sahi密集检测的推理技巧

最新推荐文章于 2025-03-06 14:58:26 发布
原创 最新推荐文章于 2025-03-06 14:58:26 发布 · 1k 阅读 · 20 ·
CC 4.0 BY-SA版权
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。
文章标签：

#目标跟踪 #人工智能 #计算机视觉

最近在做一些计数的项目，样本中存在一些非常密集的目标，如果混杂一起训练指标很难达到要求，所以考虑在训练时不加入密集目标，训练使用正常的样本，在推理时使用密集检测方案。

在高分辨率图像中检测小目标一直是一个技术挑战，尤其是在无人机监控和卫星图像分析等领域。最近，一个名为 Slicing Aided Hyper Inference (SAHI) 的新技术为我们提供了一种解决方案。这项技术由土耳其安卡拉的OBSS AI和中东技术大学的研究人员共同开发，并在论文 "SLICING AIDED HYPER INFERENCE AND FINE-TUNING FOR SMALL OBJECT DETECTION" 中进行了详细描述。

论文与代码链接

技术方案详解

SAHI技术的核心在于通过图像切片辅助的推理和微调来提高小目标的检测精度。这种方法不仅提高了检测的准确性，而且具有很好的通用性和可扩展性。

方案概述
最低0.47元/天 解锁文章
机器学习笔记 - SAHI：切片辅助超推理与小目标检测的微调论文简读
学以致用 知行合一
06-08 1454
对场景中的小物体和远处物体的检测是目标检测中的一个主要挑战。因为图像中的小物体缺乏足够的细节，使得传统检测器很难检测到它们。这里论文作者提出了一个名为切片辅助超推理（SAHI）的开源框架，为小对象检测提供了一个通用的切片辅助推理和微调管道。所提出的技术是通用的，因为它可以应用于任何可用的物体检测器之上，而无需任何微调。所提出的技术已与Detectron2、MMDetection和YOLOv5模型集成。
YOLOv8+SAHI超分辨率推理：无人机微小目标检测的革命性突破（含完整代码与实战案例
最新发布
LXY_LOVE36的博客
07-04 408
本文提出一种基于SAHI框架的YOLOv8改进方案，显著提升无人机航拍图像中的微小目标检测性能。通过自适应图像切片、多尺度特征融合和置信度加权投票等创新技术，将8K图像中的小目标召回率从30%提升至78%，同时保持30FPS以上实时性。方案已在VisDrone2023测试集验证，mAP@0.5达到72.5%，并在电力巡检无人机中成功部署。文中详细介绍了从环境搭建、数据增强到模型训练和边缘设备部署的全流程，特别针对无人机场景优化了动态切片策略和旋转框检测。实验表明，该方案在200米高空对16×16像素目标的检
密集目标检测
jacke121的专栏
07-12 3834
密集目标检测-Precise Detection in Densely Packed Scenes 论文： https://arxiv.org/pdf/1904.00853v3.pdf 代码： https://github.com/eg4000/SKU110K_CVPR19 使用场景 densely packed scenes，图片中包含很多物体，看起来相似甚至一样，位置非常接近。如超市货架，交通，城市景观。 难点 位置非常接近的相似物体的bounding box预测不准，容易重叠 本文贡献 ..
【论文解读】SAHI：针对小目标检测的切片辅助超推理库
m0_63642362的博客
02-06 9147
当数据集中大部分目标均极小的情况下，使用SAHI可以进一步提高检测精度，并且它可以应用在任何现有的目标检测网络上。
密集人群中的行人检测
10-28
行人检测的好文章，密集人群中的行人检测，机器学习，模式识别的好文章
密集型目标检测网络_目标检测网络之 R-FCN
weixin_36090065的博客
12-24 659
R-FCN 原理R-FCN作者指出在图片分类网络中具有平移不变性(translation invariance),而目标在图片中的位置也并不影响分类结果;但是检测网络对目标的位置比较敏感.因此Faster R-CNN将ROI的特征提取操作放在了最后分类网络中间(靠后的位置)打破分类网络的平移不变性,而不能直接放在网络的末尾.但是这样存在的问题是ROI特征提取不共享计算,导致计算量较大.一般来讲，网...
基于改进YOLOv8(sahi切片，微调，推理策略)实现遥感数据小目标检测(小目标检测能力提升明显).zip
08-21
基于改进YOLOv8(sahi切片，微调，推理策略)实现遥感数据小目标检测(小目标检测能力提升明显).zip 【资源介绍】 该项目旨在利用SAHI（切片、微调、推理）策略提升YOLOv8在遥感数据上的小目标检测能力。 主要功能点 ...
芒果YOLO11改进96：提升篇：YOLO11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）
包括YOLOv5、YOLOv7、YOLOv8等模型改进
11-12 286
提升篇：YOLO11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）
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）
包括YOLOv5、YOLOv7、YOLOv8等模型改进
12-14 2969
YOLOv8《SAHI切片辅助推理解析》推理教程（附推理源代码）
探索实践昏暗光线低光照场景下目标检测，基于YOLOv8全系列【n/s/m/l/x】参数模型开发构建昏暗光线低光照场景下的目标检测识别系统
Together_CZ的博客
04-07 4709
探索实践昏暗光线低光照场景下目标检测，基于YOLOv8全系列【n/s/m/l/x】参数模型开发构建昏暗光线低光照场景下的目标检测识别系统
密集型人脸检测框架设计
yunxinan的专栏
06-22 1622
稠密人脸检测 Locate, Size and Count: Accurately Resolving People in Dense Crowds via Detection 摘要： 引入了密集人群计数的检测框架，并消除了对普遍密度回归范例的需求。典型的计数模型预测图像的人群密度，而不是检测每个人。通常，这些回归方法无法为除计数以外的大多数应用程序准确地定位人员。因此，我们采用一种架构，定位人...
（四十）论文阅读 | 密集目标检测之OPMP
Skies_的博客
11-18 3295
CVPR2020 | 密集目标检测之OPMP
进展 | 密集人群分布检测与计数
小白学视觉
01-20 4034
点击上方“小白学视觉”，选择加"星标"或“置顶”重磅干货，第一时间送达最新密集人群分布预测，人数评估统计、论文、代码、数据集汇概述高密度人群聚集容易发生各种意外事件、所以监控与分析高密度人...
sahi+yolov8实现图像切片推理
JulyLi2019的博客
03-06 2203
本文记录项目中涉及到了无人机正射图像的推理（通常8000像素*8000像素以上），由于模型推理尺寸是640*640的，如果直接整图送入模型推理，推理效果极差，可以考虑采用多个切片进行分别进行推理，最后合并推理结果的方式。SAHI（Slicing Aided Hyper Inference，切片辅助超推理）是一种专为优化小目标检测设计的通用框架，其核心思想是通过图像切片和分层推理提升检测效果，尤其适用于处理大尺寸图像中的小目标。
密集人群检测、计数、姿态估计、关键点检测
xys430381_1的专栏
12-16 1740
进展 | 密集人群分布检测与计数 密集人群检测 上海交大卢策吾团队实时多人姿态估计系统升级，挑战拥挤人群场景 真实场景下拥挤人群中人类姿态估计 CVPR 2019 | 国防科大提出双目超分辨算法，效果优异代码已开源 ...
密集人群检测
yunxinan的专栏
03-06 3595
城市公交超载/高速客运超载项目 MSCNN MSCNN论文：https://arxiv.org/abs/1702.02359 keras代码：https://github.com/xiaochus/MSCNN TensorFlow版本代码：https://github.com/Ling-Bao/mscnn 较好的项目教程地址：https://www.jianshu.com/p/29a213f22b...
密集人群检测与计数论文与开源数据
shuijinghua的博客
12-24 4741
参考资料： http://www.sohu.com/a/338406719_823210 https://blog.youkuaiyun.com/wgc0802402/article/details/97293852 https://zhuanlan.zhihu.com/p/65650998 参考代码： https://github.com/gjy3035/C-3-Framework 论文 1。...
从损失函数解决关于密集遮挡人群的检测问题
baolinq的博客
05-22 2544
关于密集遮挡的行人检测 行人检测是计算机视觉领域的一个重要研究课题，在自动驾驶，视频监控和机器人等各种应用，旨在预测一系列行人实例的边界框。实际上，在现实生活中的复杂情景中，遮挡是行人检测的最重要挑战之一，尤其是在拥挤的场景中。例如在CityPersons数据集中48.8 ％行人其它行人互相遮挡。以前的方法只要求每个预测的边界框都接近其指定的GT，而不考虑它们之间的关系。因此，它们使得检测器对拥...
Repulsion Loss: 解决行人检测中密集遮挡问题
热门推荐
weixin_42615068的博客
09-04 1万+
链接：https://arxiv.org/abs/1711.07752 motivation：目标检测的目的是使产生的proposal能更加接近真是目标框GT，而行人检测中经常会遇到行人密集拥挤的情况，文中称作crowd occlusion，使得训练输出的预测框会由于周围其他目标的影响而干扰最终的输出结果（从下图可以看出）。那么可不可以通过一种方式，阻止proposal由于crowd occlu...
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() ```
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

码农工具百宝箱

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