Bỏ để qua phần nội dung

Tài liệu tham khảo cho ultralytics/models/sam/predict.py

Ghi

Tệp này có sẵn tại https://github.com/ultralytics/ultralytics/blob/main/ultralytics/Mô hình/sam/predict.py. Nếu bạn phát hiện ra một vấn đề, vui lòng giúp khắc phục nó bằng cách đóng góp Yêu cầu 🛠️ kéo. Cảm ơn bạn 🙏 !



ultralytics.models.sam.predict.Predictor

Căn cứ: BasePredictor

Lớp Predictor cho Segment Anything Model (SAM), mở rộng BasePredictor.

Lớp này cung cấp một giao diện cho suy luận mô hình phù hợp với các nhiệm vụ phân đoạn hình ảnh. Với kiến trúc tiên tiến và khả năng phân đoạn nhanh chóng, nó tạo điều kiện linh hoạt và thời gian thực tạo khẩu trang. Lớp có khả năng làm việc với nhiều loại lời nhắc khác nhau như hộp giới hạn, điểm, và mặt nạ độ phân giải thấp.

Thuộc tính:

Tên Kiểu Sự miêu tả
cfg dict

Từ điển cấu hình chỉ định mô hình và các tham số liên quan đến tác vụ.

overrides dict

Từ điển chứa các giá trị ghi đè cấu hình mặc định.

_callbacks dict

Từ điển các hàm callback do người dùng xác định để tăng cường hành vi.

args namespace

Không gian tên để giữ các đối số dòng lệnh hoặc các biến hoạt động khác.

im Tensor

Hình ảnh đầu vào được xử lý sẵn tensor.

features Tensor

Các tính năng hình ảnh được trích xuất được sử dụng để suy luận.

prompts dict

Bộ sưu tập các loại lời nhắc khác nhau, chẳng hạn như hộp giới hạn và điểm.

segment_all bool

Gắn cờ để kiểm soát việc phân đoạn tất cả các đối tượng trong hình ảnh hay chỉ những đối tượng được chỉ định.

Mã nguồn trong ultralytics/models/sam/predict.py
 35
 36
 37
 38
 39
 40
 41
 42
 43
 44
 45
 46
 47
 48
 49
 50
 51
 52
 53
 54
 55
 56
 57
 58
 59
 60
 61
 62
 63
 64
 65
 66
 67
 68
 69
 70
 71
 72
 73
 74
 75
 76
 77
 78
 79
 80
 81
 82
 83
 84
 85
 86
 87
 88
 89
 90
 91
 92
 93
 94
 95
 96
 97
 98
 99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118
119
120
121
122
123
124
125
126
127
128
129
130
131
132
133
134
135
136
137
138
139
140
141
142
143
144
145
146
147
148
149
150
151
152
153
154
155
156
157
158
159
160
161
162
163
164
165
166
167
168
169
170
171
172
173
174
175
176
177
178
179
180
181
182
183
184
185
186
187
188
189
190
191
192
193
194
195
196
197
198
199
200
201
202
203
204
205
206
207
208
209
210
211
212
213
214
215
216
217
218
219
220
221
222
223
224
225
226
227
228
229
230
231
232
233
234
235
236
237
238
239
240
241
242
243
244
245
246
247
248
249
250
251
252
253
254
255
256
257
258
259
260
261
262
263
264
265
266
267
268
269
270
271
272
273
274
275
276
277
278
279
280
281
282
283
284
285
286
287
288
289
290
291
292
293
294
295
296
297
298
299
300
301
302
303
304
305
306
307
308
309
310
311
312
313
314
315
316
317
318
319
320
321
322
323
324
325
326
327
328
329
330
331
332
333
334
335
336
337
338
339
340
341
342
343
344
345
346
347
348
349
350
351
352
353
354
355
356
357
358
359
360
361
362
363
364
365
366
367
368
369
370
371
372
373
374
375
376
377
378
379
380
381
382
383
384
385
386
387
388
389
390
391
392
393
394
395
396
397
398
399
400
401
402
403
404
405
406
407
408
409
410
411
412
413
414
415
416
417
418
419
420
421
422
423
424
425
426
427
428
429
430
431
432
433
434
435
436
437
438
439
440
441
442
443
444
445
446
447
448
449
450
451
452
453
454
455
456
457
458
459
460
461
462
463
464
465
466
467
468
469
470
471
472
473
474
475
476
477
478
class Predictor(BasePredictor):
    """
    Predictor class for the Segment Anything Model (SAM), extending BasePredictor.

    The class provides an interface for model inference tailored to image segmentation tasks.
    With advanced architecture and promptable segmentation capabilities, it facilitates flexible and real-time
    mask generation. The class is capable of working with various types of prompts such as bounding boxes,
    points, and low-resolution masks.

    Attributes:
        cfg (dict): Configuration dictionary specifying model and task-related parameters.
        overrides (dict): Dictionary containing values that override the default configuration.
        _callbacks (dict): Dictionary of user-defined callback functions to augment behavior.
        args (namespace): Namespace to hold command-line arguments or other operational variables.
        im (torch.Tensor): Preprocessed input image tensor.
        features (torch.Tensor): Extracted image features used for inference.
        prompts (dict): Collection of various prompt types, such as bounding boxes and points.
        segment_all (bool): Flag to control whether to segment all objects in the image or only specified ones.
    """

    def __init__(self, cfg=DEFAULT_CFG, overrides=None, _callbacks=None):
        """
        Initialize the Predictor with configuration, overrides, and callbacks.

        The method sets up the Predictor object and applies any configuration overrides or callbacks provided. It
        initializes task-specific settings for SAM, such as retina_masks being set to True for optimal results.

        Args:
            cfg (dict): Configuration dictionary.
            overrides (dict, optional): Dictionary of values to override default configuration.
            _callbacks (dict, optional): Dictionary of callback functions to customize behavior.
        """
        if overrides is None:
            overrides = {}
        overrides.update(dict(task="segment", mode="predict", imgsz=1024))
        super().__init__(cfg, overrides, _callbacks)
        self.args.retina_masks = True
        self.im = None
        self.features = None
        self.prompts = {}
        self.segment_all = False

    def preprocess(self, im):
        """
        Preprocess the input image for model inference.

        The method prepares the input image by applying transformations and normalization.
        It supports both torch.Tensor and list of np.ndarray as input formats.

        Args:
            im (torch.Tensor | List[np.ndarray]): BCHW tensor format or list of HWC numpy arrays.

        Returns:
            (torch.Tensor): The preprocessed image tensor.
        """
        if self.im is not None:
            return self.im
        not_tensor = not isinstance(im, torch.Tensor)
        if not_tensor:
            im = np.stack(self.pre_transform(im))
            im = im[..., ::-1].transpose((0, 3, 1, 2))
            im = np.ascontiguousarray(im)
            im = torch.from_numpy(im)

        im = im.to(self.device)
        im = im.half() if self.model.fp16 else im.float()
        if not_tensor:
            im = (im - self.mean) / self.std
        return im

    def pre_transform(self, im):
        """
        Perform initial transformations on the input image for preprocessing.

        The method applies transformations such as resizing to prepare the image for further preprocessing.
        Currently, batched inference is not supported; hence the list length should be 1.

        Args:
            im (List[np.ndarray]): List containing images in HWC numpy array format.

        Returns:
            (List[np.ndarray]): List of transformed images.
        """
        assert len(im) == 1, "SAM model does not currently support batched inference"
        letterbox = LetterBox(self.args.imgsz, auto=False, center=False)
        return [letterbox(image=x) for x in im]

    def inference(self, im, bboxes=None, points=None, labels=None, masks=None, multimask_output=False, *args, **kwargs):
        """
        Perform image segmentation inference based on the given input cues, using the currently loaded image. This
        method leverages SAM's (Segment Anything Model) architecture consisting of image encoder, prompt encoder, and
        mask decoder for real-time and promptable segmentation tasks.

        Args:
            im (torch.Tensor): The preprocessed input image in tensor format, with shape (N, C, H, W).
            bboxes (np.ndarray | List, optional): Bounding boxes with shape (N, 4), in XYXY format.
            points (np.ndarray | List, optional): Points indicating object locations with shape (N, 2), in pixels.
            labels (np.ndarray | List, optional): Labels for point prompts, shape (N, ). 1 = foreground, 0 = background.
            masks (np.ndarray, optional): Low-resolution masks from previous predictions shape (N,H,W). For SAM H=W=256.
            multimask_output (bool, optional): Flag to return multiple masks. Helpful for ambiguous prompts.

        Returns:
            (tuple): Contains the following three elements.
                - np.ndarray: The output masks in shape CxHxW, where C is the number of generated masks.
                - np.ndarray: An array of length C containing quality scores predicted by the model for each mask.
                - np.ndarray: Low-resolution logits of shape CxHxW for subsequent inference, where H=W=256.
        """
        # Override prompts if any stored in self.prompts
        bboxes = self.prompts.pop("bboxes", bboxes)
        points = self.prompts.pop("points", points)
        masks = self.prompts.pop("masks", masks)

        if all(i is None for i in [bboxes, points, masks]):
            return self.generate(im, *args, **kwargs)

        return self.prompt_inference(im, bboxes, points, labels, masks, multimask_output)

    def prompt_inference(self, im, bboxes=None, points=None, labels=None, masks=None, multimask_output=False):
        """
        Internal function for image segmentation inference based on cues like bounding boxes, points, and masks.
        Leverages SAM's specialized architecture for prompt-based, real-time segmentation.

        Args:
            im (torch.Tensor): The preprocessed input image in tensor format, with shape (N, C, H, W).
            bboxes (np.ndarray | List, optional): Bounding boxes with shape (N, 4), in XYXY format.
            points (np.ndarray | List, optional): Points indicating object locations with shape (N, 2), in pixels.
            labels (np.ndarray | List, optional): Labels for point prompts, shape (N, ). 1 = foreground, 0 = background.
            masks (np.ndarray, optional): Low-resolution masks from previous predictions shape (N,H,W). For SAM H=W=256.
            multimask_output (bool, optional): Flag to return multiple masks. Helpful for ambiguous prompts.

        Returns:
            (tuple): Contains the following three elements.
                - np.ndarray: The output masks in shape CxHxW, where C is the number of generated masks.
                - np.ndarray: An array of length C containing quality scores predicted by the model for each mask.
                - np.ndarray: Low-resolution logits of shape CxHxW for subsequent inference, where H=W=256.
        """
        features = self.model.image_encoder(im) if self.features is None else self.features

        src_shape, dst_shape = self.batch[1][0].shape[:2], im.shape[2:]
        r = 1.0 if self.segment_all else min(dst_shape[0] / src_shape[0], dst_shape[1] / src_shape[1])
        # Transform input prompts
        if points is not None:
            points = torch.as_tensor(points, dtype=torch.float32, device=self.device)
            points = points[None] if points.ndim == 1 else points
            # Assuming labels are all positive if users don't pass labels.
            if labels is None:
                labels = np.ones(points.shape[0])
            labels = torch.as_tensor(labels, dtype=torch.int32, device=self.device)
            points *= r
            # (N, 2) --> (N, 1, 2), (N, ) --> (N, 1)
            points, labels = points[:, None, :], labels[:, None]
        if bboxes is not None:
            bboxes = torch.as_tensor(bboxes, dtype=torch.float32, device=self.device)
            bboxes = bboxes[None] if bboxes.ndim == 1 else bboxes
            bboxes *= r
        if masks is not None:
            masks = torch.as_tensor(masks, dtype=torch.float32, device=self.device).unsqueeze(1)

        points = (points, labels) if points is not None else None
        # Embed prompts
        sparse_embeddings, dense_embeddings = self.model.prompt_encoder(points=points, boxes=bboxes, masks=masks)

        # Predict masks
        pred_masks, pred_scores = self.model.mask_decoder(
            image_embeddings=features,
            image_pe=self.model.prompt_encoder.get_dense_pe(),
            sparse_prompt_embeddings=sparse_embeddings,
            dense_prompt_embeddings=dense_embeddings,
            multimask_output=multimask_output,
        )

        # (N, d, H, W) --> (N*d, H, W), (N, d) --> (N*d, )
        # `d` could be 1 or 3 depends on `multimask_output`.
        return pred_masks.flatten(0, 1), pred_scores.flatten(0, 1)

    def generate(
        self,
        im,
        crop_n_layers=0,
        crop_overlap_ratio=512 / 1500,
        crop_downscale_factor=1,
        point_grids=None,
        points_stride=32,
        points_batch_size=64,
        conf_thres=0.88,
        stability_score_thresh=0.95,
        stability_score_offset=0.95,
        crop_nms_thresh=0.7,
    ):
        """
        Perform image segmentation using the Segment Anything Model (SAM).

        This function segments an entire image into constituent parts by leveraging SAM's advanced architecture
        and real-time performance capabilities. It can optionally work on image crops for finer segmentation.

        Args:
            im (torch.Tensor): Input tensor representing the preprocessed image with dimensions (N, C, H, W).
            crop_n_layers (int): Specifies the number of layers for additional mask predictions on image crops.
                                 Each layer produces 2**i_layer number of image crops.
            crop_overlap_ratio (float): Determines the overlap between crops. Scaled down in subsequent layers.
            crop_downscale_factor (int): Scaling factor for the number of sampled points-per-side in each layer.
            point_grids (list[np.ndarray], optional): Custom grids for point sampling normalized to [0,1].
                                                      Used in the nth crop layer.
            points_stride (int, optional): Number of points to sample along each side of the image.
                                           Exclusive with 'point_grids'.
            points_batch_size (int): Batch size for the number of points processed simultaneously.
            conf_thres (float): Confidence threshold [0,1] for filtering based on the model's mask quality prediction.
            stability_score_thresh (float): Stability threshold [0,1] for mask filtering based on mask stability.
            stability_score_offset (float): Offset value for calculating stability score.
            crop_nms_thresh (float): IoU cutoff for NMS to remove duplicate masks between crops.

        Returns:
            (tuple): A tuple containing segmented masks, confidence scores, and bounding boxes.
        """
        import torchvision  # scope for faster 'import ultralytics'

        self.segment_all = True
        ih, iw = im.shape[2:]
        crop_regions, layer_idxs = generate_crop_boxes((ih, iw), crop_n_layers, crop_overlap_ratio)
        if point_grids is None:
            point_grids = build_all_layer_point_grids(points_stride, crop_n_layers, crop_downscale_factor)
        pred_masks, pred_scores, pred_bboxes, region_areas = [], [], [], []
        for crop_region, layer_idx in zip(crop_regions, layer_idxs):
            x1, y1, x2, y2 = crop_region
            w, h = x2 - x1, y2 - y1
            area = torch.tensor(w * h, device=im.device)
            points_scale = np.array([[w, h]])  # w, h
            # Crop image and interpolate to input size
            crop_im = F.interpolate(im[..., y1:y2, x1:x2], (ih, iw), mode="bilinear", align_corners=False)
            # (num_points, 2)
            points_for_image = point_grids[layer_idx] * points_scale
            crop_masks, crop_scores, crop_bboxes = [], [], []
            for (points,) in batch_iterator(points_batch_size, points_for_image):
                pred_mask, pred_score = self.prompt_inference(crop_im, points=points, multimask_output=True)
                # Interpolate predicted masks to input size
                pred_mask = F.interpolate(pred_mask[None], (h, w), mode="bilinear", align_corners=False)[0]
                idx = pred_score > conf_thres
                pred_mask, pred_score = pred_mask[idx], pred_score[idx]

                stability_score = calculate_stability_score(
                    pred_mask, self.model.mask_threshold, stability_score_offset
                )
                idx = stability_score > stability_score_thresh
                pred_mask, pred_score = pred_mask[idx], pred_score[idx]
                # Bool type is much more memory-efficient.
                pred_mask = pred_mask > self.model.mask_threshold
                # (N, 4)
                pred_bbox = batched_mask_to_box(pred_mask).float()
                keep_mask = ~is_box_near_crop_edge(pred_bbox, crop_region, [0, 0, iw, ih])
                if not torch.all(keep_mask):
                    pred_bbox, pred_mask, pred_score = pred_bbox[keep_mask], pred_mask[keep_mask], pred_score[keep_mask]

                crop_masks.append(pred_mask)
                crop_bboxes.append(pred_bbox)
                crop_scores.append(pred_score)

            # Do nms within this crop
            crop_masks = torch.cat(crop_masks)
            crop_bboxes = torch.cat(crop_bboxes)
            crop_scores = torch.cat(crop_scores)
            keep = torchvision.ops.nms(crop_bboxes, crop_scores, self.args.iou)  # NMS
            crop_bboxes = uncrop_boxes_xyxy(crop_bboxes[keep], crop_region)
            crop_masks = uncrop_masks(crop_masks[keep], crop_region, ih, iw)
            crop_scores = crop_scores[keep]

            pred_masks.append(crop_masks)
            pred_bboxes.append(crop_bboxes)
            pred_scores.append(crop_scores)
            region_areas.append(area.expand(len(crop_masks)))

        pred_masks = torch.cat(pred_masks)
        pred_bboxes = torch.cat(pred_bboxes)
        pred_scores = torch.cat(pred_scores)
        region_areas = torch.cat(region_areas)

        # Remove duplicate masks between crops
        if len(crop_regions) > 1:
            scores = 1 / region_areas
            keep = torchvision.ops.nms(pred_bboxes, scores, crop_nms_thresh)
            pred_masks, pred_bboxes, pred_scores = pred_masks[keep], pred_bboxes[keep], pred_scores[keep]

        return pred_masks, pred_scores, pred_bboxes

    def setup_model(self, model, verbose=True):
        """
        Initializes the Segment Anything Model (SAM) for inference.

        This method sets up the SAM model by allocating it to the appropriate device and initializing the necessary
        parameters for image normalization and other Ultralytics compatibility settings.

        Args:
            model (torch.nn.Module): A pre-trained SAM model. If None, a model will be built based on configuration.
            verbose (bool): If True, prints selected device information.

        Attributes:
            model (torch.nn.Module): The SAM model allocated to the chosen device for inference.
            device (torch.device): The device to which the model and tensors are allocated.
            mean (torch.Tensor): The mean values for image normalization.
            std (torch.Tensor): The standard deviation values for image normalization.
        """
        device = select_device(self.args.device, verbose=verbose)
        if model is None:
            model = build_sam(self.args.model)
        model.eval()
        self.model = model.to(device)
        self.device = device
        self.mean = torch.tensor([123.675, 116.28, 103.53]).view(-1, 1, 1).to(device)
        self.std = torch.tensor([58.395, 57.12, 57.375]).view(-1, 1, 1).to(device)

        # Ultralytics compatibility settings
        self.model.pt = False
        self.model.triton = False
        self.model.stride = 32
        self.model.fp16 = False
        self.done_warmup = True

    def postprocess(self, preds, img, orig_imgs):
        """
        Post-processes SAM's inference outputs to generate object detection masks and bounding boxes.

        The method scales masks and boxes to the original image size and applies a threshold to the mask predictions.
        The SAM model uses advanced architecture and promptable segmentation tasks to achieve real-time performance.

        Args:
            preds (tuple): The output from SAM model inference, containing masks, scores, and optional bounding boxes.
            img (torch.Tensor): The processed input image tensor.
            orig_imgs (list | torch.Tensor): The original, unprocessed images.

        Returns:
            (list): List of Results objects containing detection masks, bounding boxes, and other metadata.
        """
        # (N, 1, H, W), (N, 1)
        pred_masks, pred_scores = preds[:2]
        pred_bboxes = preds[2] if self.segment_all else None
        names = dict(enumerate(str(i) for i in range(len(pred_masks))))

        if not isinstance(orig_imgs, list):  # input images are a torch.Tensor, not a list
            orig_imgs = ops.convert_torch2numpy_batch(orig_imgs)

        results = []
        for i, masks in enumerate([pred_masks]):
            orig_img = orig_imgs[i]
            if pred_bboxes is not None:
                pred_bboxes = ops.scale_boxes(img.shape[2:], pred_bboxes.float(), orig_img.shape, padding=False)
                cls = torch.arange(len(pred_masks), dtype=torch.int32, device=pred_masks.device)
                pred_bboxes = torch.cat([pred_bboxes, pred_scores[:, None], cls[:, None]], dim=-1)

            masks = ops.scale_masks(masks[None].float(), orig_img.shape[:2], padding=False)[0]
            masks = masks > self.model.mask_threshold  # to bool
            img_path = self.batch[0][i]
            results.append(Results(orig_img, path=img_path, names=names, masks=masks, boxes=pred_bboxes))
        # Reset segment-all mode.
        self.segment_all = False
        return results

    def setup_source(self, source):
        """
        Sets up the data source for inference.

        This method configures the data source from which images will be fetched for inference. The source could be a
        directory, a video file, or other types of image data sources.

        Args:
            source (str | Path): The path to the image data source for inference.
        """
        if source is not None:
            super().setup_source(source)

    def set_image(self, image):
        """
        Preprocesses and sets a single image for inference.

        This function sets up the model if not already initialized, configures the data source to the specified image,
        and preprocesses the image for feature extraction. Only one image can be set at a time.

        Args:
            image (str | np.ndarray): Image file path as a string, or a np.ndarray image read by cv2.

        Raises:
            AssertionError: If more than one image is set.
        """
        if self.model is None:
            model = build_sam(self.args.model)
            self.setup_model(model)
        self.setup_source(image)
        assert len(self.dataset) == 1, "`set_image` only supports setting one image!"
        for batch in self.dataset:
            im = self.preprocess(batch[1])
            self.features = self.model.image_encoder(im)
            self.im = im
            break

    def set_prompts(self, prompts):
        """Set prompts in advance."""
        self.prompts = prompts

    def reset_image(self):
        """Resets the image and its features to None."""
        self.im = None
        self.features = None

    @staticmethod
    def remove_small_regions(masks, min_area=0, nms_thresh=0.7):
        """
        Perform post-processing on segmentation masks generated by the Segment Anything Model (SAM). Specifically, this
        function removes small disconnected regions and holes from the input masks, and then performs Non-Maximum
        Suppression (NMS) to eliminate any newly created duplicate boxes.

        Args:
            masks (torch.Tensor): A tensor containing the masks to be processed. Shape should be (N, H, W), where N is
                                  the number of masks, H is height, and W is width.
            min_area (int): The minimum area below which disconnected regions and holes will be removed. Defaults to 0.
            nms_thresh (float): The IoU threshold for the NMS algorithm. Defaults to 0.7.

        Returns:
            (tuple([torch.Tensor, List[int]])):
                - new_masks (torch.Tensor): The processed masks with small regions removed. Shape is (N, H, W).
                - keep (List[int]): The indices of the remaining masks post-NMS, which can be used to filter the boxes.
        """
        import torchvision  # scope for faster 'import ultralytics'

        if len(masks) == 0:
            return masks

        # Filter small disconnected regions and holes
        new_masks = []
        scores = []
        for mask in masks:
            mask = mask.cpu().numpy().astype(np.uint8)
            mask, changed = remove_small_regions(mask, min_area, mode="holes")
            unchanged = not changed
            mask, changed = remove_small_regions(mask, min_area, mode="islands")
            unchanged = unchanged and not changed

            new_masks.append(torch.as_tensor(mask).unsqueeze(0))
            # Give score=0 to changed masks and 1 to unchanged masks so NMS prefers masks not needing postprocessing
            scores.append(float(unchanged))

        # Recalculate boxes and remove any new duplicates
        new_masks = torch.cat(new_masks, dim=0)
        boxes = batched_mask_to_box(new_masks)
        keep = torchvision.ops.nms(boxes.float(), torch.as_tensor(scores), nms_thresh)

        return new_masks[keep].to(device=masks.device, dtype=masks.dtype), keep

__init__(cfg=DEFAULT_CFG, overrides=None, _callbacks=None)

Khởi tạo Bộ dự đoán với cấu hình, ghi đè và gọi lại.

Phương thức thiết lập đối tượng Predictor và áp dụng bất kỳ ghi đè cấu hình hoặc gọi lại nào được cung cấp. Nó Khởi tạo cài đặt tác vụ cụ thể cho SAM, chẳng hạn như retina_masks được đặt thành Đúng để có kết quả tối ưu.

Thông số:

Tên Kiểu Sự miêu tả Mặc định
cfg dict

Từ điển cấu hình.

DEFAULT_CFG
overrides dict

Từ điển các giá trị để ghi đè cấu hình mặc định.

None
_callbacks dict

Từ điển các hàm callback để tùy chỉnh hành vi.

None
Mã nguồn trong ultralytics/models/sam/predict.py
def __init__(self, cfg=DEFAULT_CFG, overrides=None, _callbacks=None):
    """
    Initialize the Predictor with configuration, overrides, and callbacks.

    The method sets up the Predictor object and applies any configuration overrides or callbacks provided. It
    initializes task-specific settings for SAM, such as retina_masks being set to True for optimal results.

    Args:
        cfg (dict): Configuration dictionary.
        overrides (dict, optional): Dictionary of values to override default configuration.
        _callbacks (dict, optional): Dictionary of callback functions to customize behavior.
    """
    if overrides is None:
        overrides = {}
    overrides.update(dict(task="segment", mode="predict", imgsz=1024))
    super().__init__(cfg, overrides, _callbacks)
    self.args.retina_masks = True
    self.im = None
    self.features = None
    self.prompts = {}
    self.segment_all = False

generate(im, crop_n_layers=0, crop_overlap_ratio=512 / 1500, crop_downscale_factor=1, point_grids=None, points_stride=32, points_batch_size=64, conf_thres=0.88, stability_score_thresh=0.95, stability_score_offset=0.95, crop_nms_thresh=0.7)

Thực hiện phân đoạn hình ảnh bằng Mô hình phân đoạn bất cứ điều gì (SAM).

Chức năng này phân đoạn toàn bộ hình ảnh thành các phần cấu thành bằng cách tận dụng SAMKiến trúc tiên tiến của và khả năng thực hiện theo thời gian thực. Nó có thể tùy chọn hoạt động trên các loại cây cắt hình ảnh để phân đoạn tốt hơn.

Thông số:

Tên Kiểu Sự miêu tả Mặc định
im Tensor

Nhập tensor đại diện cho hình ảnh được xử lý trước với kích thước (N, C, H, W).

bắt buộc
crop_n_layers int

Chỉ định số lớp để dự đoán mặt nạ bổ sung trên cây trồng hình ảnh. Mỗi lớp tạo ra 2 **i_layer số lượng cắt hình ảnh.

0
crop_overlap_ratio float

Xác định sự chồng chéo giữa các loại cây trồng. Thu nhỏ lại trong các lớp tiếp theo.

512 / 1500
crop_downscale_factor int

Hệ số tỷ lệ cho số điểm được lấy mẫu mỗi bên trong mỗi lớp.

1
point_grids list[ndarray]

Lưới tùy chỉnh để lấy mẫu điểm được chuẩn hóa thành [0,1]. Được sử dụng trong lớp cây trồng thứ n.

None
points_stride int

Số điểm cần lấy mẫu dọc theo mỗi bên của hình ảnh. Độc quyền với 'point_grids'.

32
points_batch_size int

Kích thước lô cho số điểm được xử lý đồng thời.

64
conf_thres float

Ngưỡng tin cậy [0,1] để lọc dựa trên dự đoán chất lượng khẩu trang của người mẫu.

0.88
stability_score_thresh float

Ngưỡng ổn định [0,1] để lọc mặt nạ dựa trên độ ổn định của mặt nạ.

0.95
stability_score_offset float

Giá trị bù đắp để tính điểm ổn định.

0.95
crop_nms_thresh float

Cắt IoU cho NMS để loại bỏ các mặt nạ trùng lặp giữa các vụ mùa.

0.7

Trở lại:

Kiểu Sự miêu tả
tuple

Một bộ chứa mặt nạ được phân đoạn, điểm tin cậy và hộp giới hạn.

Mã nguồn trong ultralytics/models/sam/predict.py
def generate(
    self,
    im,
    crop_n_layers=0,
    crop_overlap_ratio=512 / 1500,
    crop_downscale_factor=1,
    point_grids=None,
    points_stride=32,
    points_batch_size=64,
    conf_thres=0.88,
    stability_score_thresh=0.95,
    stability_score_offset=0.95,
    crop_nms_thresh=0.7,
):
    """
    Perform image segmentation using the Segment Anything Model (SAM).

    This function segments an entire image into constituent parts by leveraging SAM's advanced architecture
    and real-time performance capabilities. It can optionally work on image crops for finer segmentation.

    Args:
        im (torch.Tensor): Input tensor representing the preprocessed image with dimensions (N, C, H, W).
        crop_n_layers (int): Specifies the number of layers for additional mask predictions on image crops.
                             Each layer produces 2**i_layer number of image crops.
        crop_overlap_ratio (float): Determines the overlap between crops. Scaled down in subsequent layers.
        crop_downscale_factor (int): Scaling factor for the number of sampled points-per-side in each layer.
        point_grids (list[np.ndarray], optional): Custom grids for point sampling normalized to [0,1].
                                                  Used in the nth crop layer.
        points_stride (int, optional): Number of points to sample along each side of the image.
                                       Exclusive with 'point_grids'.
        points_batch_size (int): Batch size for the number of points processed simultaneously.
        conf_thres (float): Confidence threshold [0,1] for filtering based on the model's mask quality prediction.
        stability_score_thresh (float): Stability threshold [0,1] for mask filtering based on mask stability.
        stability_score_offset (float): Offset value for calculating stability score.
        crop_nms_thresh (float): IoU cutoff for NMS to remove duplicate masks between crops.

    Returns:
        (tuple): A tuple containing segmented masks, confidence scores, and bounding boxes.
    """
    import torchvision  # scope for faster 'import ultralytics'

    self.segment_all = True
    ih, iw = im.shape[2:]
    crop_regions, layer_idxs = generate_crop_boxes((ih, iw), crop_n_layers, crop_overlap_ratio)
    if point_grids is None:
        point_grids = build_all_layer_point_grids(points_stride, crop_n_layers, crop_downscale_factor)
    pred_masks, pred_scores, pred_bboxes, region_areas = [], [], [], []
    for crop_region, layer_idx in zip(crop_regions, layer_idxs):
        x1, y1, x2, y2 = crop_region
        w, h = x2 - x1, y2 - y1
        area = torch.tensor(w * h, device=im.device)
        points_scale = np.array([[w, h]])  # w, h
        # Crop image and interpolate to input size
        crop_im = F.interpolate(im[..., y1:y2, x1:x2], (ih, iw), mode="bilinear", align_corners=False)
        # (num_points, 2)
        points_for_image = point_grids[layer_idx] * points_scale
        crop_masks, crop_scores, crop_bboxes = [], [], []
        for (points,) in batch_iterator(points_batch_size, points_for_image):
            pred_mask, pred_score = self.prompt_inference(crop_im, points=points, multimask_output=True)
            # Interpolate predicted masks to input size
            pred_mask = F.interpolate(pred_mask[None], (h, w), mode="bilinear", align_corners=False)[0]
            idx = pred_score > conf_thres
            pred_mask, pred_score = pred_mask[idx], pred_score[idx]

            stability_score = calculate_stability_score(
                pred_mask, self.model.mask_threshold, stability_score_offset
            )
            idx = stability_score > stability_score_thresh
            pred_mask, pred_score = pred_mask[idx], pred_score[idx]
            # Bool type is much more memory-efficient.
            pred_mask = pred_mask > self.model.mask_threshold
            # (N, 4)
            pred_bbox = batched_mask_to_box(pred_mask).float()
            keep_mask = ~is_box_near_crop_edge(pred_bbox, crop_region, [0, 0, iw, ih])
            if not torch.all(keep_mask):
                pred_bbox, pred_mask, pred_score = pred_bbox[keep_mask], pred_mask[keep_mask], pred_score[keep_mask]

            crop_masks.append(pred_mask)
            crop_bboxes.append(pred_bbox)
            crop_scores.append(pred_score)

        # Do nms within this crop
        crop_masks = torch.cat(crop_masks)
        crop_bboxes = torch.cat(crop_bboxes)
        crop_scores = torch.cat(crop_scores)
        keep = torchvision.ops.nms(crop_bboxes, crop_scores, self.args.iou)  # NMS
        crop_bboxes = uncrop_boxes_xyxy(crop_bboxes[keep], crop_region)
        crop_masks = uncrop_masks(crop_masks[keep], crop_region, ih, iw)
        crop_scores = crop_scores[keep]

        pred_masks.append(crop_masks)
        pred_bboxes.append(crop_bboxes)
        pred_scores.append(crop_scores)
        region_areas.append(area.expand(len(crop_masks)))

    pred_masks = torch.cat(pred_masks)
    pred_bboxes = torch.cat(pred_bboxes)
    pred_scores = torch.cat(pred_scores)
    region_areas = torch.cat(region_areas)

    # Remove duplicate masks between crops
    if len(crop_regions) > 1:
        scores = 1 / region_areas
        keep = torchvision.ops.nms(pred_bboxes, scores, crop_nms_thresh)
        pred_masks, pred_bboxes, pred_scores = pred_masks[keep], pred_bboxes[keep], pred_scores[keep]

    return pred_masks, pred_scores, pred_bboxes

inference(im, bboxes=None, points=None, labels=None, masks=None, multimask_output=False, *args, **kwargs)

Thực hiện suy luận phân đoạn hình ảnh dựa trên các tín hiệu đầu vào đã cho, sử dụng hình ảnh hiện đang tải. Này Phương pháp tận dụng SAMKiến trúc (Segment Anything Model) bao gồm bộ mã hóa hình ảnh, bộ mã hóa nhắc nhở và Bộ giải mã mặt nạ cho các tác vụ phân đoạn theo thời gian thực và nhanh chóng.

Thông số:

Tên Kiểu Sự miêu tả Mặc định
im Tensor

Hình ảnh đầu vào được xử lý trước trong tensor định dạng, với hình dạng (N, C, H, W).

bắt buộc
bboxes ndarray | List

Các hộp giới hạn có hình dạng (N, 4), ở định dạng XYXY.

None
points ndarray | List

Các điểm chỉ vị trí đối tượng có hình dạng (N, 2), tính bằng pixel.

None
labels ndarray | List

Nhãn cho lời nhắc điểm, hình dạng (N, ). 1 = tiền cảnh, 0 = nền.

None
masks ndarray

Mặt nạ có độ phân giải thấp từ hình dạng dự đoán trước đó (N, H, W). Cho SAM H = W = 256.

None
multimask_output bool

Gắn cờ để trả lại nhiều mặt nạ. Hữu ích cho lời nhắc không rõ ràng.

False

Trở lại:

Kiểu Sự miêu tả
tuple

Chứa ba yếu tố sau. - np.ndarray: Mặt nạ đầu ra có hình CxHxW, trong đó C là số mặt nạ được tạo ra. - np.ndarray: Một mảng có độ dài C chứa điểm chất lượng được dự đoán bởi mô hình cho mỗi mặt nạ. - np.ndarray: Nhật ký độ phân giải thấp của hình dạng CxHxW cho suy luận tiếp theo, trong đó H=W=256.

Mã nguồn trong ultralytics/models/sam/predict.py
def inference(self, im, bboxes=None, points=None, labels=None, masks=None, multimask_output=False, *args, **kwargs):
    """
    Perform image segmentation inference based on the given input cues, using the currently loaded image. This
    method leverages SAM's (Segment Anything Model) architecture consisting of image encoder, prompt encoder, and
    mask decoder for real-time and promptable segmentation tasks.

    Args:
        im (torch.Tensor): The preprocessed input image in tensor format, with shape (N, C, H, W).
        bboxes (np.ndarray | List, optional): Bounding boxes with shape (N, 4), in XYXY format.
        points (np.ndarray | List, optional): Points indicating object locations with shape (N, 2), in pixels.
        labels (np.ndarray | List, optional): Labels for point prompts, shape (N, ). 1 = foreground, 0 = background.
        masks (np.ndarray, optional): Low-resolution masks from previous predictions shape (N,H,W). For SAM H=W=256.
        multimask_output (bool, optional): Flag to return multiple masks. Helpful for ambiguous prompts.

    Returns:
        (tuple): Contains the following three elements.
            - np.ndarray: The output masks in shape CxHxW, where C is the number of generated masks.
            - np.ndarray: An array of length C containing quality scores predicted by the model for each mask.
            - np.ndarray: Low-resolution logits of shape CxHxW for subsequent inference, where H=W=256.
    """
    # Override prompts if any stored in self.prompts
    bboxes = self.prompts.pop("bboxes", bboxes)
    points = self.prompts.pop("points", points)
    masks = self.prompts.pop("masks", masks)

    if all(i is None for i in [bboxes, points, masks]):
        return self.generate(im, *args, **kwargs)

    return self.prompt_inference(im, bboxes, points, labels, masks, multimask_output)

postprocess(preds, img, orig_imgs)

Quy trình hậu kỳ SAMĐầu ra suy luận của nó để tạo ra mặt nạ phát hiện đối tượng và hộp giới hạn.

Phương pháp này chia tỷ lệ mặt nạ và hộp theo kích thước hình ảnh gốc và áp dụng ngưỡng cho các dự đoán mặt nạ. Các SAM Mô hình sử dụng kiến trúc tiên tiến và các tác vụ phân đoạn nhanh chóng để đạt được hiệu suất thời gian thực.

Thông số:

Tên Kiểu Sự miêu tả Mặc định
preds tuple

Đầu ra từ SAM suy luận mô hình, chứa mặt nạ, điểm số và hộp giới hạn tùy chọn.

bắt buộc
img Tensor

Hình ảnh đầu vào đã xử lý tensor.

bắt buộc
orig_imgs list | Tensor

Các hình ảnh gốc, chưa được xử lý.

bắt buộc

Trở lại:

Kiểu Sự miêu tả
list

Danh sách các đối tượng Kết quả chứa dấu hiệu phát hiện, hộp giới hạn và siêu dữ liệu khác.

Mã nguồn trong ultralytics/models/sam/predict.py
def postprocess(self, preds, img, orig_imgs):
    """
    Post-processes SAM's inference outputs to generate object detection masks and bounding boxes.

    The method scales masks and boxes to the original image size and applies a threshold to the mask predictions.
    The SAM model uses advanced architecture and promptable segmentation tasks to achieve real-time performance.

    Args:
        preds (tuple): The output from SAM model inference, containing masks, scores, and optional bounding boxes.
        img (torch.Tensor): The processed input image tensor.
        orig_imgs (list | torch.Tensor): The original, unprocessed images.

    Returns:
        (list): List of Results objects containing detection masks, bounding boxes, and other metadata.
    """
    # (N, 1, H, W), (N, 1)
    pred_masks, pred_scores = preds[:2]
    pred_bboxes = preds[2] if self.segment_all else None
    names = dict(enumerate(str(i) for i in range(len(pred_masks))))

    if not isinstance(orig_imgs, list):  # input images are a torch.Tensor, not a list
        orig_imgs = ops.convert_torch2numpy_batch(orig_imgs)

    results = []
    for i, masks in enumerate([pred_masks]):
        orig_img = orig_imgs[i]
        if pred_bboxes is not None:
            pred_bboxes = ops.scale_boxes(img.shape[2:], pred_bboxes.float(), orig_img.shape, padding=False)
            cls = torch.arange(len(pred_masks), dtype=torch.int32, device=pred_masks.device)
            pred_bboxes = torch.cat([pred_bboxes, pred_scores[:, None], cls[:, None]], dim=-1)

        masks = ops.scale_masks(masks[None].float(), orig_img.shape[:2], padding=False)[0]
        masks = masks > self.model.mask_threshold  # to bool
        img_path = self.batch[0][i]
        results.append(Results(orig_img, path=img_path, names=names, masks=masks, boxes=pred_bboxes))
    # Reset segment-all mode.
    self.segment_all = False
    return results

pre_transform(im)

Thực hiện các biến đổi ban đầu trên hình ảnh đầu vào để xử lý trước.

Phương pháp này áp dụng các phép biến đổi chẳng hạn như thay đổi kích thước để chuẩn bị hình ảnh để xử lý sơ bộ thêm. Hiện tại, suy luận theo lô không được hỗ trợ; do đó độ dài danh sách phải là 1.

Thông số:

Tên Kiểu Sự miêu tả Mặc định
im List[ndarray]

Danh sách chứa hình ảnh ở định dạng mảng numpy HWC.

bắt buộc

Trở lại:

Kiểu Sự miêu tả
List[ndarray]

Danh sách các hình ảnh được chuyển đổi.

Mã nguồn trong ultralytics/models/sam/predict.py
def pre_transform(self, im):
    """
    Perform initial transformations on the input image for preprocessing.

    The method applies transformations such as resizing to prepare the image for further preprocessing.
    Currently, batched inference is not supported; hence the list length should be 1.

    Args:
        im (List[np.ndarray]): List containing images in HWC numpy array format.

    Returns:
        (List[np.ndarray]): List of transformed images.
    """
    assert len(im) == 1, "SAM model does not currently support batched inference"
    letterbox = LetterBox(self.args.imgsz, auto=False, center=False)
    return [letterbox(image=x) for x in im]

preprocess(im)

Xử lý trước hình ảnh đầu vào để suy luận mô hình.

Phương pháp chuẩn bị hình ảnh đầu vào bằng cách áp dụng các phép biến đổi và chuẩn hóa. Nó hỗ trợ cả hai torch.Tensor và danh sách np.ndarray làm định dạng đầu vào.

Thông số:

Tên Kiểu Sự miêu tả Mặc định
im Tensor | List[ndarray]

BCHW tensor định dạng hoặc danh sách các mảng numpy HWC.

bắt buộc

Trở lại:

Kiểu Sự miêu tả
Tensor

Hình ảnh được xử lý sẵn tensor.

Mã nguồn trong ultralytics/models/sam/predict.py
def preprocess(self, im):
    """
    Preprocess the input image for model inference.

    The method prepares the input image by applying transformations and normalization.
    It supports both torch.Tensor and list of np.ndarray as input formats.

    Args:
        im (torch.Tensor | List[np.ndarray]): BCHW tensor format or list of HWC numpy arrays.

    Returns:
        (torch.Tensor): The preprocessed image tensor.
    """
    if self.im is not None:
        return self.im
    not_tensor = not isinstance(im, torch.Tensor)
    if not_tensor:
        im = np.stack(self.pre_transform(im))
        im = im[..., ::-1].transpose((0, 3, 1, 2))
        im = np.ascontiguousarray(im)
        im = torch.from_numpy(im)

    im = im.to(self.device)
    im = im.half() if self.model.fp16 else im.float()
    if not_tensor:
        im = (im - self.mean) / self.std
    return im

prompt_inference(im, bboxes=None, points=None, labels=None, masks=None, multimask_output=False)

Chức năng bên trong để suy luận phân đoạn hình ảnh dựa trên các tín hiệu như hộp giới hạn, điểm và mặt nạ. Đòn bẩy SAMKiến trúc chuyên dụng của nó để phân đoạn dựa trên thời gian thực, dựa trên lời nhắc.

Thông số:

Tên Kiểu Sự miêu tả Mặc định
im Tensor

Hình ảnh đầu vào được xử lý trước trong tensor định dạng, với hình dạng (N, C, H, W).

bắt buộc
bboxes ndarray | List

Các hộp giới hạn có hình dạng (N, 4), ở định dạng XYXY.

None
points ndarray | List

Các điểm chỉ vị trí đối tượng có hình dạng (N, 2), tính bằng pixel.

None
labels ndarray | List

Nhãn cho lời nhắc điểm, hình dạng (N, ). 1 = tiền cảnh, 0 = nền.

None
masks ndarray

Mặt nạ có độ phân giải thấp từ hình dạng dự đoán trước đó (N, H, W). Cho SAM H = W = 256.

None
multimask_output bool

Gắn cờ để trả lại nhiều mặt nạ. Hữu ích cho lời nhắc không rõ ràng.

False

Trở lại:

Kiểu Sự miêu tả
tuple

Chứa ba yếu tố sau. - np.ndarray: Mặt nạ đầu ra có hình CxHxW, trong đó C là số mặt nạ được tạo ra. - np.ndarray: Một mảng có độ dài C chứa điểm chất lượng được dự đoán bởi mô hình cho mỗi mặt nạ. - np.ndarray: Nhật ký độ phân giải thấp của hình dạng CxHxW cho suy luận tiếp theo, trong đó H=W=256.

Mã nguồn trong ultralytics/models/sam/predict.py
def prompt_inference(self, im, bboxes=None, points=None, labels=None, masks=None, multimask_output=False):
    """
    Internal function for image segmentation inference based on cues like bounding boxes, points, and masks.
    Leverages SAM's specialized architecture for prompt-based, real-time segmentation.

    Args:
        im (torch.Tensor): The preprocessed input image in tensor format, with shape (N, C, H, W).
        bboxes (np.ndarray | List, optional): Bounding boxes with shape (N, 4), in XYXY format.
        points (np.ndarray | List, optional): Points indicating object locations with shape (N, 2), in pixels.
        labels (np.ndarray | List, optional): Labels for point prompts, shape (N, ). 1 = foreground, 0 = background.
        masks (np.ndarray, optional): Low-resolution masks from previous predictions shape (N,H,W). For SAM H=W=256.
        multimask_output (bool, optional): Flag to return multiple masks. Helpful for ambiguous prompts.

    Returns:
        (tuple): Contains the following three elements.
            - np.ndarray: The output masks in shape CxHxW, where C is the number of generated masks.
            - np.ndarray: An array of length C containing quality scores predicted by the model for each mask.
            - np.ndarray: Low-resolution logits of shape CxHxW for subsequent inference, where H=W=256.
    """
    features = self.model.image_encoder(im) if self.features is None else self.features

    src_shape, dst_shape = self.batch[1][0].shape[:2], im.shape[2:]
    r = 1.0 if self.segment_all else min(dst_shape[0] / src_shape[0], dst_shape[1] / src_shape[1])
    # Transform input prompts
    if points is not None:
        points = torch.as_tensor(points, dtype=torch.float32, device=self.device)
        points = points[None] if points.ndim == 1 else points
        # Assuming labels are all positive if users don't pass labels.
        if labels is None:
            labels = np.ones(points.shape[0])
        labels = torch.as_tensor(labels, dtype=torch.int32, device=self.device)
        points *= r
        # (N, 2) --> (N, 1, 2), (N, ) --> (N, 1)
        points, labels = points[:, None, :], labels[:, None]
    if bboxes is not None:
        bboxes = torch.as_tensor(bboxes, dtype=torch.float32, device=self.device)
        bboxes = bboxes[None] if bboxes.ndim == 1 else bboxes
        bboxes *= r
    if masks is not None:
        masks = torch.as_tensor(masks, dtype=torch.float32, device=self.device).unsqueeze(1)

    points = (points, labels) if points is not None else None
    # Embed prompts
    sparse_embeddings, dense_embeddings = self.model.prompt_encoder(points=points, boxes=bboxes, masks=masks)

    # Predict masks
    pred_masks, pred_scores = self.model.mask_decoder(
        image_embeddings=features,
        image_pe=self.model.prompt_encoder.get_dense_pe(),
        sparse_prompt_embeddings=sparse_embeddings,
        dense_prompt_embeddings=dense_embeddings,
        multimask_output=multimask_output,
    )

    # (N, d, H, W) --> (N*d, H, W), (N, d) --> (N*d, )
    # `d` could be 1 or 3 depends on `multimask_output`.
    return pred_masks.flatten(0, 1), pred_scores.flatten(0, 1)

remove_small_regions(masks, min_area=0, nms_thresh=0.7) staticmethod

Thực hiện xử lý hậu kỳ trên mặt nạ phân đoạn được tạo bởi Mô hình phân đoạn bất cứ điều gì (SAM). Cụ thể, điều này chức năng loại bỏ các vùng và lỗ nhỏ bị ngắt kết nối khỏi mặt nạ đầu vào, sau đó thực hiện Non-Maximum Triệt tiêu (NMS) để loại bỏ bất kỳ hộp trùng lặp mới được tạo.

Thông số:

Tên Kiểu Sự miêu tả Mặc định
masks Tensor

Một tensor chứa khẩu trang cần xử lý. Hình dạng phải là (N, H, W), trong đó N là số lượng mặt nạ, H là chiều cao và W là chiều rộng.

bắt buộc
min_area int

Khu vực tối thiểu bên dưới mà các vùng và lỗ bị ngắt kết nối sẽ được loại bỏ. Mặc định là 0.

0
nms_thresh float

Ngưỡng IoU cho thuật toán NMS. Mặc định là 0,7.

0.7

Trở lại:

Kiểu Sự miêu tả
tuple([Tensor, List[int]])
  • new_masks (torch.Tensor): Các mặt nạ đã xử lý với các khu vực nhỏ được loại bỏ. Hình dạng là (N, H, W).
  • keep (List[int]): Các chỉ số của các mặt nạ còn lại sau NMS, có thể được sử dụng để lọc các hộp.
Mã nguồn trong ultralytics/models/sam/predict.py
@staticmethod
def remove_small_regions(masks, min_area=0, nms_thresh=0.7):
    """
    Perform post-processing on segmentation masks generated by the Segment Anything Model (SAM). Specifically, this
    function removes small disconnected regions and holes from the input masks, and then performs Non-Maximum
    Suppression (NMS) to eliminate any newly created duplicate boxes.

    Args:
        masks (torch.Tensor): A tensor containing the masks to be processed. Shape should be (N, H, W), where N is
                              the number of masks, H is height, and W is width.
        min_area (int): The minimum area below which disconnected regions and holes will be removed. Defaults to 0.
        nms_thresh (float): The IoU threshold for the NMS algorithm. Defaults to 0.7.

    Returns:
        (tuple([torch.Tensor, List[int]])):
            - new_masks (torch.Tensor): The processed masks with small regions removed. Shape is (N, H, W).
            - keep (List[int]): The indices of the remaining masks post-NMS, which can be used to filter the boxes.
    """
    import torchvision  # scope for faster 'import ultralytics'

    if len(masks) == 0:
        return masks

    # Filter small disconnected regions and holes
    new_masks = []
    scores = []
    for mask in masks:
        mask = mask.cpu().numpy().astype(np.uint8)
        mask, changed = remove_small_regions(mask, min_area, mode="holes")
        unchanged = not changed
        mask, changed = remove_small_regions(mask, min_area, mode="islands")
        unchanged = unchanged and not changed

        new_masks.append(torch.as_tensor(mask).unsqueeze(0))
        # Give score=0 to changed masks and 1 to unchanged masks so NMS prefers masks not needing postprocessing
        scores.append(float(unchanged))

    # Recalculate boxes and remove any new duplicates
    new_masks = torch.cat(new_masks, dim=0)
    boxes = batched_mask_to_box(new_masks)
    keep = torchvision.ops.nms(boxes.float(), torch.as_tensor(scores), nms_thresh)

    return new_masks[keep].to(device=masks.device, dtype=masks.dtype), keep

reset_image()

Đặt lại hình ảnh và các tính năng của nó thành Không có.

Mã nguồn trong ultralytics/models/sam/predict.py
def reset_image(self):
    """Resets the image and its features to None."""
    self.im = None
    self.features = None

set_image(image)

Xử lý trước và đặt một hình ảnh duy nhất để suy luận.

Hàm này thiết lập mô hình nếu chưa được khởi tạo, hãy định cấu hình nguồn dữ liệu thành hình ảnh được chỉ định, và xử lý trước hình ảnh để trích xuất tính năng. Mỗi lần chỉ có thể đặt một hình ảnh.

Thông số:

Tên Kiểu Sự miêu tả Mặc định
image str | ndarray

Đường dẫn tệp hình ảnh dưới dạng chuỗi hoặc hình ảnh np.ndarray được đọc bởi cv2.

bắt buộc

Tăng:

Kiểu Sự miêu tả
AssertionError

Nếu có nhiều hình ảnh được đặt.

Mã nguồn trong ultralytics/models/sam/predict.py
def set_image(self, image):
    """
    Preprocesses and sets a single image for inference.

    This function sets up the model if not already initialized, configures the data source to the specified image,
    and preprocesses the image for feature extraction. Only one image can be set at a time.

    Args:
        image (str | np.ndarray): Image file path as a string, or a np.ndarray image read by cv2.

    Raises:
        AssertionError: If more than one image is set.
    """
    if self.model is None:
        model = build_sam(self.args.model)
        self.setup_model(model)
    self.setup_source(image)
    assert len(self.dataset) == 1, "`set_image` only supports setting one image!"
    for batch in self.dataset:
        im = self.preprocess(batch[1])
        self.features = self.model.image_encoder(im)
        self.im = im
        break

set_prompts(prompts)

Đặt lời nhắc trước.

Mã nguồn trong ultralytics/models/sam/predict.py
def set_prompts(self, prompts):
    """Set prompts in advance."""
    self.prompts = prompts

setup_model(model, verbose=True)

Khởi tạo mô hình phân đoạn bất cứ điều gì (SAM) để suy luận.

Phương pháp này thiết lập SAM mô hình bằng cách phân bổ nó cho thiết bị thích hợp và khởi tạo cần thiết Các thông số để chuẩn hóa hình ảnh và khác Ultralytics Cài đặt tương thích.

Thông số:

Tên Kiểu Sự miêu tả Mặc định
model Module

Được đào tạo trước SAM mẫu. Nếu Không, một mô hình sẽ được xây dựng dựa trên cấu hình.

bắt buộc
verbose bool

Nếu True, in thông tin thiết bị đã chọn.

True

Thuộc tính:

Tên Kiểu Sự miêu tả
model Module

Các SAM mô hình được phân bổ cho thiết bị đã chọn để suy luận.

device device

Thiết bị mà mô hình và tensor được phân bổ.

mean Tensor

Các giá trị trung bình để chuẩn hóa hình ảnh.

std Tensor

Các giá trị độ lệch chuẩn để chuẩn hóa hình ảnh.

Mã nguồn trong ultralytics/models/sam/predict.py
def setup_model(self, model, verbose=True):
    """
    Initializes the Segment Anything Model (SAM) for inference.

    This method sets up the SAM model by allocating it to the appropriate device and initializing the necessary
    parameters for image normalization and other Ultralytics compatibility settings.

    Args:
        model (torch.nn.Module): A pre-trained SAM model. If None, a model will be built based on configuration.
        verbose (bool): If True, prints selected device information.

    Attributes:
        model (torch.nn.Module): The SAM model allocated to the chosen device for inference.
        device (torch.device): The device to which the model and tensors are allocated.
        mean (torch.Tensor): The mean values for image normalization.
        std (torch.Tensor): The standard deviation values for image normalization.
    """
    device = select_device(self.args.device, verbose=verbose)
    if model is None:
        model = build_sam(self.args.model)
    model.eval()
    self.model = model.to(device)
    self.device = device
    self.mean = torch.tensor([123.675, 116.28, 103.53]).view(-1, 1, 1).to(device)
    self.std = torch.tensor([58.395, 57.12, 57.375]).view(-1, 1, 1).to(device)

    # Ultralytics compatibility settings
    self.model.pt = False
    self.model.triton = False
    self.model.stride = 32
    self.model.fp16 = False
    self.done_warmup = True

setup_source(source)

Thiết lập nguồn dữ liệu để suy luận.

Phương pháp này cấu hình nguồn dữ liệu mà từ đó hình ảnh sẽ được tìm nạp để suy luận. Nguồn có thể là một thư mục, tệp video hoặc các loại nguồn dữ liệu hình ảnh khác.

Thông số:

Tên Kiểu Sự miêu tả Mặc định
source str | Path

Đường dẫn đến nguồn dữ liệu hình ảnh để suy luận.

bắt buộc
Mã nguồn trong ultralytics/models/sam/predict.py
def setup_source(self, source):
    """
    Sets up the data source for inference.

    This method configures the data source from which images will be fetched for inference. The source could be a
    directory, a video file, or other types of image data sources.

    Args:
        source (str | Path): The path to the image data source for inference.
    """
    if source is not None:
        super().setup_source(source)





Created 2023-11-12, Updated 2024-06-02
Authors: glenn-jocher (5), Burhan-Q (1)