Yüksek Çözünürlüklü Döşeme

Yüksek çözünürlüklü görüntüleri model giriş boyutuna yeniden boyutlandırmadan önce örtüşen pencerelerde işlemek için tile=True kullan. Bu yöntem, görüntünün tamamı yeniden boyutlandırıldığında kaybolacak küçük nesne ayrıntılarını koruyabilir. Ek paket gerekmez.

Döşemeleme, standart eğitim, doğrulama ve tahmin işlem hatlarını kullanır. Tahmin, özgün görüntü başına bir Results nesnesi döndürür. Doğrulama, özgün açıklamalara göre değerlendirmeden önce tahminleri birleştirir; eğitim kaybı döşemeler üzerinde hesaplanır.

Kullanım#

from ultralytics import YOLO

model = YOLO("yolo26n.pt")
model.train(data="aerial.yaml", tile=True, imgsz=640)
metrics = model.val(data="aerial.yaml", tile=True, imgsz=640)
results = model.predict("large-image.tif", tile=640, imgsz=640, batch=8)

yolo predict model=yolo26n.pt source=large-image.tif tile=640 imgsz=640 batch=8

tile=True, pencere boyutu olarak imgsz kullanır. tile=1024 gibi pozitif bir tam sayı, pencere boyutunu imgsz değerinden bağımsız olarak belirler. Varsayılan değer tile=False şeklindedir. Pencereler %20 oranında örtüşür ve son pencereler görüntü sınırına hizalanır. Daha küçük görüntülerde tek bir tam görüntü penceresi kullanılır.

batch, tahmin sırasında modelin birlikte işleyeceği döşeme sayısını denetler. Mevcut arka uç, son kısmi grup dâhil sabit dışa aktarma grup boyutlarını yönetir. Dışa aktarılan modeller normal giriş grafiğini korur; döşemeleme Python tahmin işlem hattında yürütülür.

Video için belleğin sınırlı kalmasını sağlamak üzere sonuçları akış hâlinde işle ve sonuçları kaydetmek veya görüntülemek için mevcut tahmin seçeneklerini kullan:

for result in model.predict("video.mp4", tile=640, stream=True, save=True):
    print(result.boxes)

yolo predict model=yolo26n.pt source=video.mp4 tile=640 save=True

Görevler ve Modeller#

Paylaşılan işlem hattı, YOLO görev modelleri, YOLO-World, YOLOE, RT-DETR ve FastSAM tahminini destekler. YOLOE görsel istemleri tam kaynak görüntüden gömülür ve YOLOE'nin döşemelerinde yeniden kullanılır. FastSAM, istemli maskeleri kaynak koordinatlarında birleştirdikten sonra seçer. SAM tahminleyicileri kendi istem ve kırpma oluşturma işlem hatlarını korur; tile kabul etmezler.

Eğitim sırasında kutular ve çokgenler kendi pencerelerine göre kırpılır, OBB kırpma yönelimi korur ve pencere dışındaki anahtar noktaların görünürlüğü kaybolur. Orijinal sınırlayıcı kutu alanının %10'undan azı kalan örnekler kaldırılır. Boş pencereler negatif örnek olarak korunur. Semantik ve derinlik hedeflerinde, görüntülerle aynı pencereler kullanılır.

Performans ve Kalite#

• Döşemeleme, tam görüntü çıkarımından daha fazla model ileri geçişi gerektirir. İhtiyaç duyduğun ayrıntıyı kullanılabilir bellek sınırları içinde koruyan en büyük döşeme ve grup boyutlarını seç.
• Ardışık döşemeler, kodu çözülmüş kaynak görüntüyü yeniden kullanır. cache="ram" ile eğitim, kaynak görüntüleri yalnızca bir kez depolar; cache="disk" mevcut görüntü önbelleğini kullanır. Eğitim döşemeleri karıştırır; bu nedenle önbelleğe alma, büyük sıkıştırılmış kaynak görüntüler için özellikle kullanışlıdır.
• Kaynak boyutındaki maskeler ve yoğun haritalar yine de özgün görüntü boyutuyla orantılı bellek gerektirir. max_det, bellekte tutulan örnek maskelerinin sayısını sınırlar.
• Döşemeleme genel bağlamı ortadan kaldırır. Özellikle döşeme çıktıları genel düzeyde uyuşmayabilecek sınıflandırma ve derinlik görevlerinde doğruluğu kendi verilerin üzerinde doğrula.
• Yinelenenleri bastırma, tahminlerin tamamını seçer; ayrı görünür parçalardan bir nesneyi yeniden oluşturmaz. Örtüşme, sınır kırpılmasını azaltır ancak bir döşemeden büyük nesnelerde bunu ortadan kaldıramaz.
• Tensor kaynakları, embed ve visualize desteklenmez. İzleme, ReID özellikleri de dâhil olmak üzere, her kaynak kare için bir kez birleştirilmiş tahminler üzerinde çalışır.