تحميل sahi - تنزيل كود المصدر sahi

sahi

بايثون

0.11.19

تنزيل

ساهي: تشريح الاستدلال المفرط

مكتبة رؤية خفيفة الوزن لإجراء الكشف عن الكائنات على نطاق واسع وتجزئة المثيلات

ملخص

يعد اكتشاف الكائنات وتجزئة المثيلات من أهم التطبيقات في رؤية الكمبيوتر. ومع ذلك، فإن اكتشاف الأشياء الصغيرة والاستدلال على الصور الكبيرة لا يزال بحاجة إلى تحسين في الاستخدام العملي. هنا يأتي SAHI لمساعدة المطورين في التغلب على مشاكل العالم الحقيقي هذه باستخدام العديد من أدوات الرؤية المساعدة.

يأمر	وصف
يتنبأ	إجراء تنبؤ مقطعي/قياسي للفيديو/الصورة باستخدام أي نموذج Ultralytics/mmdet/detectron2/huggingface/torchvision
توقع واحد وخمسون	إجراء تنبؤ شرائح/قياسي باستخدام أي نموذج Ultralytics/mmdet/detectron2/huggingface/torchvision واستكشاف النتائج في تطبيق Fiveone
شريحة كوكو	قم تلقائيًا بتقطيع التعليقات التوضيحية وملفات الصور الخاصة بـ COCO
كوكو واحد وخمسون	استكشف نتائج التنبؤ المتعددة في مجموعة بيانات COCO الخاصة بك مع واحد وخمسين واجهة مستخدم مرتبة حسب عدد الاكتشافات الخاطئة
تقييم كوكو	قم بتقييم COCO AP وAR الطبقي للحصول على تنبؤات معينة والحقيقة الأساسية
تحليل كوكو	حساب وتصدير العديد من مؤامرات تحليل الأخطاء
كوكو يولوف5	تحويل أي مجموعة بيانات COCO تلقائيًا إلى تنسيق فائق الدقة

أمثلة البدء السريع

قائمة المنشورات التي تستشهد بـ SAHI (حاليًا 200+)

؟ قائمة الفائزين في المسابقة التي استخدمت SAHI

دروس

مقدمة إلى ساهي
ورقة رسمية (ICIP 2022 شفهيًا)
الأوزان المدربة مسبقًا والملفات الورقية ICIP 2022
تصور وتقييم تنبؤات SAHI باستخدام FiftyOne (2024) (جديد)
"استكشاف مقالة بحثية عن SAHI" من "learnopencv.com"
"فيديو تعليمي: الاستدلال الفائق المساعد على التقطيع للكشف عن الأجسام الصغيرة - SAHI" (موصى به)
دعم استنتاج الفيديو مباشر
دفتر كاجل
كشف الأجسام عبر الأقمار الصناعية
مخططات تحليل الأخطاء وتقييمها (موصى به)
التصور والفحص التفاعلي للنتائج (موصى به)
تحويل مجموعة بيانات COCO
تقطيع دفتر العملية
عرض YOLOX + SAHI : (موصى به)
إرشادات RT-DETR + SAHI : (جديد)
YOLOv8 + SAHI تجول:
تجول DeepSparse + SAHI :
تجول HuggingFace + SAHI :
YOLOv5 + إرشادات SAHI :
MMDetection + تجول SAHI :
تجول Detectron2 + SAHI :
تجول TorchVision + SAHI :

sahi-yolox

تثبيت

تثبيت ساهي

تفاصيل التثبيت:

تثبيت sahi باستخدام النقطة:

 pip install sahi

على نظام التشغيل Windows، يجب تثبيت Shapely عبر Conda:

 conda install -c conda-forge shapely

قم بتثبيت الإصدار المطلوب من pytorch وtorchvision (cuda 11.3 لـ Detectron2، وcuda 11.7 للراحة):

 conda install pytorch=1.10.2 torchvision=0.11.3 cudatoolkit=11.3 -c pytorch

 conda install pytorch=1.13.1 torchvision=0.14.1 pytorch-cuda=11.7 -c pytorch -c nvidia

قم بتثبيت إطار الكشف المطلوب (yolov5):

 pip install yolov5==7.0.13

قم بتثبيت إطار الكشف المطلوب (التحليلات الفائقة):

 pip install ultralytics==8.0.207

قم بتثبيت إطار عمل الكشف المطلوب (mmdet):

 pip install mim
mim install mmdet==3.0.0

قم بتثبيت إطار الكشف المطلوب (detectron2):

 pip install detectron2 -f https://dl.fbaipublicfiles.com/detectron2/wheels/cu113/torch1.10/index.html

قم بتثبيت إطار الكشف المطلوب (المعانقة):

 pip install transformers timm

قم بتثبيت إطار الكشف المطلوب (التدرجات الفائقة):

 pip install super-gradients==3.3.1

الإطار الملحد شرائح / التنبؤ القياسي

ساهي توقع

يمكنك العثور على معلومات تفصيلية حول أمر sahi predict على cli.md.

يمكنك العثور على معلومات تفصيلية حول استنتاج الفيديو في البرنامج التعليمي لاستدلال الفيديو.

يمكنك العثور على معلومات تفصيلية حول الأدوات المساعدة لتقطيع الصور/مجموعة البيانات على slicing.md.

مخططات تحليل الأخطاء وتقييمها

تحليل ساهي

يمكنك العثور على معلومات تفصيلية في مخططات تحليل الأخطاء والتقييم.

التصور التفاعلي والتفتيش

ساهي-خمسون

يمكنك العثور على معلومات تفصيلية في التصور والفحص التفاعلي للنتائج.

المرافق الأخرى

يمكنك العثور على معلومات تفصيلية حول أدوات COCO المساعدة (تحويل yolov5، والتقطيع، وأخذ العينات الفرعية، والتصفية، والدمج، والتقسيم) على coco.md.

يمكنك العثور على معلومات تفصيلية حول أدوات MOT المساعدة (إنشاء مجموعة بيانات الحقيقة الأساسية، وتصدير مقاييس التتبع بتنسيق تحدي mot) على mot.md.

الاقتباس

إذا كنت تستخدم هذه الحزمة في عملك، يرجى ذكرها على النحو التالي:

 @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}
}

 @software{obss2021sahi,
  author       = {Akyon, Fatih Cagatay and Cengiz, Cemil and Altinuc, Sinan Onur and Cavusoglu, Devrim and Sahin, Kadir and Eryuksel, Ogulcan},
  title        = {{SAHI: A lightweight vision library for performing large scale object detection and instance segmentation}},
  month        = nov,
  year         = 2021,
  publisher    = {Zenodo},
  doi          = {10.5281/zenodo.5718950},
  url          = {https://doi.org/10.5281/zenodo.5718950}
}

المساهمة

تدعم مكتبة sahi حاليًا جميع نماذج YOLOv5 ونماذج MMDetection ونماذج Detectron2 ونماذج اكتشاف الكائنات HuggingFace. علاوة على ذلك، من السهل إضافة أطر عمل جديدة.

كل ما عليك فعله هو إنشاء ملف .py جديد ضمن مجلد sahi/models/ وإنشاء فئة جديدة في ملف .py الذي يطبق فئة DetectionModel. يمكنك استخدام غلاف MMDetection أو غلاف YOLOv5 كمرجع.

قبل فتح العلاقات العامة: