Link to this sectionДокументация Ultralytics: Использование YOLO26 с SAHI для сегментированного вывода#

Добро пожаловать в документацию Ultralytics по использованию YOLO26 с SAHI (Slicing Aided Hyper Inference). Это подробное руководство предоставит тебе все необходимые знания для внедрения SAHI вместе с YOLO26. Мы детально разберем, что такое SAHI, почему сегментированный вывод критически важен для крупномасштабных приложений и как интегрировать эти функции с YOLO26 для повышения производительности детекции объектов.

SAHI tiled inference for small objects

Link to this sectionВведение в SAHI#

SAHI (Slicing Aided Hyper Inference) — это инновационная библиотека, предназначенная для оптимизации алгоритмов детекции объектов для крупномасштабных изображений и изображений высокого разрешения. Её основная функциональность заключается в разделении изображений на управляемые сегменты, выполнении детекции объектов на каждом сегменте и последующем объединении результатов. SAHI совместима с рядом моделей детекции объектов, включая серию YOLO, что обеспечивает гибкость при оптимизированном использовании вычислительных ресурсов.

Watch: How to use SAHI with Ultralytics YOLO26 to Detect Small Objects | Slicing Aided Hyper Inference 🚀

Link to this sectionОсновные возможности SAHI#

Бесшовная интеграция: SAHI легко интегрируется с моделями YOLO, что означает, что ты можешь начать сегментирование и детекцию без существенных изменений в коде.
Эффективность использования ресурсов: Разбивая большие изображения на меньшие части, SAHI оптимизирует использование памяти, позволяя выполнять высококачественную детекцию на оборудовании с ограниченными ресурсами.
Высокая точность: SAHI поддерживает точность детекции за счет использования интеллектуальных алгоритмов для слияния перекрывающихся ограничивающих рамок в процессе объединения.

Link to this sectionЧто такое сегментированный вывод (Sliced Inference)?#

Сегментированный вывод относится к практике подразделения большого изображения или изображения высокого разрешения на меньшие фрагменты (сегменты), выполнения детекции объектов на этих сегментах и последующей сборки сегментов для воссоздания местоположения объектов на исходном изображении. Этот метод бесценен в сценариях, где вычислительные ресурсы ограничены, или при работе с изображениями сверхвысокого разрешения, которые в противном случае могли бы привести к проблемам с памятью.

Link to this sectionПреимущества сегментированного вывода#

Снижение вычислительной нагрузки: Обработка меньших сегментов изображения происходит быстрее, и они потребляют меньше памяти, что обеспечивает более плавную работу на менее мощном оборудовании.
Сохранение качества детекции: Поскольку каждый сегмент обрабатывается независимо, качество детекции объектов не снижается, при условии, что сегменты достаточно велики для захвата целевых объектов.
Улучшенная масштабируемость: Этот метод позволяет легче масштабировать задачу детекции объектов для изображений различных размеров и разрешений, что делает его идеальным для широкого спектра приложений — от спутниковых снимков до медицинской диагностики.

YOLO26 without SAHI	YOLO26 with SAHI

Link to this sectionУстановка и подготовка#

Link to this sectionУстановка#

Для начала установи последние версии SAHI и Ultralytics:

pip install -U ultralytics sahi

Link to this sectionИмпорт модулей и загрузка ресурсов#

Вот как можно загрузить несколько тестовых изображений:

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 sectionСтандартный вывод с YOLO26#

Link to this sectionСоздание экземпляра модели#

Ты можешь создать экземпляр модели YOLO26 для детекции объектов вот так:

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 sectionВыполнение стандартного прогнозирования#

Выполни стандартный вывод, используя путь к изображению.

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 sectionВизуализация результатов#

Экспортируй и визуализируй предсказанные ограничивающие рамки и маски:

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 sectionСегментированный вывод с YOLO26#

Выполни сегментированный вывод, указав размеры сегментов и коэффициенты перекрытия:

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 sectionОбработка результатов прогнозирования#

SAHI предоставляет объект PredictionResult, который можно конвертировать в различные форматы аннотаций:

# 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]

Дополнительные форматы экспорта

PredictionResult также может преобразовывать детекции в объекты imantics и FiftyOne с помощью result.to_imantics_annotations() и result.to_fiftyone_detections(). Для этих методов требуются соответствующие пакеты, поэтому сначала установи их с помощью pip install imantics fiftyone.

Link to this sectionПакетное прогнозирование#

Для пакетного прогнозирования в каталоге изображений:

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,
)

Теперь ты готов использовать YOLO26 с SAHI как для стандартного, так и для сегментированного вывода.

Link to this sectionЦитирование и благодарности#

Если ты используешь SAHI в своих исследованиях или при разработке, пожалуйста, процитируй оригинальную статью о SAHI и вырази признательность авторам:

Цитата

@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}
}

Мы выражаем благодарность исследовательской группе SAHI за создание и поддержку этого ценного ресурса для сообщества компьютерного зрения. Для получения дополнительной информации о SAHI и его создателях посети репозиторий SAHI на GitHub.

Link to this sectionFAQ#

Link to this sectionКак я могу интегрировать YOLO26 с SAHI для сегментированного вывода при детекции объектов?#

Интеграция Ultralytics YOLO26 с SAHI (Slicing Aided Hyper Inference) для сегментированного вывода оптимизирует задачи детекции объектов на изображениях высокого разрешения путем их разбиения на управляемые сегменты. Этот подход улучшает использование памяти и обеспечивает высокую точность детекции. Для начала тебе нужно установить библиотеки ultralytics и sahi:

pip install -U ultralytics sahi

Затем загрузи тестовые изображения:

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",
)

Для получения более подробных инструкций обратись к нашему руководству по сегментированному выводу.

Link to this sectionПочему мне следует использовать SAHI с YOLO26 для детекции объектов на больших изображениях?#

Использование SAHI с Ultralytics YOLO26 для детекции объектов на больших изображениях дает несколько преимуществ:

Снижение вычислительной нагрузки: Меньшие сегменты обрабатываются быстрее и потребляют меньше памяти, что позволяет выполнять высококачественную детекцию на оборудовании с ограниченными ресурсами.
Сохранение точности детекции: SAHI использует интеллектуальные алгоритмы для объединения перекрывающихся рамок, сохраняя качество детекции.
Улучшенная масштабируемость: Благодаря масштабированию задач детекции объектов на изображениях разных размеров и разрешений SAHI становится идеальным инструментом для различных приложений, таких как анализ спутниковых снимков и медицинская диагностика.

Узнай больше о преимуществах сегментированного вывода в нашей документации.

Link to this sectionМогу ли я визуализировать результаты прогнозирования при использовании YOLO26 с SAHI?#

Да, ты можешь визуализировать результаты прогнозирования при использовании YOLO26 с SAHI. Вот как ты можешь экспортировать и визуализировать результаты:

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()

Эта команда сохранит визуализированные прогнозы в указанный каталог, и ты сможешь загрузить изображение, чтобы просмотреть его в своем блокноте или приложении. Подробное руководство см. в разделе Стандартный вывод.

Link to this sectionКакие возможности предлагает SAHI для улучшения детекции объектов в YOLO26?#

SAHI (Slicing Aided Hyper Inference) предлагает несколько возможностей, дополняющих Ultralytics YOLO26 для детекции объектов:

Бесшовная интеграция: SAHI легко интегрируется с моделями YOLO, требуя минимальных изменений в коде.
Эффективность использования ресурсов: Библиотека разбивает большие изображения на меньшие сегменты, что оптимизирует использование памяти и скорость.
Высокая точность: Эффективно объединяя перекрывающиеся рамки детекции в процессе сборки, SAHI поддерживает высокую точность детекции.

Для более глубокого понимания ознакомься с основными возможностями SAHI.

Link to this sectionКак мне обрабатывать крупномасштабные проекты вывода с использованием YOLO26 и SAHI?#

Для работы с крупномасштабными проектами вывода с использованием YOLO26 и SAHI следуй этим лучшим практикам:

Установи необходимые библиотеки: Убедись, что у тебя установлены последние версии ultralytics и sahi.
Настрой сегментированный вывод: Определи оптимальные размеры сегментов и коэффициенты перекрытия для твоего конкретного проекта.
Запускай пакетное прогнозирование: Используй возможности SAHI для выполнения пакетного прогнозирования в каталоге изображений, что повышает эффективность.

Пример пакетного прогнозирования:

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,
)

Для получения более подробных шагов посети наш раздел Пакетное прогнозирование.

Участники

GLglenn-jocher¹³ RIRizwanMunawar⁸ RAraimbekovm¹ PDpderrenger¹ COCoderUni¹ MAMatthewNoyce¹

Создано 12 нояб. 2023 г.Обновлено 4 дня назад