跳转至

快速开始

SAHI 将大图像切成相互重叠的切片，在每个切片上运行检测器，再把检测结果合并回完整图像。小目标因此保持足够大，可以被检测到，而且无需重新训练。

1. 安装

pip install "sahi[ultralytics]"

单独安装的 sahi 不包含任何检测器，因此请为所需框架选择对应的 extra：ultralytics、transformers、yolov5、roboflow、torchvision、torch、onnx、numba 或 all。Conda 用户可以运行 conda install -c conda-forge sahi，然后单独安装框架。

2. 获取预测结果

以下代码可在 CPU 上完整运行。它会下载一张示例图像，Ultralytics 会在首次使用时下载 yolo26n.pt。

from sahi import AutoDetectionModel
from sahi.predict import get_sliced_prediction
from sahi.utils.file import download_from_url

download_from_url(
    "https://raw.githubusercontent.com/obss/sahi/main/demo/demo_data/small-vehicles1.jpeg",
    "demo_data/small-vehicles1.jpeg",
)

detection_model = AutoDetectionModel.from_pretrained(
    model_type="ultralytics",
    model_path="yolo26n.pt",
    confidence_threshold=0.25,
    device="cpu",  # 或 "cuda:0"
)

result = get_sliced_prediction(
    "demo_data/small-vehicles1.jpeg",
    detection_model,
    slice_height=512,
    slice_width=512,
    overlap_height_ratio=0.2,
    overlap_width_ratio=0.2,
)

替换 model_type 和 model_path 即可使用其他框架。完整列表请参见模型集成。

3. 读取结果

result 是一个 PredictionResult。所有检测结果都在 result.object_prediction_list 中。

for pred in result.object_prediction_list:
    print(pred.category.name, pred.score.value, pred.bbox.to_xyxy())

# 写入 demo_data/prediction_visual.png
result.export_visuals(export_dir="demo_data/")

# COCO 格式的字典，可直接保存为 JSON
coco_predictions = result.to_coco_predictions(image_id=1)

如果图像尺寸已经接近模型输入尺寸，请改用 get_prediction，完全跳过切片。

4. 使用 CLI 执行同样的操作

sahi predict --model_type ultralytics --model_path yolo26n.pt --source demo_data/ --slice_height 512 --slice_width 512

可视化结果写入 runs/predict/exp。添加 --dataset_json_path dataset.json 还会导出用于评估的 COCO result.json。

下一步