SAHI: Slicing Aided Hyper Inference

Geniş ölçekli object detection & instance segmentation için hafif bir bilgisayarlı görü kütüphanesi

Genel Bakış
¶

SAHI, büyük görsellerdeki küçük nesneleri tespit etmek için Sliced Inference tekniğini etkinleştirerek geliştiricilerin gerçek dünyadaki object detection zorluklarını aşmasına yardımcı olur. Çeşitli popüler tespit modellerini destekler ve kullanımı kolay API'ler sunar.

🌐 [English](../../README.md) | 🇨🇳 [简体中文](../zh/README.md) | 🇹🇷 [Türkçe](README.md)

Komut	Açıklama
predict	Herhangi bir ultralytics / mmdet / huggingface / torchvision modelini kullanarak sliced/standart video/görsel tahmini gerçekleştirin — bkz. CLI kılavuzu
predict-fiftyone	Desteklenen herhangi bir modeli kullanarak sliced/standart tahmin gerçekleştirin ve sonuçları fiftyone uygulamasında inceleyin — daha fazla bilgi
coco slice	COCO annotation ve görsel dosyalarını otomatik dilimleyin — bkz. dilimleme araçları
coco fiftyone	COCO veri kümenizdeki birden fazla tahmin sonucunu yanlış tespit sayısına göre sıralı olarak fiftyone arayüzü ile inceleyin
coco evaluate	Verilen tahminler ve ground truth için sınıf bazında COCO AP ve AR değerlerini değerlendirin — bkz. COCO araçları
coco analyse	Birçok hata analizi grafiği hesaplayın ve dışa aktarın — bkz. kapsamlı kılavuz
coco yolo	Herhangi bir COCO veri kümesini otomatik olarak ultralytics formatına dönüştürün

Topluluk Tarafından Onaylandı¶

📜 SAHI'ye atıfta bulunan yayınların listesi (şu anda 600+)

🏆 SAHI kullanan yarışma kazananlarının listesi

Yapay Zeka Araçları Tarafından Onaylandı¶

SAHI dokümantasyonu Context7 MCP bünyesinde indekslenmiştir; bu da AI kodlama asistanlarına güncel, sürüme özel kod örnekleri ve API referansları sağlar. Ayrıca yapay zeka tarafından okunabilir dokümantasyonlar için gelişen standarda uygun bir llms.txt dosyası sunuyoruz.

Kurulum
¶

Temel Kurulum¶

pip install sahi

Detaylı Kurulum (Açmak için tıklayın)

- İstediğiniz pytorch ve torchvision sürümünü yükleyin:

pip install torch==2.7.0 torchvision==0.22.0 --index-url https://download.pytorch.org/whl/cu126

(mmdet desteği için torch 2.1.2 gereklidir):

pip install torch==2.1.2 torchvision==0.16.2 --index-url https://download.pytorch.org/whl/cu121

- İstediğiniz tespit kütüphanesini (ultralytics) yükleyin:

pip install ultralytics>=8.3.161

- İstediğiniz tespit kütüphanesini (huggingface) yükleyin:

pip install transformers>=4.49.0 timm

- İstediğiniz tespit kütüphanesini (yolov5) yükleyin:

pip install yolov5==7.0.14 sahi==0.12.1

- İstediğiniz tespit kütüphanesini (mmdet) yükleyin:

pip install mim
mim install mmdet==3.3.0

- İstediğiniz tespit kütüphanesini (roboflow) yükleyin:

pip install inference>=0.51.5 rfdetr>=1.6.2

Hızlı Başlangıç
¶

Öğrenme Kaynakları¶

Kaynak	Tip
SAHI'ye Giriş	Blog Yazısı
2025 Video Öğretici ⭐	Video
Resmi Makale (ICIP 2022 oral)	Makale
Ön Eğitimli Ağırlıklar & ICIP 2022 Makale Dosyaları	Benchmark
FiftyOne ile SAHI Tahminlerini Görselleştirme ve Değerlendirme	Blog Yazısı
SAHI'yi İnceleme – learnopencv.com	Makale
Encord Tarafından Açıklanan Slicing Aided Hyper Inference	Makale
Video Öğretici: Küçük Nesne Tespiti İçin SAHI	Video
Uydu Görüntülerinde Nesne Tespiti	Blog Yazısı
COCO Veri Kümesi Dönüştürme	Blog Yazısı
Kaggle Notebook	Notebook
Hata Analizi Grafikleri & Değerlendirme ⭐	Tartışma
Etkileşimli Sonuç Görselleştirme ve İnceleme ⭐	Tartışma
Video Inference Desteği	Tartışma
Dilimleme Operasyonları Notebook'u	Notebook
Tam Dokümantasyon	Doküman

Notebook'lar & Demolar¶

Kütüphane	Notebook	Demo
YOLO26		—
YOLO11		—
YOLO11-OBB		—
YOLOE		—
Roboflow / RF-DETR		—
RT-DETR v2		—
RT-DETR		—
HuggingFace		—
GroundingDINO		—
YOLOv5		—
MMDetection		—
Detectron2		—
TorchVision		—
YOLOX	—

Bağımsız Sliced/Standart Tahmin¶

sahi-predict

sahi predict komutunu kullanma hakkında detaylı bilgiyi CLI dokümantasyonunda bulabilir ve gelişmiş kullanım için prediction API'sini inceleyebilirsiniz.

Hata Analizi Grafikleri & Değerlendirme¶

sahi-analyse

Etkileşimli Görselleştirme & İnceleme¶

sahi-fiftyone

Etkileşimli görselleştirme ve inceleme için FiftyOne entegrasyonunu inceleyin.

Diğer Araçlar¶

YOLO dönüştürme, veri kümesi dilimleme, alt örnekleme, filtreleme, birleştirme ve bölme operasyonları için kapsamlı COCO araçları kılavuzunu kontrol edin. Görsel ve veri kümesi dilimleme parametreleri üzerinde detaylı kontrol için dilimleme araçları dokümanını inceleyin.

Atıf (Citation)
¶

Çalışmalarınızda bu paketi kullanıyorsanız lütfen şu şekilde atıfta bulunun:

@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}
}

Katkıda Bulunma
¶

Katkılarınızı memnuniyetle karşılıyoruz! Başlamak için lütfen Katkıda Bulunma Kılavuzumuzu inceleyin. Tüm katkıda bulunanlara teşekkür ederiz! 🙏