Descargar sahi - Descarga del código fuente sahi

sahi

Pitón

0.11.19

Descargar

SAHI: hiperinferencia asistida por corte

Una biblioteca de visión liviana para realizar detección de objetos y segmentación de instancias a gran escala

Descripción general

La detección de objetos y la segmentación de instancias son, con diferencia, las aplicaciones más importantes de Computer Vision. Sin embargo, la detección de objetos pequeños y la inferencia en imágenes grandes aún deben mejorarse en el uso práctico. Aquí llega SAHI para ayudar a los desarrolladores a superar estos problemas del mundo real con muchas utilidades de visión.

Dominio	Descripción
predecir	Realice predicciones de imágenes/videos estándar/en rodajas usando cualquier modelo ultralytics/mmdet/detectron2/huggingface/torchvision
predecir cincuenta y uno	realice predicciones en rodajas/estándar utilizando cualquier modelo ultralytics/mmdet/detectron2/huggingface/torchvision y explore los resultados en cincuenta y una aplicaciones
rodaja de coco	corte automáticamente archivos de imágenes y anotaciones COCO
coco cincuenta y uno	explore múltiples resultados de predicción en su conjunto de datos COCO con cincuenta y una UI ordenadas por número de detecciones erróneas
coco evaluar	evaluar COCO AP y AR en clase para predicciones dadas y verdad sobre el terreno
coco analizar	calcular y exportar muchos gráficos de análisis de errores
coco yolov5	convierta automáticamente cualquier conjunto de datos COCO al formato ultralítico

Ejemplos de inicio rápido

Lista de publicaciones que citan SAHI (actualmente más de 200)

? Lista de ganadores del concurso que utilizaron SAHI

Tutoriales

Introducción al SAHI
Documento oficial (ICIP 2022 oral)
Pesas previamente entrenadas y archivos en papel ICIP 2022
Visualización y evaluación de predicciones SAHI con FiftyOne (2024) (NUEVO)
Artículo de investigación 'Explorando SAHI' de 'learnopencv.com'
'VIDEO TUTORIAL: Hiperinferencia asistida por corte para la detección de objetos pequeños - SAHI' (RECOMENDADO)
El soporte de inferencia de video está disponible
Cuaderno Kaggle
Detección de objetos por satélite
Gráficos de análisis de errores y evaluación (RECOMENDADO)
Visualización e inspección interactiva de resultados (RECOMENDADO)
Conversión de conjuntos de datos COCO
Cuaderno de operaciones de corte
Demostración de YOLOX + SAHI : (RECOMENDADO)
Tutorial de RT-DETR + SAHI : (NUEVO)
Tutorial YOLOv8 + SAHI :
Tutorial de DeepSparse + SAHI :
Tutorial HuggingFace + SAHI :
Tutorial YOLOv5 + SAHI :
Tutorial MMDetection + SAHI :
Tutorial Detectron2 + SAHI :
Tutorial de TorchVision + SAHI :

sahi-yolox

Instalación

instalación-sahi

Detalles de instalación:

Instale sahi usando pip:

 pip install sahi

En Windows, Shapely debe instalarse a través de Conda:

 conda install -c conda-forge shapely

Instale la versión que desee de pytorch y torchvision (cuda 11.3 para detectron2, cuda 11.7 para resto):

 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

Instale el marco de detección que desee (yolov5):

 pip install yolov5==7.0.13

Instale el marco de detección que desee (ultralíticos):

 pip install ultralytics==8.0.207

Instale el marco de detección que desee (mmdet):

 pip install mim
mim install mmdet==3.0.0

Instale el marco de detección que desee (detectron2):

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

Instale el marco de detección que desee (huggingface):

 pip install transformers timm

Instale el marco de detección que desee (supergradientes):

 pip install super-gradients==3.3.1

Predicción estándar/en rodajas independiente del marco de trabajo

sahi-predecir

Encuentre información detallada sobre el comando sahi predict en cli.md.

Encuentre información detallada sobre la inferencia de vídeo en el tutorial de inferencia de vídeo.

Encuentre información detallada sobre las utilidades de corte de imágenes/conjuntos de datos en slicing.md.

Gráficos de análisis de errores y evaluación

analizar-sahi

Encuentre información detallada en Evaluación y gráficos de análisis de errores.

Visualización e inspección interactivas

sahi-cincuenta y uno

Encuentre información detallada en Inspección y visualización interactiva de resultados.

Otras utilidades

Encuentre información detallada sobre las utilidades de COCO (conversión yolov5, corte, submuestreo, filtrado, fusión, división) en coco.md.

Encuentre información detallada sobre las utilidades MOT (creación de conjuntos de datos reales, exportación de métricas de seguimiento en formato de desafío mot) en mot.md.

Citación

Si utiliza este paquete en su trabajo, cítelo como:

 @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}
}

Contribuyendo

La biblioteca sahi actualmente admite todos los modelos YOLOv5, modelos MMDetection, modelos Detectron2 y modelos de detección de objetos HuggingFace. Además, es fácil agregar nuevos marcos.

Todo lo que necesita hacer es crear un nuevo archivo .py en la carpeta sahi/models/ y crear una nueva clase en ese archivo .py que implemente la claseDetectionModel. Puede tomar el contenedor MMDetection o el contenedor YOLOv5 como referencia.

Antes de abrir un PR: