sahi ดาวน์โหลด - ดาวน์โหลด sahi ซอร์สโค้ด

sahi

หลาม

0.11.19

ดาวน์โหลด

SAHI: การอนุมานไฮเปอร์แบบแบ่งส่วน

ไลบรารีการมองเห็นแบบน้ำหนักเบาสำหรับดำเนินการตรวจจับวัตถุขนาดใหญ่และการแบ่งส่วนอินสแตนซ์

ภาพรวม

การตรวจจับวัตถุและการแบ่งส่วนอินสแตนซ์ถือเป็นแอปพลิเคชันที่สำคัญที่สุดใน Computer Vision อย่างไรก็ตาม การตรวจจับวัตถุขนาดเล็กและการอนุมานบนภาพขนาดใหญ่ยังคงต้องได้รับการปรับปรุงในการใช้งานจริง SAHI มาแล้วที่จะช่วยให้นักพัฒนาเอาชนะปัญหาในโลกแห่งความเป็นจริงเหล่านี้ด้วยยูทิลิตี้การมองเห็นมากมาย

สั่งการ	คำอธิบาย
ทำนาย	ทำการทำนายภาพ/วิดีโอแบบแบ่งส่วน/แบบมาตรฐานโดยใช้โมเดล ultralytics/mmdet/detectron2/huggingface/torchvision ใดๆ
ทำนายห้าสิบคน	ดำเนินการทำนายแบบแบ่งส่วน/มาตรฐานโดยใช้โมเดล ultralytics/mmdet/detectron2/huggingface/torchvision และสำรวจผลลัพธ์ในแอป fiftyone
ชิ้นโกโก้	แบ่งไฟล์คำอธิบายประกอบและรูปภาพ COCO โดยอัตโนมัติ
โกโก้ห้าสิบวัน	สำรวจผลลัพธ์การคาดการณ์หลายรายการบนชุดข้อมูล COCO ของคุณด้วยห้าสิบหนึ่ง UI เรียงลำดับตามจำนวนการตรวจจับที่ผิดพลาด
โกโก้ประเมิน	ประเมิน COCO AP และ AR ตามคลาสสำหรับการคาดการณ์ที่กำหนดและความจริงภาคพื้นดิน
วิเคราะห์โกโก้	คำนวณและส่งออกแผนการวิเคราะห์ข้อผิดพลาดจำนวนมาก
โกโก้โยลอฟ5	แปลงชุดข้อมูล COCO เป็นรูปแบบ Ultralytics โดยอัตโนมัติ

ตัวอย่างการเริ่มต้นอย่างรวดเร็ว

รายชื่อสิ่งพิมพ์ที่อ้างอิง SAHI (ปัจจุบันมีมากกว่า 200+)

- รายชื่อผู้ชนะการแข่งขันที่ใช้ SAHI

บทช่วยสอน

ความรู้เบื้องต้นเกี่ยวกับ SAHI
เอกสารอย่างเป็นทางการ (ICIP 2022 ช่องปาก)
ตุ้มน้ำหนักที่ฝึกไว้ล่วงหน้าและไฟล์กระดาษ ICIP 2022
การแสดงภาพและประเมินการคาดการณ์ของ SAHI ด้วย FiftyOne (2024) (ใหม่)
บทความวิจัย 'การสำรวจ SAHI' จาก 'learnopencv.com'
'วิดีโอสอน: Slicing Aided Hyper Inference สำหรับการตรวจจับวัตถุขนาดเล็ก - SAHI' (แนะนำ)
รองรับการอนุมานวิดีโออยู่
สมุดโน๊ต Kaggle
การตรวจจับวัตถุดาวเทียม
แผนการวิเคราะห์ข้อผิดพลาดและการประเมินผล (แนะนำ)
การสร้างภาพและการตรวจสอบผลลัพธ์เชิงโต้ตอบ (แนะนำ)
การแปลงชุดข้อมูล COCO
สมุดบันทึกการดำเนินการหั่น
การสาธิต YOLOX + SAHI : (แนะนำ)
บทสรุป RT-DETR + SAHI : (ใหม่)
คำแนะนำ YOLOv8 + SAHI :
คำแนะนำ DeepSparse + SAHI :
บทสรุปของ HuggingFace + SAHI :
คำแนะนำ YOLOv5 + SAHI :
บทแนะนำ MMDetection + SAHI :
บทสรุป Detectron2 + SAHI :
คำแนะนำของ TorchVision + SAHI :

ซาฮี-โยลอกซ์

การติดตั้ง

sahi-การติดตั้ง

รายละเอียดการติดตั้ง:

ติดตั้ง sahi โดยใช้ pip:

 pip install sahi

บน Windows จำเป็นต้องติดตั้ง Shapely ผ่าน Conda:

 conda install -c conda-forge shapely

ติดตั้ง pytorch และ torchvision เวอร์ชันที่คุณต้องการ (cuda 11.3 สำหรับ detectorn2, cuda 11.7 สำหรับส่วนที่เหลือ):

 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

ติดตั้งกรอบการตรวจจับที่คุณต้องการ (yolov5):

 pip install yolov5==7.0.13

ติดตั้งเฟรมเวิร์กการตรวจจับที่คุณต้องการ (อัลตราไลติกส์):

 pip install ultralytics==8.0.207

ติดตั้งกรอบการตรวจจับที่คุณต้องการ (mmdet):

 pip install mim
mim install mmdet==3.0.0

ติดตั้งกรอบการตรวจจับที่คุณต้องการ (detectron2):

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

ติดตั้งกรอบการตรวจจับที่คุณต้องการ (กอดหน้า):

 pip install transformers timm

ติดตั้งกรอบการตรวจจับที่คุณต้องการ (super-gradients):

 pip install super-gradients==3.3.1

Framework Agnostic Sliced/การทำนายแบบมาตรฐาน

sahi-ทำนาย

ค้นหาข้อมูลโดยละเอียดเกี่ยวกับคำสั่ง sahi predict ที่ cli.md

ค้นหาข้อมูลโดยละเอียดเกี่ยวกับการอนุมานวิดีโอได้ที่บทช่วยสอนการอนุมานวิดีโอ

ค้นหาข้อมูลโดยละเอียดเกี่ยวกับยูทิลิตี้การแบ่งส่วนรูปภาพ/ชุดข้อมูลที่ slicing.md

แผนการวิเคราะห์ข้อผิดพลาดและการประเมินผล

Sahi-วิเคราะห์

ค้นหาข้อมูลโดยละเอียดได้ที่แผนการวิเคราะห์ข้อผิดพลาดและการประเมิน

การแสดงภาพและการตรวจสอบเชิงโต้ตอบ

ซาฮี-ห้าสิบวัน

ค้นหาข้อมูลโดยละเอียดได้ที่การแสดงภาพและการตรวจสอบผลลัพธ์แบบโต้ตอบ

สาธารณูปโภคอื่นๆ

ค้นหาข้อมูลโดยละเอียดเกี่ยวกับยูทิลิตี้ COCO (การแปลง yolov5, การแบ่งส่วน, การสุ่มตัวอย่างย่อย, การกรอง, การรวม, การแยก) ได้ที่ coco.md

ค้นหาข้อมูลโดยละเอียดเกี่ยวกับยูทิลิตี้ MOT (การสร้างชุดข้อมูลความจริงภาคพื้นดิน การส่งออกตัววัดตัวติดตามในรูปแบบ mot Challenge) ได้ที่ mot.md

การอ้างอิง

หากคุณใช้แพ็คเกจนี้ในงานของคุณ โปรดอ้างอิงเป็น:

 @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}
}

มีส่วนร่วม

ปัจจุบันห้องสมุด sahi รองรับโมเดล YOLOv5, โมเดล MMDetection, โมเดล Detectron2 และโมเดลการตรวจจับวัตถุ HuggingFace ทั้งหมด นอกจากนี้ยังง่ายต่อการเพิ่มกรอบงานใหม่

สิ่งที่คุณต้องทำคือสร้างไฟล์ .py ใหม่ภายใต้โฟลเดอร์ sahi/models/ และสร้างคลาสใหม่ในไฟล์ .py นั้นที่ใช้คลาส DetectionModel คุณสามารถใช้ wrapper MMDetection หรือ wrapper YOLOv5 เป็นข้อมูลอ้างอิงได้

ก่อนเปิดประชาสัมพันธ์: