芒果YOLOv8改进91：提升篇：YOLOv8使用SAHI切片辅助推理：《SAHI切片辅助推理解析》推理教程（附推理源代码）

已于 2024-04-10 14:41:47 修改
阅读量1.5k 收藏 25
点赞数 21
分类专栏： 剑指YOLOv8改进 芒果YOLOv8原创改进 文章标签： YOLO 目标检测 深度学习
于 2023-12-14 16:42:12 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/qq_38668236/article/details/134998875
版权

💡YOLOv8改进专栏完整目录链接： 👉《芒果YOLOv8原创改进专栏》🌟🌟🌟，只需订阅这一个专栏即可阅读：芒果YOLOv8所有改进内容
💡🚀🚀🚀内含·改进源代码· 按步骤操作运行改进后的代码即可
💡更方便的统计更多实验数据，方便写作

YOLOv8使用SAHI切片辅助推理：《SAHI切片辅助推理解析》推理教程（附推理源代码）

文章目录

SAHI 切片辅助推理 简介

SAHI（切片辅助推理）是

了解本专栏 订阅专栏 解锁全文
芒果汁没有芒果
关注
  • 21
    点赞
  • 踩
  • 25
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 0
    评论
专栏目录
订阅专栏
YOLOv8改进 | 进阶实战篇 | 利用辅助超推理算法SAHI推理让小目标无所谓遁形（支持视频和图片）
Snu77的博客
02-20 2420
本文给大家带来的是进阶实战篇，利用辅助超推理算法SAHI进行推理，同时官方提供的版本中支持视频，我将其进行改造后不仅支持视频同时支持图片的推理方式，SAHI主要的推理场景是针对于小目标检测（检测物体较大的不适用，因为会将一些大的物体切割开来从而导致误检），检测效果非常的好对于小目标检测，尤其是无人机航拍的图片检测或者远距离拍摄的图片，本文中附代码+详细的参数讲解并有教程示例！欢迎大家订阅我的专栏一起学习YOLO！
基于SAHI模块结合YOLOv5-5.0实现超分辨率小目标检测示例源码(含使用方法).zip
12-20
【资源说明】 1.项目代码均经过功能验证ok，确保稳定可靠运行。欢迎下载食用体验！ 2.主要针对各个计算机相关专业，包括计算机科学、信息安全、数据科学与大数据技术、人工智能、通信、物联网等领域的在校学生、专业教师、企业员工。 3.项目具有丰富的拓展空间，不仅可作为入门进阶，也可直接作为毕设、课程设计、大作业、初期项目立项演示等用途。 4.当然也鼓励大家基于此进行二次开发。在使用过程中，如有问题或建议，请及时沟通。 5.期待你能在项目中找到乐趣和灵感，也欢迎你的分享和反馈！ 【项目介绍】 基于SAHI模块结合YOLOv5-5.0实现超分辨率小目标检测示例源码(含使用方法).zip 环境 ·win + pycharm ·sahi==0.8.4 ·yolov5==5.0 ·pytorch==1.7.1+cu101 ```commandline # 安装gpu版torch和torchvision pip install torch==1.7.1+cu101 torchvision==0.8.2+cu101 torchaudio==0.7.2 -f https://download.pytorch.org/whl/torch_stable.html # pip install yolov5 pip install sahi==0.8.4 pip install fiftyone imantics ``` ## RUN 1. csdn下载项目解压，命名为SAHI-yolov5(路径不要搞中文) 2. tree:\ main.py\ README.md\ samll-vehicles1.jpg\ yolov5s6.pt 3. vim main.py: ```commandline line4: yolov5_model_path = yolov5_model_path = "C:\\Users\\kiven\\Desktop\\SAHI\\yolov5s6.pt" # 放置你的权重地址 line10: device="cuda:0", # or 'cpu' ``` 4. please change your path and divice 5. python main.py
YOLOv8+SAHI小目标检测：使用ONNX模型进行推理
深度学习领域
02-28 2002
SAHI是一个功能强大的小目标检测库，特别适合处理高质量图像中的小目标检测任务。尽管这种方法可能会导致处理时间增加，但它为需要高精度小目标检测的应用场景提供了一种有效的解决方案。希望本文能帮助你了解SAHI的使用场景和配置方法，如果有任何问题，欢迎留言讨论。
算法联调篇 | YOLOv8 结合切片辅助超推理算法 | 这才叫让小目标无处遁形！| 使用 YOLOv8 和 SAHI 进行切片推理
YOLOv8项目贡献者
09-04 3886
算法联调篇 | YOLOv8 结合切片辅助超推理算法 | 这tm才叫让小目标无处遁形！
YOLOv8最新改进系列：SAHI -专门针对小目标检测的推理-切片辅助超推理！小目标检测实战有效！上大分、遥遥领先了家人们！！！
weixin_51692073的博客
10-24 5620
YOLOv8最新改进系列：SAHI -专门针对小目标检测的推理-切片辅助超推理！小目标检测实战有效！上大分、遥遥领先了家人们！！！
yolov8 小目标物体检测、分割加强方法
weixin_42357472的博客
12-28 1507
常见下列三种方法加强小物体检测：Detectron2 （这个与yolov8不大相关，这篇不做多介绍，meta算法）SAHI 算法：YOLOv8 变体YOLOv8-P2，旨在提高检测小物体的性能。
用于小物体检测的切片辅助超推理SAHI实现YOLOv8推理
穿着帆布鞋也能走猫步
09-21 3681
如下图所示，在推理过程中采用了切片法，最初，原始图像被划分为尺寸为M×N的重叠块。通过结合使用调整大小的补丁和原始图像，模型可以学习到适应不同尺度的物体，并提高对大型物体的检测能力。然而，由于网络的局限性，学习到的特征可能无法充分捕捉到较小物体的微妙而复杂的细节。预训练模型，尤其是使用深度卷积神经网络(CNN)架构的模型，可以捕获丰富的分层特征，这对于小物体的检测非常有帮助。SAHI的独特之处在于它能够与任何物体检测器无缝集成，无需繁琐的微调，并在不影响性能的情况下快速应用，为小物体检测带来了重大的突破。
SAHI_Yolov8:小目标检测
qq_55542491的博客
10-19 477
如果您的计算机配备 NVIDIA GPU，则可以通过将 'device' 标志更改为'cuda:0'来启用 CUDA 加速；否则，将其保留为'cpu'# YOLOv8模型的路径。# YOLOv8模型的路径。懒得推gitee，记录一下。
小目标检测-切片辅助超推理 SAHI 技术对 YOLOv8 进行推理过程和代码实现
DT程序员的博客
06-08 1842
详细讲解如何使用切片辅助超推理 SAHI 技术对 YOLOv8 进行推理过程和代码实现
sahi切片辅助训练推理
qq_33596242的博客
10-19 458
sahi切片 yolo 格式转换
使用Sahi实现Web自动化测试
02-20
Sahi是TytoSoftware旗下的一个基于业务的开源Web应用自动化测试工具。Sahi运行为一个代理服务器，并通过注入JavaScript来访问Web页面中的元素。Sahi支持HTTPS并且独立于Web站点，简单小巧却功能强大。它相对于Selenium等自动化测试工具，在动态ID元素查找和隐式页面等待处理等方面具有一定的优势。选择Sahi工具来实现具体Web项目的自动化测试是一个很不错的选择。随着Web技术和互联网的发展，Web应用产品越来越丰富，基于Web页面测试的需求与日俱增。在当前全球软件都在追求高效、敏捷的开发模式的大背景下，Web自动化测试成为了新一波技术探讨和研究的热潮。因为
sahi-script-samples:我在TrojQA（http
05-24
运行脚本 下载并安装Sahi OS 下载脚本，将其解压缩并移至userdata / sahi-demo目录 将sahi-demo添加到userdata / config / userdata.properties中的scripts.dir属性 运行Sahi仪表板 运行选定的浏览器并打开Sahi Controller 切换到“播放”选项卡，然后选择“ sahi-demo”脚本目录 选择一个文件，单击“设置” ，然后单击“播放”
使用Sahi测试Dojo应用
03-02
在开始介绍Sahi之前，我们一起来看看在开发Web自动化测试（特指Web2.0应用）时常面临的两大技术问题。根据个人经验，以下几点会给页面元素的识别带来障碍1.页面DOM树随着产品版本升级频繁发生变化。2.页面元素没有id属性或者id属性值是动态的。3.页面中具有相同属性的元素不止一个。1.针对第一点，恐怕没有太好的解决方案，所以只能随着产品的改变更新自动化测试的代码。关于这一点，如果能够存在某种元素识别方法能够以最小的代码改动应对产品变化，那就是最理想的了。2.针对第二点，解决方案是要求开发团队对所有测试中用到的元素增加用以识别元素的静态属性值。这听起来容易，但做起来未必简单。一来，开发团队
【mmdetection小目标检测教程】三、使用sahi库切分高分辨率图片，一键生成coco格式数据集
weixin_45921929的博客
02-03 2750
【mmdetection小目标检测教程】三、使用sahi库切分高分辨率图片，一键生成coco格式数据集
[深度学习] 基于切片辅助超推理库SAHI优化小目标识别
You and Me
01-03 7321
AutoDetectionModel类SAHI基于AutoDetectionModel类的from_pretrained函数加载深度学习模型。目前支持YOLOv5 models, MMDetection models, Detectron2 models和HuggingFace object detection models等深度学习模型库，如果想支持新的模型库,可以参考目录下的模型文件，新建模型检测类。模型预测。
SAHI强化YOLOv5在小目标上的表现
热门推荐
09-29 1万+
环境ubuntu 18.04 64bitsahi 0.8.4yolov5 5.0pytorch 1.7.1+cu101前言目标检测和实例分割是迄今为止计算机视觉中最重要的应用领域，各种目标...
Sahi 使用技巧3-快速编写Sahi脚本（1）
腹黑兔的逆袭
08-28 1787
Sahi os版本是没有专门的代码编辑器的（sahi pro是有的）。所以这就需要自己找到一个高效的编辑器。我曾经傻傻的使用notepad++直接编写脚本，后果可想而知的，效率低，脚本出错后调试花的时间比较多。尤其是遇到语法错误，比如多或者少一个括号都会导致sahi的解释器通不过，最后还要在日志里查看报错原因，甚是苦恼。 经过一段时间的实践，目前发现有两个思路来提高写脚本的效率，但都不是很完美，
YOLOv8改进 | 图像修复 | 适用多种复杂场景的全能图像修复网络AirNet助力YOLOv8检测（全网独家首发）
最新发布
Snu77的博客
05-16 188
官方代码地址点击此处即可跳转 ​文章提出的一种名为AirNet（All-in-one Image Restoration Network）的全能图像修复网络。AirNet由对比基降解编码器（CBDE）和降解引导修复网络（DGRN）两个神经模块组成，能够在未知损坏类型和程度的情况下恢复受损图像。这两部分共同工作，能够处理多种类型的图像退化，而无需预先知道损坏的具体信息。
ＳＡＨＩ 切片辅助推理框架
12-01
SAHI是一种切片辅助推理框架，旨在帮助开发人员解决现实世界中的目标检测问题。它通过将图像分成多个切片来提高检测性能，从而克服了现实世界中的一些问题，例如目标尺寸变化，目标遮挡和目标密度变化等。SAHI的核心思想是将图像分成多个切片，然后对每个切片进行单独的检测，最后将检测结果合并起来得到最终的检测结果。这种方法可以提高检测性能，特别是对于小目标的检测效果更好。 下面是一个使用SAHI进行目标检测的Python代码示例： ```python import cv2 import numpy as np # 加载图像 img = cv2.imread('test.jpg') # 定义切片大小 slice_size = 512 # 获取图像大小 height, width, _ = img.shape # 计算切片数量 num_slices_h = int(np.ceil(height / slice_size)) num_slices_w = int(np.ceil(width / slice_size)) # 定义检测器 detector = cv2.dnn.readNetFromCaffe('deploy.prototxt', 'model.caffemodel') # 定义类别标签 class_labels = ['person', 'car', 'truck', 'bus'] # 定义检测结果列表 results = [] # 循环遍历每个切片 for i in range(num_slices_h): for j in range(num_slices_w): # 计算切片的坐标 x1 = j * slice_size y1 = i * slice_size x2 = min(x1 + slice_size, width) y2 = min(y1 + slice_size, height) # 提取切片 slice_img = img[y1:y2, x1:x2] # 构建输入blob blob = cv2.dnn.blobFromImage(slice_img, 1.0, (300, 300), (104.0, 177.0, 123.0)) # 进行检测 detector.setInput(blob) detections = detector.forward() # 解析检测结果 for k in range(detections.shape[2]): confidence = detections[0, 0, k, 2] class_id = int(detections[0, 0, k, 1]) # 如果置信度大于0.5，则将检测结果添加到列表中 if confidence > 0.5 and class_labels[class_id] == 'person': x = int(detections[0, 0, k, 3] * slice_size) + x1 y = int(detections[0, 0, k, 4] * slice_size) + y1 w = int(detections[0, 0, k, 5] * slice_size) - x h = int(detections[0, 0, k, 6] * slice_size) - y results.append((x, y, w, h)) # 在原始图像上绘制检测结果 for (x, y, w, h) in results: cv2.rectangle(img, (x, y), (x + w, y + h), (0, 255, 0), 2) # 显示结果 cv2.imshow('result', img) cv2.waitKey(0) cv2.destroyAllWindows() ```

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

芒果汁没有芒果

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值