Ultralytics Tài liệu: Sử dụng YOLOv8 với SAHI cho suy luận cắt lát
Chào mừng bạn đến với Ultralytics Tài liệu về cách sử dụng YOLOv8 với SAHI (Slicing Aided Hyper Inference). Hướng dẫn toàn diện này nhằm mục đích cung cấp cho bạn tất cả các kiến thức cần thiết mà bạn sẽ cần để triển khai SAHI cùng với YOLOv8. Chúng ta sẽ đi sâu vào SAHI là gì, tại sao suy luận cắt lát lại quan trọng đối với các ứng dụng quy mô lớn và cách tích hợp các chức năng này với YOLOv8 để nâng cao hiệu suất phát hiện đối tượng.
Giới thiệu về SAHI
SAHI (Slicing Aided Hyper Inference) là một thư viện sáng tạo được thiết kế để tối ưu hóa các thuật toán phát hiện đối tượng cho hình ảnh quy mô lớn và độ phân giải cao. Chức năng cốt lõi của nó nằm trong việc phân vùng hình ảnh thành các lát có thể quản lý được, chạy phát hiện đối tượng trên mỗi lát cắt và sau đó ghép các kết quả lại với nhau. SAHI tương thích với một loạt các mô hình phát hiện đối tượng, bao gồm YOLO hàng loạt, do đó mang lại sự linh hoạt trong khi vẫn đảm bảo sử dụng tối ưu các tài nguyên tính toán.
Xem: Suy luận với SAHI (Slicing Aided Hyper Inference) bằng cách sử dụng Ultralytics YOLOv8
Các tính năng chính của SAHI
- Tích hợp liền mạch: SAHI tích hợp dễ dàng với YOLO Các mô hình, có nghĩa là bạn có thể bắt đầu cắt và phát hiện mà không cần sửa đổi mã nhiều.
- Hiệu quả tài nguyên: Bằng cách chia nhỏ hình ảnh lớn thành các phần nhỏ hơn, SAHI tối ưu hóa việc sử dụng bộ nhớ, cho phép bạn chạy phát hiện chất lượng cao trên phần cứng với tài nguyên hạn chế.
- Độ chính xác cao: SAHI duy trì độ chính xác phát hiện bằng cách sử dụng các thuật toán thông minh để hợp nhất các hộp phát hiện chồng chéo trong quá trình khâu.
Suy luận cắt lát là gì?
Suy luận cắt lát đề cập đến việc thực hành chia nhỏ hình ảnh lớn hoặc có độ phân giải cao thành các phân đoạn nhỏ hơn (lát), tiến hành phát hiện đối tượng trên các lát cắt này và sau đó biên dịch lại các lát để tái tạo lại các vị trí đối tượng trên hình ảnh gốc. Kỹ thuật này là vô giá trong các tình huống mà tài nguyên tính toán bị hạn chế hoặc khi làm việc với hình ảnh có độ phân giải cực cao có thể dẫn đến các vấn đề về bộ nhớ.
Lợi ích của suy luận cắt lát
-
Giảm gánh nặng tính toán: Các lát hình ảnh nhỏ hơn sẽ xử lý nhanh hơn và chúng tiêu thụ ít bộ nhớ hơn, cho phép hoạt động mượt mà hơn trên phần cứng cấp thấp hơn.
-
Chất lượng phát hiện được bảo quản: Vì mỗi lát cắt được xử lý độc lập, không làm giảm chất lượng phát hiện đối tượng, miễn là các lát cắt đủ lớn để chụp các đối tượng quan tâm.
-
Khả năng mở rộng nâng cao: Kỹ thuật này cho phép phát hiện đối tượng dễ dàng được thu nhỏ hơn trên các kích thước và độ phân giải khác nhau của hình ảnh, làm cho nó trở nên lý tưởng cho một loạt các ứng dụng từ hình ảnh vệ tinh đến chẩn đoán y tế.
| YOLOv8 không có SAHI | YOLOv8 với SAHI |
|---|---|
 |
 |
Cài đặt và chuẩn bị
Cài đặt
Để bắt đầu, hãy cài đặt các phiên bản mới nhất của SAHI và Ultralytics:
Nhập mô-đun và tải xuống tài nguyên
Dưới đây là cách nhập các mô-đun cần thiết và tải xuống YOLOv8 Mô hình và một số hình ảnh thử nghiệm:
from sahi.utils.file import download_from_url
from sahi.utils.yolov8 import download_yolov8s_model
# Download YOLOv8 model
yolov8_model_path = "models/yolov8s.pt"
download_yolov8s_model(yolov8_model_path)
# 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",
)
Suy luận chuẩn với YOLOv8
Khởi tạo mô hình
Bạn có thể khởi tạo một YOLOv8 Mô hình phát hiện đối tượng như thế này:
from sahi import AutoDetectionModel
detection_model = AutoDetectionModel.from_pretrained(
model_type="yolov8",
model_path=yolov8_model_path,
confidence_threshold=0.3,
device="cpu", # or 'cuda:0'
)
Thực hiện dự đoán tiêu chuẩn
Thực hiện suy luận chuẩn bằng cách sử dụng đường dẫn hình ảnh hoặc hình ảnh tê.
from sahi.predict import get_prediction
# With an image path
result = get_prediction("demo_data/small-vehicles1.jpeg", detection_model)
# With a numpy image
result = get_prediction(read_image("demo_data/small-vehicles1.jpeg"), detection_model)
Trực quan hóa kết quả
Xuất và trực quan hóa các hộp giới hạn và mặt nạ dự đoán:
Suy luận cắt lát với YOLOv8
Thực hiện suy luận cắt lát bằng cách chỉ định kích thước lát cắt và tỷ lệ chồng chéo:
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,
)
Xử lý kết quả dự đoán
SAHI cung cấp một PredictionResult đối tượng, có thể được chuyển đổi thành các định dạng chú thích khác nhau:
# 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]
Dự đoán hàng loạt
Để dự đoán hàng loạt trên một thư mục hình ảnh:
from sahi.predict import predict
predict(
model_type="yolov8",
model_path="path/to/yolov8n.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,
)
Đó là nó! Bây giờ bạn đã được trang bị để sử dụng YOLOv8 với SAHI cho cả suy luận tiêu chuẩn và cắt lát.
Trích dẫn và xác nhận
Nếu bạn sử dụng SAHI trong công việc nghiên cứu hoặc phát triển của mình, vui lòng trích dẫn bài báo gốc của SAHI và ghi nhận các tác giả:
@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}
}
Chúng tôi gửi lời cảm ơn đến nhóm nghiên cứu SAHI đã tạo ra và duy trì nguồn tài nguyên vô giá này cho cộng đồng thị giác máy tính. Để biết thêm thông tin về SAHI và những người tạo ra nó, hãy truy cập kho lưu trữ SAHI GitHub.
FAQ
Làm thế nào tôi có thể tích hợp YOLOv8 với SAHI để suy luận cắt lát trong phát hiện đối tượng?
Tích hợp Ultralytics YOLOv8 với SAHI (Slicing Aided Hyper Inference) cho suy luận cắt lát tối ưu hóa các tác vụ phát hiện đối tượng của bạn trên hình ảnh có độ phân giải cao bằng cách phân vùng chúng thành các lát có thể quản lý được. Cách tiếp cận này cải thiện việc sử dụng bộ nhớ và đảm bảo độ chính xác phát hiện cao. Để bắt đầu, bạn cần cài đặt ultralytics và thư viện Sahi:
Sau đó, tải xuống YOLOv8 Mô hình và hình ảnh thử nghiệm:
from sahi.utils.file import download_from_url
from sahi.utils.yolov8 import download_yolov8s_model
# Download YOLOv8 model
yolov8_model_path = "models/yolov8s.pt"
download_yolov8s_model(yolov8_model_path)
# Download test images
download_from_url(
"https://raw.githubusercontent.com/obss/sahi/main/demo/demo_data/small-vehicles1.jpeg",
"demo_data/small-vehicles1.jpeg",
)
Để biết hướng dẫn chi tiết hơn, hãy tham khảo hướng dẫn Suy luận cắt lát của chúng tôi.
Tại sao tôi nên sử dụng SAHI với YOLOv8 Để phát hiện đối tượng trên hình ảnh lớn?
Sử dụng SAHI với Ultralytics YOLOv8 Để phát hiện đối tượng trên hình ảnh lớn cung cấp một số lợi ích:
- Giảm gánh nặng tính toán: Các lát nhỏ hơn sẽ xử lý nhanh hơn và tiêu thụ ít bộ nhớ hơn, giúp việc chạy phát hiện chất lượng cao trên phần cứng với tài nguyên hạn chế trở nên khả thi.
- Duy trì độ chính xác phát hiện: SAHI sử dụng các thuật toán thông minh để hợp nhất các hộp chồng chéo, duy trì chất lượng phát hiện.
- Khả năng mở rộng nâng cao: Bằng cách mở rộng các tác vụ phát hiện đối tượng trên các kích thước và độ phân giải hình ảnh khác nhau, SAHI trở nên lý tưởng cho các ứng dụng khác nhau, chẳng hạn như phân tích hình ảnh vệ tinh và chẩn đoán y tế.
Tìm hiểu thêm về lợi ích của suy luận cắt lát trong tài liệu của chúng tôi.
Tôi có thể hình dung kết quả dự đoán khi sử dụng không YOLOv8 với SAHI?
Có, bạn có thể hình dung kết quả dự đoán khi sử dụng YOLOv8 với SAHI. Dưới đây là cách bạn có thể xuất và trực quan hóa kết quả:
result.export_visuals(export_dir="demo_data/")
from IPython.display import Image
Image("demo_data/prediction_visual.png")
Lệnh này sẽ lưu các dự đoán được trực quan hóa vào thư mục được chỉ định và sau đó bạn có thể tải hình ảnh để xem nó trong sổ ghi chép hoặc ứng dụng của mình. Để biết hướng dẫn chi tiết, hãy xem phần Suy luận chuẩn.
SAHI cung cấp những tính năng nào để cải thiện YOLOv8 Phát hiện đối tượng?
SAHI (Slicing Aided Hyper Inference) cung cấp một số tính năng bổ sung Ultralytics YOLOv8 Để phát hiện đối tượng:
- Tích hợp liền mạch: SAHI dễ dàng tích hợp với YOLO mô hình, yêu cầu điều chỉnh mã tối thiểu.
- Hiệu quả tài nguyên: Nó phân vùng hình ảnh lớn thành các lát nhỏ hơn, giúp tối ưu hóa việc sử dụng bộ nhớ và tốc độ.
- Độ chính xác cao: Bằng cách kết hợp hiệu quả các hộp phát hiện chồng chéo trong quá trình khâu, SAHI duy trì độ chính xác phát hiện cao.
Để hiểu sâu hơn, hãy đọc về các tính năng chính của SAHI.
Làm cách nào để xử lý các dự án suy luận quy mô lớn bằng cách sử dụng YOLOv8 và SAHI?
Để xử lý các dự án suy luận quy mô lớn bằng cách sử dụng YOLOv8 và SAHI, hãy làm theo các phương pháp hay nhất sau:
- Cài đặt thư viện bắt buộc: Đảm bảo rằng bạn có các phiên bản mới nhất của ultralytics và sahi.
- Định cấu hình suy luận cắt lát: Xác định kích thước lát cắt tối ưu và tỷ lệ chồng chéo cho dự án cụ thể của bạn.
- Chạy dự đoán hàng loạt: Sử dụng các khả năng của SAHI để thực hiện dự đoán hàng loạt trên một thư mục hình ảnh, giúp cải thiện hiệu quả.
Ví dụ để dự đoán hàng loạt:
from sahi.predict import predict
predict(
model_type="yolov8",
model_path="path/to/yolov8n.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,
)
Để biết các bước chi tiết hơn, hãy truy cập phần Dự đoán hàng loạt của chúng tôi.