sahi Télécharger - sahi Téléchargement du code source

sahi

Python

0.11.19

Télécharger

SAHI : hyper-inférence assistée par découpage

Une bibliothèque de vision légère pour effectuer une détection d'objets et une segmentation d'instance à grande échelle

Aperçu

La détection d'objets et la segmentation d'instances sont de loin les applications les plus importantes en vision par ordinateur. Cependant, la détection de petits objets et l’inférence sur de grandes images doivent encore être améliorées dans la pratique. Voici le SAHI pour aider les développeurs à surmonter ces problèmes du monde réel avec de nombreux utilitaires de vision.

Commande	Description
prédire	effectuer une prédiction vidéo/image découpée/standard en utilisant n'importe quel modèle ultralytics/mmdet/detectron2/huggingface/torchvision
prédire cinquante et un	effectuez une prédiction tranchée/standard à l'aide de n'importe quel modèle ultralytics/mmdet/detectron2/huggingface/torchvision et explorez les résultats dans l'application cinquante et un
tranche de coco	découpe automatiquement les fichiers d'annotation et d'image COCO
coco cinquante et un	explorez plusieurs résultats de prédiction sur votre ensemble de données COCO avec cinquante et une interface utilisateur classées par nombre d'erreurs de détection
coco évaluer	évaluer COCO AP et AR par classe pour des prédictions et une vérité terrain données
analyse de coco	calculer et exporter de nombreux tracés d'analyse d'erreurs
coco yolov5	convertir automatiquement n'importe quel ensemble de données COCO au format ultralytique

Exemples de démarrage rapide

Liste des publications citant SAHI (actuellement 200+)

? Liste des gagnants du concours ayant utilisé SAHI

Tutoriels

Introduction à SAHI
Article officiel (ICIP 2022 oral)
Poids pré-entraînés et dossiers papier ICIP 2022
Visualisation et évaluation des prédictions SAHI avec FiftyOne (2024) (NOUVEAU)
Article de recherche « Explorer SAHI » de « learnopencv.com »
'TUTORIEL VIDÉO : Hyper-inférence assistée par découpage pour la détection de petits objets - SAHI' (RECOMMANDÉ)
La prise en charge de l'inférence vidéo est en ligne
Carnet Kaggle
Détection d'objets satellites
Tracés d'analyse des erreurs et évaluation (RECOMMANDÉ)
Visualisation et inspection interactives des résultats (RECOMMANDÉ)
Conversion de l'ensemble de données COCO
Cahier d'opération de découpage
Démo YOLOX + SAHI : (RECOMMANDÉ)
Procédure pas à pas RT-DETR + SAHI : (NOUVEAU)
Procédure pas à pas YOLOv8 + SAHI :
Procédure DeepSparse + SAHI :
Procédure pas à pas HuggingFace + SAHI :
Procédure pas à pas YOLOv5 + SAHI :
Procédure pas à pas MMDetection + SAHI :
Procédure pas à Detectron2 + SAHI :
Procédure pas à pas TorchVision + SAHI :

sahi-yolox

Installation

sahi-installation

Détails d'installation :

Installez sahi en utilisant pip :

 pip install sahi

Sous Windows, Shapely doit être installé via Conda :

 conda install -c conda-forge shapely

Installez la version souhaitée de pytorch et torchvision (cuda 11.3 pour detectron2, cuda 11.7 pour le reste) :

 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

Installez le framework de détection souhaité (yolov5) :

 pip install yolov5==7.0.13

Installez le framework de détection souhaité (ultralytics) :

 pip install ultralytics==8.0.207

Installez le framework de détection souhaité (mmdet) :

 pip install mim
mim install mmdet==3.0.0

Installez le framework de détection souhaité (detectron2) :

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

Installez le framework de détection souhaité (huggingface) :

 pip install transformers timm

Installez le framework de détection souhaité (super-gradients) :

 pip install super-gradients==3.3.1

Prédiction tranchée/standard indépendante du framework

sahi-prédire

Trouvez des informations détaillées sur la commande sahi predict sur cli.md.

Trouvez des informations détaillées sur l’inférence vidéo dans le didacticiel d’inférence vidéo.

Trouvez des informations détaillées sur les utilitaires de découpage d’images/ensembles de données sur slicing.md.

Tracés d’analyse des erreurs et évaluation

sahi-analyse

Trouvez des informations détaillées sur Tracés d’analyse des erreurs et évaluation.

Visualisation et inspection interactives

sahi-cinquante et un

Trouvez des informations détaillées sur Visualisation et inspection interactives des résultats.

Autres utilitaires

Trouvez des informations détaillées sur les utilitaires COCO (conversion yolov5, découpage, sous-échantillonnage, filtrage, fusion, fractionnement) sur coco.md.

Trouvez des informations détaillées sur les utilitaires MOT (création d'ensembles de données de vérité terrain, exportation de métriques de suivi au format mot challenge) sur mot.md.

Citation

Si vous utilisez ce package dans votre travail, veuillez le citer comme suit :

 @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}
}

Contribuer

La bibliothèque sahi prend actuellement en charge tous les modèles YOLOv5, MMDetection, Detectron2 et HuggingFace. De plus, il est facile d’ajouter de nouveaux frameworks.

Tout ce que vous avez à faire est de créer un nouveau fichier .py sous le dossier sahi/models/ et de créer une nouvelle classe dans ce fichier .py qui implémente la classe DetectionModel. Vous pouvez prendre le wrapper MMDetection ou le wrapper YOLOv5 comme référence.

Avant d'ouvrir un PR :