repository를 방문하십시오.
FAQ
object detection에서 슬라이스 추론을 위해 YOLO26을 SAHI와 어떻게 통합합니까?
Ultralytics YOLO26을 슬라이스 추론을 위해 SAHI(Slicing Aided Hyper Inference)와 통합하면 이미지를 관리하기 쉬운 슬라이스로 분할하여 고해상도 이미지에서의 object detection 작업을 최적화할 수 있습니다. 이 방식은 메모리 사용량을 개선하고 높은 탐지 정확도를 보장합니다. 시작하려면 ultralytics 및 sahi 라이브러리를 설치해야 합니다:
pip install -U ultralytics sahi그런 다음 테스트 이미지를 다운로드합니다:
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",
)더 자세한 지침은 슬라이스 추론 가이드를 참조하십시오.
대형 이미지에 대한 object detection을 위해 왜 YOLO26과 함께 SAHI를 사용해야 합니까?
대형 이미지의 object detection을 위해 Ultralytics YOLO26과 SAHI를 사용하면 다음과 같은 여러 이점이 있습니다:
- 계산 부담 감소: 더 작은 슬라이스는 처리 속도가 빠르고 메모리를 덜 소비하므로, 리소스가 제한된 하드웨어에서도 고품질 탐지를 실행할 수 있습니다.
- 탐지 정확도 유지: SAHI는 지능형 알고리즘을 사용하여 중첩된 상자를 병합함으로써 탐지 품질을 보존합니다.
- 향상된 확장성: 다양한 이미지 크기와 해상도에 걸쳐 object detection 작업을 확장함으로써, SAHI는 위성 이미지 분석 및 의료 진단과 같은 다양한 애플리케이션에 이상적입니다.
문서에서 슬라이스 추론의 이점에 대해 자세히 알아보십시오.
YOLO26과 SAHI를 사용할 때 예측 결과를 시각화할 수 있습니까?
네, YOLO26과 SAHI를 사용할 때 예측 결과를 시각화할 수 있습니다. 결과를 내보내고 시각화하는 방법은 다음과 같습니다:
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()이 명령은 시각화된 예측을 지정된 디렉토리에 저장하며, 이후 이미지를 로드하여 노트북이나 애플리케이션에서 볼 수 있습니다. 자세한 가이드는 표준 추론 섹션을 확인하십시오.
SAHI는 YOLO26 object detection을 개선하기 위해 어떤 기능을 제공합니까?
SAHI(Slicing Aided Hyper Inference)는 Ultralytics YOLO26의 object detection을 보완하는 여러 기능을 제공합니다:
- 원활한 통합: SAHI는 YOLO 모델과 쉽게 통합되며 코드 수정이 최소한으로 필요합니다.
- 리소스 효율성: 대형 이미지를 더 작은 슬라이스로 분할하여 메모리 사용과 속도를 최적화합니다.
- 높은 정확도: 스티칭 과정에서 중첩된 탐지 상자를 효과적으로 병합함으로써, SAHI는 높은 탐지 정확도를 유지합니다.
더 깊은 이해를 위해 SAHI의 주요 기능에 대해 읽어보십시오.
YOLO26과 SAHI를 사용하여 대규모 추론 프로젝트를 어떻게 처리합니까?
YOLO26과 SAHI를 사용하여 대규모 추론 프로젝트를 처리하려면 다음 모범 사례를 따르십시오:
- 필수 라이브러리 설치: 최신 버전의 ultralytics와 sahi를 설치했는지 확인하십시오.
- 슬라이스 추론 구성: 특정 프로젝트에 맞는 최적의 슬라이스 치수와 중첩 비율을 결정하십시오.
- 배치 예측 실행: SAHI의 기능을 사용하여 이미지 디렉토리에 대한 배치 예측을 수행하면 효율성이 향상됩니다.
배치 예측 예시:
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,
)더 자세한 단계는 배치 예측 섹션을 방문하십시오.