sahi
0.11.19
Обнаружение объектов и сегментация экземпляров на сегодняшний день являются наиболее важными приложениями в компьютерном зрении. Однако обнаружение мелких объектов и вывод на больших изображениях все еще нуждаются в улучшении для практического использования. Вот и появился SAHI, который поможет разработчикам преодолеть эти реальные проблемы с помощью множества утилит машинного зрения.
| Команда | Описание |
|---|---|
| предсказывать | выполнять прогнозирование нарезанного/стандартного видео/изображения с использованием любой модели ultralytics/mmdet/detectron2/huggingface/torchvision |
| предсказать-пятьдесят один | выполнять срезовое/стандартное прогнозирование с использованием любой модели ultralytics/mmdet/detectron2/huggingface/torchvision и исследовать результаты в пятидесяти одном приложении |
| кусочек кокоса | автоматически нарезать файлы аннотаций и изображений COCO |
| кокос пятьдесят один | Изучите несколько результатов прогнозирования в вашем наборе данных COCO с помощью пятидесяти одного пользовательского интерфейса, упорядоченного по количеству ошибочных определений. |
| кокос оценить | оценить по классам COCO AP и AR для заданных прогнозов и истинной истины |
| анализ кокоса | рассчитывать и экспортировать множество графиков анализа ошибок |
| Коко Йолов5 | автоматически конвертировать любой набор данных COCO в формат Ultralytics |
Список публикаций, в которых цитируется САХИ (на данный момент более 200)
? Список победителей конкурса, использовавших SAHI
Введение в САХИ
Официальный документ (устный доклад ICIP 2022)
Предварительно обученные веса и бумажные файлы ICIP 2022
Визуализация и оценка прогнозов SAHI с помощью FiftyOne (2024 г.) (НОВИНКА)
Исследовательская статья «Изучение SAHI» с сайта «learnopencv.com»
«ВИДЕОУЧЕБНИК: Гипервывод с помощью нарезки для обнаружения небольших объектов — SAHI» (РЕКОМЕНДУЕТСЯ)
Поддержка видеовывода доступна
Блокнот Каггл
Обнаружение спутниковых объектов
Графики анализа ошибок и оценка (РЕКОМЕНДУЕТСЯ)
Интерактивная визуализация и проверка результатов (РЕКОМЕНДУЕТСЯ)
Преобразование набора данных COCO
Блокнот для операций нарезки
Демо-версия YOLOX + SAHI : (РЕКОМЕНДУЕТСЯ)
Прохождение RT-DETR + SAHI : (НОВОЕ)
Прохождение YOLOv8 + SAHI :
Прохождение DeepSparse + SAHI :
Прохождение HuggingFace + SAHI :
Прохождение YOLOv5 + SAHI :
Прохождение MMDetection + SAHI :
Прохождение Detectron2 + SAHI :
Прохождение TorchVision + SAHI :
sahi с помощью pip: pip install sahiShapely необходимо установить через Conda: conda install -c conda-forge shapely 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 pip install yolov5==7.0.13 pip install ultralytics==8.0.207 pip install mim
mim install mmdet==3.0.0 pip install detectron2 -f https://dl.fbaipublicfiles.com/detectron2/wheels/cu113/torch1.10/index.html pip install transformers timm pip install super-gradients==3.3.1
Подробную информацию о команде sahi predict можно найти на сайте cli.md.
Подробную информацию о видеовыводе можно найти в руководстве по видеовыводу.
Подробную информацию об утилитах нарезки изображений/наборов данных можно найти на сайте slicing.md.
Подробную информацию см. в разделе «Графики и оценка анализа ошибок».
Подробную информацию см. в разделе «Интерактивная визуализация и проверка результатов».
Подробную информацию об утилитах COCO (преобразование yolov5, нарезку, подвыборку, фильтрацию, слияние, разделение) можно найти на сайте coco.md.
Подробную информацию об утилитах MOT (создание базовых наборов данных, экспорт показателей трекера в формате Mot Challenge) можно найти на сайте mot.md.
Если вы используете этот пакет в своей работе, указывайте его следующим образом:
@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}
}
Библиотека sahi в настоящее время поддерживает все модели YOLOv5, модели MMDetection, модели Detectron2 и модели обнаружения объектов HuggingFace. Более того, легко добавлять новые фреймворки.
Все, что вам нужно сделать, это создать новый файл .py в папке sahi/models/ и создать в этом файле .py новый класс, реализующий класс DetectionModel. В качестве эталона можно взять оболочку MMDetection или обертку YOLOv5.
Прежде чем открыть PR:
pip install -e . " [dev] "python -m scripts.run_code_style formatФатих Чагатай Акьон
Синан Онур Алтынюк
Деврим Чавушоглу
Джемил Дженгиз
Огулькан Эрюксель
Кадир Нар
Бурак Маден
Пушпак Бхоге
М. Кан В.
Кристофер Эдлунд
Ишвор
Мехмет Эджевит
Кадир Шахин
Вей
Ёнджэ
Альжбета Турецкова
Итак, Учида
Ёнхе Квон
Невилл
Янне Мяйря
Кристофер Эдлунд
Илькер Манап
Нгуен Тхи Ан
Вэй Цзи
Айнур Сусуз
Пранав Дурай
Лакшай Мехра
Карл-Жоан Алесма
Джейкоб Маркс
Уильям Лунг
Амог Даливал
