- 综合排序
- 最热优先
- 最新优先
- 来自专栏YOLO大作战
YOLOv8+SAHI，针对小目标缺陷检测的切片辅助训练推理
本文摘要：1）分析了工业缺陷的难点；2）提供了用SAHI方法子图训练，如何自动生成对应xml的代码；3）SAHI+YOLOv8如何推理原图切分为子图训练+推理 1.工业缺陷检测介绍 得益于机器视觉的不断发展和成熟 bai_dian","zang_wu","hua_shang","qi_pao"] 可以看出，绝大多数缺陷为白点 ，且为小目标缺陷检测3.基于YOLOv8的摄像头缺陷检测算法YOLOv8结构框图 3.1 SAHI :针对小目标检测的切片辅助超推理库为了处理小目标检测问题，SAHI算法在fine-tuning和推理阶段提出了一种基于切片的通用框架。 3.2 使用SAHI方法子图训练，如何自动生成对应xml可以根据图像分辨率和缺陷所占像素值切分合适的比列，本文将原图一切为四，同时为了避免缺陷被切分掉，因此所采用重叠的方式进行切分3.3 SAHI
1.7K10编辑于 2024-09-23 - 来自专栏往期博文
【目标检测】SAHI: 切片辅助推理和微调小目标检测
效果概览 首先看论文里给出的这张图片，左图是原始预测效果，中间是经过SAHI预测效果，右图是经过SAHI再微调的检测效果。 再来看数据 如表所示，经过SAHI之后，整体AP均有所提升。不过同样需要注意的是对于大目标(AP50l)，经过SAHI之后，AP反而有所下降。个人猜测可能是因为切片太小导致大目标被分割。 from sahi.model import Yolov5DetectionModel from sahi.predict import get_sliced_prediction model_path 直接预测结果： 经过SAHI的效果： 乍一看区别并不大，原始的模型就已经取得了可观的结果。 可以看到，原始检测结果中，处于房子阴影部分的车辆，以及被树枝遮挡的车辆并无法被检测出来；而经过SAHI处理之后，这部分也能够被检测出来，说明SAHI确实是有效的算法。
5.3K30编辑于 2022-09-26 - 来自专栏HelloGitHub
3D 世界的钥匙「GitHub 热点速览 v.22.08」
GitHub 地址→https://github.com/FortAwesome/Font-Awesome 2.3 目标检测：sahi Star 增长：400+｜语言：Python New SAHI GitHub 地址→https://github.com/obss/sahi 2.4 马赛克破解：unredacter Star 增长：2,350+｜语言：TypeScript Newunredacter
70920编辑于 2022-04-07 - 来自专栏OpenCV与AI深度学习
提升小水果检测效果：基于块技术的零样本RT-DETR与YOLO-WORLD
然后，我们将继续讨论基于补丁的技术，如SAHI和其他类似方法。最后，我将总结一下检测效果。 现在我们先来谈谈 RT-DETR 以及它为什么如此酷！ 无人机拍摄龙眼试验图像 使用YOLO-WORLD预测（不包括Patch-Based） 模型：yolov8x-worldv2.pt 预测结果跟原图一样： 使用YOLO-WORLD预测（使用SAHI
1K10编辑于 2024-07-26 - 来自专栏集智书童
小目标Trick | Detectron2、MMDetection、YOLOv5都通用的小目标检测解决方案
在这项工作中，提出了一个名为切片辅助超推理(SAHI)的开源框架，该框架为小目标检测提供了一个通用的切片辅助推理和微调管道。 开源地址：https://github.com/obss/sahi sliced_inference 1简介 近年来，目标检测在人脸检测、视频目标检测、视频监控、自动驾驶汽车等不同应用领域得到了广泛的研究 image.png 3.2 Slicing Aided Hyper Inference(SAHI) 图3 Slicing Aided Hyper Inference(SAHI) image.png def SAHI(切片辅助Hyper Inference)是指表1和表2中patch大小分别为640×640和400×400的推理。 表1 从表1可以看出，SAHI使目标检测AP分别提高了6.8%、5.1%和5.3%。SF可进一步提高检测精度，FCOS、VFNet和tod检测器的累计AP分别提高12.7%、13.4%和14.5%。
2.5K20编辑于 2022-04-07 - 来自专栏小徐学爬虫
使用脚本编写 HTTP 查询的更有效方法
另一种基于浏览器记录 + 回放的方法系统是 sahi。如果您的应用程序使用 WSGI，那么 paste 是一个不错的选择。
82710编辑于 2024-09-03 - 来自专栏大数据文摘
入校11年没毕业，印度医学生在耳部植入蓝牙设备作弊！巡查官：已经见怪不怪了
Sahi认为政府不该承担全部责任。他说：“在印度的许多地方，特别是农村地区，都有许多由作弊引起的抱怨。但是，仅仅是政府需要为这一局面承担责任吗？没有群众的支持，政府能够执行公平的测试吗？
56050编辑于 2022-03-18 告别“消失的小目标”：航拍图像检测新框架，精度飙升25.7%的秘诀
现有方法的局限性分析研究团队首先对当前主流方法进行了全面评估：SAHI框架：通过滑动窗口裁剪图像，虽然精度有所提升，但推理速度从 30 FPS 骤降至 18 FPS，实时性大打折扣。
60210编辑于 2025-12-15- 来自专栏FunTester
建立测试自动化策略【译】
例如，如果我们考虑进行Web应用程序自动化测试，则与Sahi相比，Selenium受欢迎并且被广泛使用。 要考虑的第四个方面是该工具的许可成本。但是，这并不像比较入围产品的定价那样简单。
60210发布于 2021-10-08 - 来自专栏OpenMMLab
重点已划好！OpenMMLab 11 月动态一览
v3.0.0rc4 MMYOLO v0.2.0 新功能 支持 YOLOv7 P5 和 P6 模型 支持 YOLOv6 中的 ML 大模型 支持 Grad-Based CAM 和 Grad-Free CAM 基于 sahi
1.1K30编辑于 2022-12-30 打造全场景、跨领域、多模态的AI工作流 | 开源图像标注工具 X-AnyLabeling v2.4.0 正式发布！
此外，针对小目标场景，X-AnyLabeling 中还集成了 SAHI 工具，支持切片推理，可有效提升小目标场景的检测召回率，如上图所示。
4.4K10编辑于 2024-08-27- 来自专栏PaddlePaddle
Yes, PP-YOLOE！80.73mAP、38.5mAP，旋转框、小目标检测能力双SOTA！
为此，我们集成SAHI(Slicing Aided Hyper Inference，切片辅助超推理)框架到PaddleDetection，并创新性地将它应用到训练推理全流程，只需要设置子图边长和子图重叠率
2.1K50编辑于 2022-11-29 - 来自专栏AI智韵
YOLOv8-SMOT：一种高效鲁棒的实时小目标跟踪框架：基于切片辅助训练与自适应关联
像Slicing Aided Hyper Inference (SAHI)[1]等方法主要关注使用切片辅助推理，其训练阶段的切片相对简单。
1K10编辑于 2025-09-11 - 来自专栏DevOps持续交付
中国DevOps社区经典重温：持续集成（上篇）
目前有很多这样的工具，包括FIT、Selenium、Sahi、Watir、FITnesse，还有很多其他工具，我在这里不打算都列出来。 当然，你不能指望测试能发现一切错误。
1.1K30发布于 2020-06-24 - 来自专栏集智书童
YOLC 来袭 | 遥遥领先 ！YOLO与CenterNet思想火花碰撞，让小目标的检测性能原地起飞，落地价值极大 !
R {}^{2} CNN和SAHI将高分辨率图像划分为小重叠裁剪区域，然后在这些区域上进行检测。然而，统一裁剪的缺点是许多裁剪区域只包含背景，导致检测效率低下。
3.3K20编辑于 2024-04-15 - 来自专栏Python编程爱好者
YOLC 来袭 | 遥遥领先 ！YOLO与CenterNet思想火花碰撞，让小目标的检测性能原地起飞，落地价值极大 !
R {}^{2} CNN和SAHI将高分辨率图像划分为小重叠裁剪区域，然后在这些区域上进行检测。然而，统一裁剪的缺点是许多裁剪区域只包含背景，导致检测效率低下。
87910编辑于 2024-04-19 - 来自专栏dongfanger
2020测试工具索引
【Sahi】: designed to solve the everyday problems faced by the testers.
2.6K30发布于 2020-09-23
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号