Referentie voor ultralytics/models/sam/predict.py
Opmerking
Dit bestand is beschikbaar op https://github.com/ultralytics/ ultralytics/blob/main/ ultralytics/models/ sam/predict .py. Als je een probleem ziet, help het dan oplossen door een Pull Request 🛠️ bij te dragen. Bedankt 🙏!
ultralytics.models.sam.predict.Predictor
Basis: BasePredictor
Voorspellingsklasse voor het Segment Anything Model (SAM), die BasePredictor uitbreidt.
De klasse biedt een interface voor modelinferentie op maat voor beeldsegmentatietaken. Met een geavanceerde architectuur en segmentatiemogelijkheden die prompt kunnen worden ingesteld, maakt het flexibel en real-time masker genereren. De klasse kan werken met verschillende soorten prompts zoals bounding boxes, punten en maskers met een lage resolutie.
Kenmerken:
Naam | Type | Beschrijving |
---|---|---|
cfg |
dict
|
Configuratiewoordenboek met model- en taakgerelateerde parameters. |
overrides |
dict
|
Woordenboek met waarden die de standaardconfiguratie overschrijven. |
_callbacks |
dict
|
Woordenboek van door de gebruiker gedefinieerde terugbelfuncties om gedrag te verbeteren. |
args |
namespace
|
Naamruimte voor commandoregelargumenten of andere operationele variabelen. |
im |
Tensor
|
Voorbewerkte invoerafbeelding tensor. |
features |
Tensor
|
Geëxtraheerde beeldkenmerken gebruikt voor inferentie. |
prompts |
dict
|
Verzameling van verschillende typen aanwijzingen, zoals bounding boxes en punten. |
segment_all |
bool
|
Vlag om te bepalen of alle objecten in de afbeelding moeten worden gesegmenteerd of alleen gespecificeerde objecten. |
Broncode in 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 99 100 101 102 103 104 105 106 107 108 109 110 111 112 113 114 115 116 117 118 119 120 121 122 123 124 125 126 127 128 129 130 131 132 133 134 135 136 137 138 139 140 141 142 143 144 145 146 147 148 149 150 151 152 153 154 155 156 157 158 159 160 161 162 163 164 165 166 167 168 169 170 171 172 173 174 175 176 177 178 179 180 181 182 183 184 185 186 187 188 189 190 191 192 193 194 195 196 197 198 199 200 201 202 203 204 205 206 207 208 209 210 211 212 213 214 215 216 217 218 219 220 221 222 223 224 225 226 227 228 229 230 231 232 233 234 235 236 237 238 239 240 241 242 243 244 245 246 247 248 249 250 251 252 253 254 255 256 257 258 259 260 261 262 263 264 265 266 267 268 269 270 271 272 273 274 275 276 277 278 279 280 281 282 283 284 285 286 287 288 289 290 291 292 293 294 295 296 297 298 299 300 301 302 303 304 305 306 307 308 309 310 311 312 313 314 315 316 317 318 319 320 321 322 323 324 325 326 327 328 329 330 331 332 333 334 335 336 337 338 339 340 341 342 343 344 345 346 347 348 349 350 351 352 353 354 355 356 357 358 359 360 361 362 363 364 365 366 367 368 369 370 371 372 373 374 375 376 377 378 379 380 381 382 383 384 385 386 387 388 389 390 391 392 393 394 395 396 397 398 399 400 401 402 403 404 405 406 407 408 409 410 411 412 413 414 415 416 417 418 419 420 421 422 423 424 425 426 427 428 429 430 431 432 433 434 435 436 437 438 439 440 441 442 443 444 445 446 447 448 449 450 451 452 453 454 455 456 457 458 459 460 461 462 463 464 465 466 467 468 469 470 471 472 473 474 475 476 477 478 |
|
__init__(cfg=DEFAULT_CFG, overrides=None, _callbacks=None)
De Predictor initialiseren met configuratie, overrides en callbacks.
De methode stelt het Predictor object in en past eventuele configuratie-overrides of callbacks toe. Het initialiseert taakspecifieke instellingen voor SAM, zoals retina_masks die zijn ingesteld op True voor optimale resultaten.
Parameters:
Naam | Type | Beschrijving | Standaard |
---|---|---|---|
cfg |
dict
|
Configuratiewoordenboek. |
DEFAULT_CFG
|
overrides |
dict
|
Woordenboek met waarden om de standaardconfiguratie op te heffen. |
None
|
_callbacks |
dict
|
Woordenboek met callback-functies om gedrag aan te passen. |
None
|
Broncode in ultralytics/models/sam/predict.py
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)
Voer beeldsegmentatie uit met het Segment Anything Model (SAM).
Deze functie segmenteert een volledige afbeelding in samenstellende delen door gebruik te maken van SAM's geavanceerde architectuur en realtime prestatiemogelijkheden. Het kan optioneel werken op uitsneden van afbeeldingen voor fijnere segmentatie.
Parameters:
Naam | Type | Beschrijving | Standaard |
---|---|---|---|
im |
Tensor
|
Invoer tensor die de voorbewerkte afbeelding voorstelt met afmetingen (N, C, H, W). |
vereist |
crop_n_layers |
int
|
Specificeert het aantal lagen voor extra maskervoorspellingen op beeldgewassen. Elke laag produceert 2**i_layer aantal beeldgewassen. |
0
|
crop_overlap_ratio |
float
|
Bepaalt de overlap tussen gewassen. Naar beneden geschaald in volgende lagen. |
512 / 1500
|
crop_downscale_factor |
int
|
Schaalfactor voor het aantal bemonsterde punten per zijde in elke laag. |
1
|
point_grids |
list[ndarray]
|
Aangepaste rasters voor puntbemonstering genormaliseerd naar [0,1]. Gebruikt in de n-de gewaslaag. |
None
|
points_stride |
int
|
Aantal punten om te samplen langs elke kant van de afbeelding. Exclusief met 'point_grids'. |
32
|
points_batch_size |
int
|
Batchgrootte voor het aantal punten dat tegelijkertijd wordt verwerkt. |
64
|
conf_thres |
float
|
Betrouwbaarheidsdrempel [0,1] voor filteren op basis van de voorspelling van de maskerkwaliteit door het model. |
0.88
|
stability_score_thresh |
float
|
Stabiliteitsdrempel [0,1] voor filteren van maskers op basis van maskerstabiliteit. |
0.95
|
stability_score_offset |
float
|
Offsetwaarde voor het berekenen van de stabiliteitsscore. |
0.95
|
crop_nms_thresh |
float
|
IoU cutoff voor NMS om dubbele maskers tussen gewassen te verwijderen. |
0.7
|
Retourneert:
Type | Beschrijving |
---|---|
tuple
|
Een tupel met gesegmenteerde maskers, betrouwbaarheidsscores en bounding boxes. |
Broncode in ultralytics/models/sam/predict.py
210 211 212 213 214 215 216 217 218 219 220 221 222 223 224 225 226 227 228 229 230 231 232 233 234 235 236 237 238 239 240 241 242 243 244 245 246 247 248 249 250 251 252 253 254 255 256 257 258 259 260 261 262 263 264 265 266 267 268 269 270 271 272 273 274 275 276 277 278 279 280 281 282 283 284 285 286 287 288 289 290 291 292 293 294 295 296 297 298 299 300 301 302 303 304 305 306 307 308 309 310 311 312 313 314 315 316 |
|
inference(im, bboxes=None, points=None, labels=None, masks=None, multimask_output=False, *args, **kwargs)
Beeldsegmentatie-inferentie uitvoeren op basis van de gegeven invoergegevens, met behulp van de momenteel geladen afbeelding. Deze methode maakt gebruik van de architectuur van SAM(Segment Anything Model) die bestaat uit een encoder voor afbeeldingen, een encoder voor aanwijzingen en een decoder voor masker decoder voor segmentatietaken in realtime en op verzoek.
Parameters:
Naam | Type | Beschrijving | Standaard |
---|---|---|---|
im |
Tensor
|
De voorbewerkte invoerafbeelding in tensor formaat, met vorm (N, C, H, W). |
vereist |
bboxes |
ndarray | List
|
Afbakeningsvelden met vorm (N, 4), in XYXY formaat. |
None
|
points |
ndarray | List
|
Punten die objectlocaties aangeven met vorm (N, 2), in pixels. |
None
|
labels |
ndarray | List
|
Labels voor puntaanwijzingen, vorm (N, ). 1 = voorgrond, 0 = achtergrond. |
None
|
masks |
ndarray
|
Laag-resolutie maskers van eerdere voorspellingen vorm (N,H,W). Voor SAM H=W=256. |
None
|
multimask_output |
bool
|
Vlag om meerdere maskers terug te geven. Nuttig voor dubbelzinnige vragen. |
False
|
Retourneert:
Type | Beschrijving |
---|---|
tuple
|
Bevat de volgende drie elementen. - np.ndarray: De uitvoermaskers in de vorm CxHxB, waarbij C het aantal gegenereerde maskers is. - np.ndarray: Een array van lengte C met kwaliteitsscores die door het model voor elk masker zijn voorspeld. - np.ndarray: Lage-resolutie logits van de vorm CxHxW voor verdere inferentie, waarbij H=W=256. |
Broncode in ultralytics/models/sam/predict.py
postprocess(preds, img, orig_imgs)
Verwerkt de inferentie-uitkomsten van SAM om maskers voor objectdetectie en bounding boxes te genereren.
De methode schaalt maskers en boxen naar de originele afbeeldingsgrootte en past een drempelwaarde toe op de maskervoorspellingen. Het model SAM maakt gebruik van een geavanceerde architectuur en promptable segmentatietaken om realtime prestaties te bereiken.
Parameters:
Naam | Type | Beschrijving | Standaard |
---|---|---|---|
preds |
tuple
|
De uitvoer van SAM modelinferentie, met maskers, scores en optionele bounding boxes. |
vereist |
img |
Tensor
|
De bewerkte invoerafbeelding tensor. |
vereist |
orig_imgs |
list | Tensor
|
De originele, onbewerkte beelden. |
vereist |
Retourneert:
Type | Beschrijving |
---|---|
list
|
Lijst met resultaatobjecten die detectiemaskers, bounding boxes en andere metagegevens bevatten. |
Broncode in ultralytics/models/sam/predict.py
pre_transform(im)
Voer initiële transformaties uit op de invoerafbeelding voor voorbewerking.
De methode past transformaties toe zoals het aanpassen van de grootte om de afbeelding voor te bereiden op verdere voorbewerking. Momenteel wordt batched inference niet ondersteund; daarom moet de lijstlengte 1 zijn.
Parameters:
Naam | Type | Beschrijving | Standaard |
---|---|---|---|
im |
List[ndarray]
|
Lijst met afbeeldingen in HWC numpy array formaat. |
vereist |
Retourneert:
Type | Beschrijving |
---|---|
List[ndarray]
|
Lijst met getransformeerde afbeeldingen. |
Broncode in ultralytics/models/sam/predict.py
preprocess(im)
De invoerafbeelding voorbewerken voor modelinferentie.
De methode bereidt de invoerafbeelding voor door transformaties en normalisatie toe te passen. Het ondersteunt zowel torch.Tensor als lijst van np.ndarray als invoerformaten.
Parameters:
Naam | Type | Beschrijving | Standaard |
---|---|---|---|
im |
Tensor | List[ndarray]
|
BCHW tensor formaat of lijst van HWC numpy arrays. |
vereist |
Retourneert:
Type | Beschrijving |
---|---|
Tensor
|
De voorbewerkte afbeelding tensor. |
Broncode in ultralytics/models/sam/predict.py
prompt_inference(im, bboxes=None, points=None, labels=None, masks=None, multimask_output=False)
Interne functie voor beeldsegmentatie-inferentie gebaseerd op aanwijzingen zoals bounding boxes, punten en maskers. Maakt gebruik van de gespecialiseerde architectuur van SAM voor segmentatie in realtime op basis van prompts.
Parameters:
Naam | Type | Beschrijving | Standaard |
---|---|---|---|
im |
Tensor
|
De voorbewerkte invoerafbeelding in tensor formaat, met vorm (N, C, H, W). |
vereist |
bboxes |
ndarray | List
|
Afbakeningsvelden met vorm (N, 4), in XYXY formaat. |
None
|
points |
ndarray | List
|
Punten die objectlocaties aangeven met vorm (N, 2), in pixels. |
None
|
labels |
ndarray | List
|
Labels voor puntaanwijzingen, vorm (N, ). 1 = voorgrond, 0 = achtergrond. |
None
|
masks |
ndarray
|
Laag-resolutie maskers van eerdere voorspellingen vorm (N,H,W). Voor SAM H=W=256. |
None
|
multimask_output |
bool
|
Vlag om meerdere maskers terug te geven. Nuttig voor dubbelzinnige vragen. |
False
|
Retourneert:
Type | Beschrijving |
---|---|
tuple
|
Bevat de volgende drie elementen. - np.ndarray: De uitvoermaskers in de vorm CxHxB, waarbij C het aantal gegenereerde maskers is. - np.ndarray: Een array van lengte C met kwaliteitsscores die door het model voor elk masker zijn voorspeld. - np.ndarray: Lage-resolutie logits van de vorm CxHxW voor verdere inferentie, waarbij H=W=256. |
Broncode in ultralytics/models/sam/predict.py
remove_small_regions(masks, min_area=0, nms_thresh=0.7)
staticmethod
Voer nabewerking uit op segmentatiemaskers die zijn gegenereerd door het Segment Anything Model (SAM). Specifiek verwijdert deze functie verwijdert kleine losgekoppelde gebieden en gaten uit de invoermaskers en voert dan Niet-Maximale Suppression (NMS) om alle nieuw gemaakte dubbele vakken te elimineren.
Parameters:
Naam | Type | Beschrijving | Standaard |
---|---|---|---|
masks |
Tensor
|
Een tensor met de maskers die moeten worden verwerkt. De vorm moet (N, H, W) zijn, waarbij N het aantal maskers is, H de hoogte en W de breedte. |
vereist |
min_area |
int
|
Het minimale gebied waaronder losgekoppelde gebieden en gaten worden verwijderd. Wordt standaard ingesteld op 0. |
0
|
nms_thresh |
float
|
De IoU-drempel voor het NMS-algoritme. Standaard ingesteld op 0,7. |
0.7
|
Retourneert:
Type | Beschrijving |
---|---|
tuple([Tensor, List[int]])
|
|
Broncode in ultralytics/models/sam/predict.py
reset_image()
set_image(image)
Bewerkt een enkele afbeelding voor en stelt deze in voor inferentie.
Deze functie stelt het model in als het nog niet geïnitialiseerd is, configureert de gegevensbron voor de gespecificeerde afbeelding, en preprocessed de afbeelding voor feature extractie. Er kan maar één afbeelding tegelijk worden ingesteld.
Parameters:
Naam | Type | Beschrijving | Standaard |
---|---|---|---|
image |
str | ndarray
|
Het pad van het afbeeldingsbestand als een string, of een np.ndarray afbeelding gelezen door cv2. |
vereist |
Verhogingen:
Type | Beschrijving |
---|---|
AssertionError
|
Als er meer dan één afbeelding is ingesteld. |
Broncode in ultralytics/models/sam/predict.py
set_prompts(prompts)
setup_model(model, verbose=True)
Initialiseert het Segment Anything Model (SAM) voor inferentie.
Deze methode stelt het SAM model in door het aan het juiste apparaat toe te wijzen en de benodigde parameters voor beeldnormalisatie en andere Ultralytics compatibiliteitsinstellingen.
Parameters:
Naam | Type | Beschrijving | Standaard |
---|---|---|---|
model |
Module
|
Een voorgetraind SAM model. Als er geen is, wordt er een model gebouwd op basis van de configuratie. |
vereist |
verbose |
bool
|
Als dit waar is, wordt geselecteerde apparaatinformatie afgedrukt. |
True
|
Kenmerken:
Naam | Type | Beschrijving |
---|---|---|
model |
Module
|
Het SAM model dat is toegewezen aan het gekozen apparaat voor inferentie. |
device |
device
|
Het apparaat waaraan het model en de tensoren worden toegewezen. |
mean |
Tensor
|
De gemiddelde waarden voor beeldnormalisatie. |
std |
Tensor
|
De standaardafwijkingswaarden voor beeldnormalisatie. |
Broncode in ultralytics/models/sam/predict.py
setup_source(source)
Stelt de gegevensbron in voor inferentie.
Deze methode configureert de gegevensbron waaruit afbeeldingen worden opgehaald voor inferentie. De bron kan een map, een videobestand of andere soorten afbeeldingsbronnen zijn.
Parameters:
Naam | Type | Beschrijving | Standaard |
---|---|---|---|
source |
str | Path
|
Het pad naar de afbeeldingsgegevensbron voor inferentie. |
vereist |