Dilimli Çıkarım için YOLO26'yı SAHI ile Kullanma#

Bu kılavuz, YOLO26'yı SAHI (Dilimleme Destekli Hiper Çıkarım) ile nasıl kullanacağını gösterir. SAHI'nin ne olduğunu, dilimli çıkarımın büyük ölçekli uygulamalar için neden kritik olduğunu ve daha yüksek nesne algılama performansı için bu işlevleri YOLO26 ile nasıl bütünleştireceğini ayrıntılı olarak inceleyeceğiz.

SAHI'ye Giriş#

SAHI (Dilimleme Destekli Hiper Çıkarım), büyük ölçekli ve yüksek çözünürlüklü görüntüler için nesne algılama algoritmalarını optimize etmek üzere tasarlanmış yenilikçi bir kitaplıktır. Temel işlevi, görüntüleri işlenebilir dilimlere ayırmak, her dilimde nesne algılama işlemi gerçekleştirmek ve ardından sonuçları birleştirerek yeniden oluşturmaktır. SAHI, YOLO serisi de dahil olmak üzere çeşitli nesne algılama modelleriyle uyumludur; böylece hesaplama kaynaklarının kullanımını optimize ederken esneklik sağlar.

SAHI'nin Temel Özellikleri#

• Sorunsuz Entegrasyon: SAHI, YOLO modelleriyle zahmetsizce bütünleşir; böylece kodda çok fazla değişiklik yapmadan dilimlemeye ve algılamaya başlayabilirsin.
• Kaynak Verimliliği: SAHI, büyük görüntüleri daha küçük parçalara bölerek bellek kullanımını optimize eder ve kısıtlı kaynaklara sahip donanımlarda yüksek kaliteli algılama yapmanı sağlar.
• Yüksek Doğruluk: SAHI, birleştirme işlemi sırasında örtüşen algılama kutularını birleştirmek için akıllı algoritmalar kullanarak algılama doğruluğunu korur.

Dilimli Çıkarım nedir?#

Dilimli Çıkarım, büyük veya yüksek çözünürlüklü bir görüntüyü daha küçük parçalara (dilimlere) ayırma, bu dilimlerde nesne algılama işlemi yapma ve ardından orijinal görüntüdeki nesne konumlarını yeniden oluşturmak için dilimleri bir araya getirme uygulamasıdır. Bu teknik, hesaplama kaynaklarının kısıtlı olduğu veya aksi takdirde bellek sorunlarına yol açabilecek çok yüksek çözünürlüklü görüntülerle çalışılan senaryolarda son derece değerlidir.

Dilimli Çıkarımın Faydaları#

• Daha Az Hesaplama Yükü: Daha küçük görüntü dilimlerinin işlenmesi daha hızlıdır ve daha az bellek kullanır; böylece düşük donanım kapasitesine sahip sistemlerde daha sorunsuz çalışma olanağı sunar.

• Algılama Kalitesinin Korunması: Her dilim bağımsız olarak işlendiğinden, dilimler ilgilenilen nesneleri yakalayacak kadar büyük olduğu sürece nesne algılama kalitesi düşmez.

• Gelişmiş Ölçeklenebilirlik: Bu teknik, nesne algılamanın farklı görüntü boyutları ve çözünürlüklerine kolayca ölçeklenmesini sağlar. Bu özelliğiyle uydu görüntülerinden tıbbi teşhise kadar çok çeşitli uygulamalar için idealdir.

SAHI olmadan YOLO26	SAHI ile YOLO26

Kurulum ve Hazırlık#

Kurulum#

Başlamak için SAHI ve Ultralytics'in en güncel sürümlerini yükle:

pip install -U ultralytics sahi

Modülleri içe aktar ve kaynakları indir#

Bazı test görüntülerini şu şekilde indirebilirsin:

from sahi.utils.file import download_from_url

# Test görüntülerini indir
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",
)

YOLO26 ile Standart Çıkarım#

Modeli başlat#

Nesne algılama için bir YOLO26 modelini şu şekilde başlatabilirsin:

from sahi import AutoDetectionModel

detection_model = AutoDetectionModel.from_pretrained(
    model_type="ultralytics",
    model_path="yolo26n.pt",
    confidence_threshold=0.3,
    device="cpu",  # veya 'cuda:0'
)

Standart tahmin gerçekleştir#

Bir görüntü yolu kullanarak standart çıkarım gerçekleştir.

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)

Sonuçları görselleştir#

Tahmin edilen sınırlayıcı kutuları ve maskeleri dışa aktar ve görselleştir:

from PIL import Image

# Tahmin edilen görüntüyü aç
processed_image = Image.open("demo_data/prediction_visual.png")

# Tahmin edilen görüntüyü görüntüle
processed_image.show()

YOLO26 ile Dilimli Çıkarım#

Dilim boyutlarını ve örtüşme oranlarını belirterek dilimli çıkarım gerçekleştir:

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,
)

# Sonuçları dışa aktar
result.export_visuals(export_dir="demo_data/", hide_conf=True)

# Tahmin edilen görüntüyü aç
processed_image = Image.open("demo_data/prediction_visual.png")

# Tahmin edilen görüntüyü görüntüle
processed_image.show()

Tahmin sonuçlarını işleme#

SAHI, çeşitli açıklama biçimlerine dönüştürülebilen bir PredictionResult nesnesi sağlar:

# Nesne tahmin listesini al
object_prediction_list = result.object_prediction_list

# COCO açıklama ve COCO tahmin biçimlerine dönüştür
result.to_coco_annotations()[:3]
result.to_coco_predictions(image_id=1)[:3]

Toplu tahmin#

Bir görüntü dizininde toplu tahmin yapmak için:

from sahi.predict import predict

predict(
    model_type="ultralytics",
    model_path="yolo26n.pt",
    model_device="cpu",  # veya '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,
)

Artık YOLO26'yı SAHI ile hem standart hem de dilimli çıkarım için kullanmaya hazırsın.

Atıflar ve Teşekkürler#

SAHI'yi araştırma veya geliştirme çalışmalarında kullanıyorsan lütfen özgün SAHI makalesine atıfta bulun ve yazarlara teşekkür et:

@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}
}

Bilgisayarlı görü topluluğu için bu paha biçilmez kaynağı oluşturup sürdürdükleri için SAHI araştırma grubuna teşekkür ederiz. SAHI ve geliştiricileri hakkında daha fazla bilgi için SAHI GitHub deposunu ziyaret et.

Sık Sorulan Sorular#