Link to this sectionDocumentação Ultralytics: Usando YOLO26 com SAHI para Inferência Fatiada#

Bem-vindo à documentação da Ultralytics sobre como usar o YOLO26 com o SAHI (Slicing Aided Hyper Inference). Este guia completo visa fornecer todo o conhecimento essencial de que precisas para implementar o SAHI juntamente com o YOLO26. Vamos analisar profundamente o que é o SAHI, por que a inferência fatiada é crítica para aplicações em grande escala e como integrar essas funcionalidades com o YOLO26 para um desempenho aprimorado de detecção de objetos.

Link to this sectionIntrodução ao SAHI#

O SAHI (Slicing Aided Hyper Inference) é uma biblioteca inovadora projetada para otimizar algoritmos de detecção de objetos para imagens de grande escala e alta resolução. A sua funcionalidade principal consiste em dividir imagens em fatias gerenciáveis, executar a detecção de objetos em cada fatia e, em seguida, unir os resultados novamente. O SAHI é compatível com uma gama de modelos de detecção de objetos, incluindo a série YOLO, oferecendo flexibilidade enquanto garante o uso otimizado de recursos computacionais.

Link to this sectionPrincipais Recursos do SAHI#

• Integração Perfeita: O SAHI integra-se facilmente com modelos YOLO, o que significa que podes começar a fatiar e detectar sem muitas modificações no código.
• Eficiência de Recursos: Ao dividir imagens grandes em partes menores, o SAHI otimiza o uso da memória, permitindo-te executar detecção de alta qualidade em hardware com recursos limitados.
• Alta Precisão: O SAHI mantém a precisão da detecção empregando algoritmos inteligentes para mesclar caixas de detecção sobrepostas durante o processo de união.

Link to this sectionO que é Inferência Fatiada?#

A Inferência Fatiada refere-se à prática de subdividir uma imagem grande ou de alta resolução em segmentos menores (fatias), conduzindo a detecção de objetos nessas fatias e, em seguida, recompilando as fatias para reconstruir as localizações dos objetos na imagem original. Esta técnica é inestimável em cenários onde os recursos computacionais são limitados ou ao trabalhar com imagens de resolução extremamente alta que poderiam, de outra forma, levar a problemas de memória.

Link to this sectionBenefícios da Inferência Fatiada#

• Carga Computacional Reduzida: Fatias de imagem menores são mais rápidas de processar e consomem menos memória, permitindo uma operação mais suave em hardware de menor desempenho.

• Qualidade de Detecção Preservada: Como cada fatia é tratada independentemente, não há redução na qualidade da detecção de objetos, desde que as fatias sejam grandes o suficiente para capturar os objetos de interesse.

• Escalabilidade Aprimorada: A técnica permite que a detecção de objetos seja escalada mais facilmente através de diferentes tamanhos e resoluções de imagem, tornando-a ideal para uma ampla gama de aplicações, desde imagens de satélite até diagnósticos médicos.

YOLO26 without SAHI	YOLO26 with SAHI

Link to this sectionInstalação e Preparação#

Link to this sectionInstalação#

Para começar, instala as versões mais recentes do SAHI e da Ultralytics:

pip install -U ultralytics sahi

Link to this sectionImportar Módulos e Baixar Recursos#

Aqui está como baixar algumas imagens de teste:

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",
)

Link to this sectionInferência Padrão com YOLO26#

Link to this sectionInstanciar o Modelo#

Podes instanciar um modelo YOLO26 para detecção de objetos desta forma:

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'
)

Link to this sectionRealizar Predição Padrão#

Realiza a inferência padrão usando um caminho de imagem.

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)

Link to this sectionVisualizar Resultados#

Exporta e visualiza as caixas delimitadoras e máscaras preditas:

from PIL import Image

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

# Display the predicted image
processed_image.show()

Link to this sectionInferência Fatiada com YOLO26#

Realiza a inferência fatiada especificando as dimensões das fatias e as taxas de sobreposição:

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()

Link to this sectionManipulação de Resultados de Predição#

O SAHI fornece um objeto PredictionResult, que pode ser convertido em vários formatos de anotação:

# 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]

Link to this sectionPredição em Lote#

Para predição em lote em um diretório de imagens:

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,
)

Estás agora pronto para usar o YOLO26 com o SAHI para inferência padrão e fatiada.

Link to this sectionCitações e Agradecimentos#

Se usares o SAHI no teu trabalho de pesquisa ou desenvolvimento, por favor cita o artigo original do SAHI e dá crédito aos autores:

@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}
}

Estendemos os nossos agradecimentos ao grupo de pesquisa do SAHI por criar e manter este recurso inestimável para a comunidade de visão computacional. Para mais informações sobre o SAHI e os seus criadores, visita o repositório GitHub do SAHI.

Link to this sectionPerguntas Frequentes#

Link to this sectionComo posso integrar o YOLO26 com o SAHI para inferência fatiada na detecção de objetos?#

Integrar o Ultralytics YOLO26 com o SAHI (Slicing Aided Hyper Inference) para inferência fatiada otimiza as tuas tarefas de detecção de objetos em imagens de alta resolução, dividindo-as em fatias gerenciáveis. Esta abordagem melhora o uso da memória e garante uma alta precisão de detecção. Para começar, precisas de instalar as bibliotecas ultralytics e sahi:

pip install -U ultralytics sahi

Em seguida, baixa imagens de teste:

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",
)

Para instruções mais detalhadas, consulta o nosso guia de Inferência Fatiada.

Link to this sectionPor que devo usar o SAHI com o YOLO26 para detecção de objetos em imagens grandes?#

Usar o SAHI com o Ultralytics YOLO26 para detecção de objetos em imagens grandes oferece vários benefícios:

• Carga Computacional Reduzida: Fatias menores são mais rápidas de processar e consomem menos memória, tornando viável a execução de detecções de alta qualidade em hardware com recursos limitados.
• Precisão de Detecção Mantida: O SAHI usa algoritmos inteligentes para mesclar caixas sobrepostas, preservando a qualidade da detecção.
• Escalabilidade Aprimorada: Ao escalar tarefas de detecção de objetos através de diferentes tamanhos e resoluções de imagem, o SAHI torna-se ideal para várias aplicações, como análise de imagens de satélite e diagnósticos médicos.

Sabe mais sobre os benefícios da inferência fatiada na nossa documentação.

Link to this sectionPosso visualizar os resultados da predição ao usar o YOLO26 com o SAHI?#

Sim, podes visualizar os resultados da predição ao usar o YOLO26 com o SAHI. Aqui está como podes exportar e visualizar os resultados:

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()

Este comando salvará as predições visualizadas no diretório especificado, e podes então carregar a imagem para visualizá-la no teu notebook ou aplicação. Para um guia detalhado, confere a seção de Inferência Padrão.

Link to this sectionQue funcionalidades oferece o SAHI para melhorar a detecção de objetos com o YOLO26?#

O SAHI (Slicing Aided Hyper Inference) oferece várias funcionalidades que complementam o Ultralytics YOLO26 para detecção de objetos:

• Integração Perfeita: O SAHI integra-se facilmente com modelos YOLO, exigindo ajustes mínimos de código.
• Eficiência de Recursos: Ele divide imagens grandes em fatias menores, o que otimiza o uso da memória e a velocidade.
• Alta Precisão: Ao mesclar efetivamente as caixas de detecção sobrepostas durante o processo de união, o SAHI mantém uma alta precisão de detecção.

Para uma compreensão mais profunda, lê sobre os principais recursos do SAHI.

Link to this sectionComo lido com projetos de inferência em grande escala usando o YOLO26 e o SAHI?#

Para lidar com projetos de inferência em grande escala usando o YOLO26 e o SAHI, segue estas boas práticas:

1. Instalar Bibliotecas Necessárias: Garante que tens as versões mais recentes do ultralytics e do sahi.
2. Configurar Inferência Fatiada: Determina as dimensões ideais das fatias e as taxas de sobreposição para o teu projeto específico.
3. Executar Predições em Lote: Usa as capacidades do SAHI para realizar predições em lote num diretório de imagens, o que melhora a eficiência.

Exemplo para predição em lote:

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,
)

Para passos mais detalhados, visita a nossa seção sobre Predição em Lote.