Ultralytics 文档：使用YOLOv8 和 SAHI 进行切片推理
欢迎访问Ultralytics 文档，了解如何使用YOLOv8 和SAHI（切片辅助超推理）。本综合指南旨在为您提供在YOLOv8 的同时实施 SAHI 所需的全部基本知识。我们将深入探讨什么是 SAHI、为什么切片推理对大规模应用至关重要，以及如何将这些功能与YOLOv8 集成以提高对象检测性能。
SAHI 简介
SAHI（切片辅助超推理）是一个创新库，旨在优化大规模高分辨率图像的物体检测算法。其核心功能在于将图像分割成易于管理的切片，在每个切片上运行物体检测，然后将结果拼接在一起。SAHI 与包括YOLO 系列在内的一系列物体检测模型兼容，从而在确保优化使用计算资源的同时提供了灵活性。
观看： 使用 SAHI（切片辅助超推理）进行推理。Ultralytics YOLOv8
SAHI 的主要特点
- 无缝集成：SAHI 可毫不费力地与YOLO 模型集成，这意味着您无需修改大量代码即可开始切片和检测。
- 资源效率：通过将大图像分解成较小的部分，SAHI 可优化内存使用，让您在资源有限的硬件上运行高质量的检测。
- 高精度：SAHI 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。
什么是切片推理？
切片推理是指将大尺寸或高分辨率图像细分为较小的片段（切片），在这些切片上进行物体检测，然后重新编译切片以重建原始图像上的物体位置。在计算资源有限的情况下，或者在处理极高分辨率图像（否则可能导致内存问题）时，这种技术非常宝贵。
切片推理的优势
-
减轻计算负担：较小的图像切片处理速度更快，内存消耗更少，可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，因此只要切片足够大，能够捕捉到感兴趣的物体，物体检测的质量就不会降低。
-
增强的可扩展性：该技术可以更容易地在不同尺寸和分辨率的图像上进行物体检测，因此非常适合从卫星图像到医疗诊断的广泛应用。
| YOLOv8 无 SAHI | YOLOv8 与 SAHI |
|---|---|
 |
 |
安装和准备
安装
要开始使用，请安装最新版本的 SAHI 和Ultralytics ：
导入模块和下载资源
下面介绍如何导入必要的模块并下载YOLOv8 模型和一些测试图像：
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",
)
标准推理与YOLOv8
实例化模型
您可以像这样实例化YOLOv8 模型，用于对象检测：
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'
)
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
# 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)
可视化结果
导出并可视化预测的边界框和遮罩：
切片推理与YOLOv8
通过指定切片尺寸和重叠率来执行切片推理：
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 对象，可以转换成各种注释格式：
# 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="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,
)
就是这样！现在，你可以使用YOLOv8 和 SAHI 进行标准推断和切片推断了。
引文和致谢
如果您在研究或开发工作中使用了 SAHI，请引用 SAHI 原文并向作者致谢：
@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}
}
我们对 SAHI 研究小组为计算机视觉社区创建和维护这一宝贵资源表示感谢。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YOLOv8 与 SAHI 相结合，在物体检测中进行切片推理？
将Ultralytics YOLOv8 与用于切片推理的 SAHI（切片辅助超推理）相集成，可将高分辨率图像分割成易于管理的切片，从而优化对象检测任务。这种方法可以提高内存使用率，确保高检测精度。要开始使用，您需要安装ultralytics 和 sahi 库：
然后，下载YOLOv8 模型和测试图像：
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",
)
有关更详细的说明，请参阅我们的切片推理指南。
为什么要使用 SAHI 和YOLOv8 在大图像上进行物体检测？
使用 SAHI 和Ultralytics YOLOv8 在大图像上进行物体检测有几个好处：
- 减轻计算负担：较小的切片处理速度更快，内存消耗更少，因此可以在资源有限的硬件上运行高质量的检测。
- 保持检测精度：SAHI 采用智能算法合并重叠的方框，从而保持检测质量。
- 增强的可扩展性：通过在不同尺寸和分辨率的图像上扩展目标检测任务，SAHI 成为卫星图像分析和医疗诊断等各种应用的理想选择。
在我们的文档中了解更多切片推理的优势。
在使用YOLOv8 和 SAHI 时，能否将预测结果可视化？
是的，在使用YOLOv8 和 SAHI 时，您可以将预测结果可视化。以下是导出和可视化结果的方法：
result.export_visuals(export_dir="demo_data/")
from IPython.display import Image
Image("demo_data/prediction_visual.png")
该命令会将可视化预测结果保存到指定目录，然后您就可以在笔记本或应用程序中加载图像进行查看。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YOLOv8 物体检测？
SAHI（Slicing Aided Hyper Inference，切片辅助超推理）提供了几种功能，对Ultralytics YOLOv8 的目标检测进行了补充：
- 无缝集成：SAHI 可与YOLO 模型轻松集成，只需对代码进行最少的调整。
- 资源效率：它能将大图像分割成较小的片段，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 可保持较高的检测精度。
如需更深入了解，请阅读 SAHI 的主要特点。
如何使用YOLOv8 和 SAHI 处理大规模推理项目？
要使用YOLOv8 和 SAHI 处理大规模推理项目，请遵循以下最佳实践：
- 安装所需的库：确保有最新版本的ultralytics 和 sahi。
- 配置切片推理：确定特定项目的最佳切片尺寸和重叠率。
- 运行批量预测：利用 SAHI 的功能对图像目录进行批量预测，从而提高效率。
批量预测示例
from sahi.predict import predict
predict(
model_type="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,
)
更多详细步骤，请访问我们的批量预测部分。