Ultralytics 文档：将 YOLO11 与 SAHI 结合使用于切片推理
欢迎阅读 Ultralytics 关于如何将 YOLO11 与 SAHI (Slicing Aided Hyper Inference) 结合使用的文档。本综合指南旨在为您提供将 SAHI 与 YOLO11 一起实施所需的所有基本知识。我们将深入探讨 SAHI 是什么，为什么切片推理对于大规模应用至关重要，以及如何将这些功能与 YOLO11 集成以增强 目标检测 性能。
SAHI 简介
SAHI (Slicing Aided Hyper Inference) 是一个创新的库，旨在优化用于大规模和高分辨率图像的对象检测算法。它的核心功能在于将图像划分为可管理的切片，在每个切片上运行对象检测，然后将结果缝合在一起。SAHI 与包括 YOLO 系列在内的一系列对象检测模型兼容，从而在确保优化利用计算资源的同时提供灵活性。
观看： 使用 Ultralytics YOLO11 的 SAHI（Slicing Aided Hyper Inference，切片辅助超推理）进行推理
SAHI 的主要特性
- 无缝集成: SAHI 可以轻松与 YOLO 模型集成，这意味着您可以开始切片和检测，而无需进行大量代码修改。
- 资源效率: 通过将大型图像分解为较小的部分，SAHI优化了内存使用，使您能够在资源有限的硬件上运行高质量的检测。
- 高精度：SAHI 通过采用智能算法在拼接过程中合并重叠的检测框，从而保持检测精度。
什么是分片推理 (Sliced Inference)？
分片推理是指将大型或高分辨率图像细分为更小的片段（切片），在这些切片上进行对象检测，然后重新编译这些切片以重建原始图像上的对象位置。当计算资源有限或处理可能导致内存问题的极高分辨率图像时，此技术非常宝贵。
分片推理的优势
-
降低计算负担：较小的图像切片处理速度更快，并且消耗更少的内存，从而可以在低端硬件上更流畅地运行。
-
保持检测质量: 由于每个切片都是独立处理的，因此不会降低对象检测的质量，前提是切片足够大，可以捕获感兴趣的对象。
-
增强的可扩展性: 该技术允许更容易地跨不同大小和分辨率的图像缩放目标检测，使其成为从卫星图像到医疗诊断等各种应用的理想选择。
| YOLO11 无 SAHI | YOLO11 与 SAHI |
|---|---|
 |
 |
安装与准备
安装
要开始使用，请安装最新版本的 SAHI 和 Ultralytics：
pip install -U ultralytics sahi
导入模块和下载资源
以下是如何导入必要的模块并下载 YOLO11 模型和一些测试图像：
from sahi.utils.file import download_from_url
from sahi.utils.ultralytics import download_yolo11n_model
# Download YOLO11 model
model_path = "models/yolo11n.pt"
download_yolo11n_model(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",
)
使用 YOLO11 进行标准推理
实例化模型
您可以像这样实例化一个用于对象检测的 YOLO11 模型：
from sahi import AutoDetectionModel
detection_model = AutoDetectionModel.from_pretrained(
model_type="ultralytics",
model_path=model_path,
confidence_threshold=0.3,
device="cpu", # or 'cuda:0'
)
执行标准预测
使用图像路径或 numpy 图像执行标准推理。
from sahi.predict import get_prediction
from sahi.utils.cv import read_image
# With an image path
result = get_prediction("demo_data/small-vehicles1.jpeg", detection_model)
# With a numpy image
result_with_np_image = get_prediction(read_image("demo_data/small-vehicles1.jpeg"), detection_model)
可视化结果
导出并可视化预测的边界框和掩码：
from IPython.display import Image
result.export_visuals(export_dir="demo_data/")
Image("demo_data/prediction_visual.png")
使用 YOLO11 进行分片推理
通过指定切片尺寸和重叠比率来执行切片推理：
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,
)
处理预测结果
SAHI 提供了一个 PredictionResult 目标，可以转换为各种标注格式：
# 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]
批量预测
用于对图像目录进行批量预测：
from sahi.predict import predict
predict(
model_type="ultralytics",
model_path="path/to/yolo11n.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,
)
就这样！现在，您可以使用 YOLO11 和 SAHI 进行标准和切片推理了。
引用和致谢
如果您在研究或开发工作中使用 SAHI，请引用 SAHI 原始论文并感谢作者：
@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}
}
我们感谢 SAHI 研究小组创建和维护这一宝贵资源，该资源面向 计算机视觉 社区。 有关 SAHI 及其创建者的更多信息，请访问 SAHI GitHub 存储库。
常见问题
如何将 YOLO11 与 SAHI 集成，以在目标检测中进行切片推理？
将 Ultralytics YOLO11 与 SAHI（Slicing Aided Hyper Inference，切片辅助超推理）集成以进行切片推理，通过将高分辨率图像分割成可管理的切片来优化您的对象检测任务。这种方法提高了内存使用率并确保了高检测精度。首先，您需要安装 ultralytics 和 sahi 库：
pip install -U ultralytics sahi
然后，下载 YOLO11 模型和测试图像：
from sahi.utils.file import download_from_url
from sahi.utils.ultralytics import download_yolo11n_model
# Download YOLO11 model
model_path = "models/yolo11n.pt"
download_yolo11n_model(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",
)
有关更详细的说明，请参阅我们的分片推理指南。
为什么我应该将 SAHI 与 YOLO11 结合使用，以便在大图像上进行目标检测？
将 SAHI 与 Ultralytics YOLO11 结合使用，以便在大图像上进行目标检测，具有以下几个优点：
- 降低计算负担：较小的切片处理速度更快，并且消耗更少的内存，从而可以在资源有限的硬件上运行高质量的检测。
- 保持检测准确率: SAHI 使用智能算法来合并重叠的框，从而保持检测质量。
- 增强的可扩展性: 通过在不同的图像大小和分辨率上缩放目标检测任务，SAHI 成为各种应用的理想选择，例如卫星图像分析和医疗诊断。
在我们的文档中了解更多关于分片推理的优势。
在使用YOLO11和SAHI时，我可以可视化预测结果吗？
是的，将 YOLO11 与 SAHI 结合使用时，您可以可视化预测结果。以下是如何导出和可视化结果的方法：
from IPython.display import Image
result.export_visuals(export_dir="demo_data/")
Image("demo_data/prediction_visual.png")
此命令会将可视化的预测保存到指定的目录，然后您可以加载图像以在笔记本或应用程序中查看它。 有关详细指南，请查看标准推理部分。
SAHI 提供了哪些功能来改进 YOLO11 对象检测？
SAHI（Slicing Aided Hyper Inference）提供了一些补充 Ultralytics YOLO11 进行目标检测的功能：
- 无缝集成: SAHI 可以轻松与 YOLO 模型集成，只需进行最少的代码调整。
- 资源效率: 它将大型图像分割成更小的切片，从而优化内存使用和速度。
- 高精度：通过在拼接过程中有效合并重叠的检测框，SAHI 保持了高检测精度。
要深入了解，请阅读 SAHI 的主要特性。
如何使用 YOLO11 和 SAHI 处理大规模推理项目？
要使用 YOLO11 和 SAHI 处理大规模推理项目，请遵循以下最佳实践：
- 安装所需库：确保您已安装最新版本的 ultralytics 和 sahi。
- 配置分片推理: 确定适合您特定项目的最佳切片尺寸和重叠率。
- 运行批量预测：使用 SAHI 的功能对图像目录执行批量预测，从而提高效率。
批量预测示例：
from sahi.predict import predict
predict(
model_type="ultralytics",
model_path="path/to/yolo11n.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,
)
有关更详细的步骤，请访问我们的批量预测部分。
