Dilimlenmiş Çıkarım için SAHI ile YOLO26 Kullanımı#

Bu kılavuz, SAHI (Slicing Aided Hyper Inference) ile YOLO26'nın nasıl kullanılacağını gösterir. SAHI'nin ne olduğunu, dilimlenmiş çıkarımın büyük ölçekli uygulamalar için neden kritik olduğunu ve gelişmiş nesne tespiti performansı için bu işlevselliklerin YOLO26 ile nasıl entegre edileceğini derinlemesine 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 kütüphanedir. Temel işlevi, görüntüleri yönetilebilir dilimlere ayırmak, her dilimde nesne algılama gerçekleştirmek ve ardından sonuçları yeniden bir araya getirmektir. SAHI, YOLO serisi de dahil olmak üzere çeşitli nesne algılama modelleriyle uyumludur; böylece hesaplama kaynaklarının en iyi şekilde kullanılmasını sağlarken esneklik sunar.

SAHI'nin Temel Özellikleri#

• Sorunsuz Entegrasyon: SAHI, YOLO modelleriyle zahmetsizce entegre olur; bu da çok fazla kod değişikliği yapmadan dilimleme ve algılamaya başlayabileceğin anlamına gelir.
• Kaynak Verimliliği: SAHI, büyük görüntüleri daha küçük parçalara bölerek bellek kullanımını optimize eder ve sınırlı kaynaklara sahip donanımlarda yüksek kaliteli algılama gerçekleştirmeni sağlar.
• Yüksek Doğruluk: SAHI, birleştirme işlemi sırasında örtüşen algılama kutularını birleştirmek için akıllı algoritmalar kullanarak algılama doğruluğunu korur.

Dilimlenmiş Çıkarım Nedir?#

Dilimlenmiş çıkarım, büyük veya yüksek çözünürlüklü bir görüntüyü daha küçük bölümlere (dilimlere) ayırma, bu dilimler üzerinde nesne algılama gerçekleştirme ve ardından özgün görüntüdeki nesne konumlarını yeniden oluşturmak üzere dilimleri tekrar birleştirme işlemidir. Bu teknik, hesaplama kaynaklarının sınırlı olduğu veya aksi takdirde bellek sorunlarına yol açabilecek son derece yüksek çözünürlüklü görüntülerle çalışılan senaryolarda çok değerlidir.

Dilimlenmiş Çıkarımın Faydaları#

• Azaltılmış Hesaplama Yükü: Daha küçük görüntü dilimlerinin işlenmesi daha hızlıdır ve daha az bellek tüketir; bu da daha düşük donanımlarda daha akıcı çalışmayı mümkün kılar.

• Korunan Algılama Kalitesi: Her dilim bağımsız olarak ele alındığından, ilgi konusu nesneleri yakalayacak kadar büyük olmaları koşuluyla dilimler nesne algılama kalitesinde azalmaya neden olmaz.

• Geliştirilmiş Ölçeklenebilirlik: Bu teknik, nesne algılamanın farklı görüntü boyutları ve çözünürlüklerinde daha kolay ölçeklendirilmesini sağlar; bu da onu uydu görüntülerinden tıbbi tanıya kadar çok çeşitli uygulamalar için ideal kılar.

YOLO26 without SAHI	YOLO26 with SAHI

Kurulum ve Hazırlık#

Kurulum#

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

pip install -U ultralytics sahi

Modülleri İçe Aktarma ve Kaynakları İndirme#

Bazı test görüntülerini şu şekilde indirebilirsin:

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",
)

YOLO26 ile Standart Çıkarım#

Modeli Örnekleme#

Nesne algılama için bir YOLO26 modelini şu şekilde örnekleyebilirsin:

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'
)

Standart Tahmin Gerçekleştirme#

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 Görselleştirme#

Tahmin edilen sınırlayıcı kutuları ve maskeleri dışa aktar ve görselleştir:

from PIL import Image

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

# Display the predicted image
processed_image.show()

YOLO26 ile Dilimlenmiş Çıkarım#

Dilim boyutlarını ve örtüşme oranlarını belirterek dilimlenmiş 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,
)

# 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()

Tahmin Sonuçlarını İşleme#

SAHI, çeşitli açıklama biçimlerine dönüştürülebilen bir PredictionResult nesnesi sağlar:

# 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]

Toplu Tahmin#

Bir görüntü dizininde toplu tahmin gerçekleştirmek için:

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,
)

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

Atıflar ve Teşekkürler#

SAHI'yi araştırma veya geliştirme çalışmalarında kullanıyorsan lütfen özgün SAHI makalesine atıf yap ve yazarları belirt:

@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 sürdürdüğü için SAHI araştırma grubuna teşekkürlerimizi sunarız. SAHI ve geliştiricileri hakkında daha fazla bilgi için SAHI GitHub deposunu ziyaret et.

SSS#