• Вам нужен срез (плиточный) вывод для обнаружения небольших объектов на спутниковых изображениях или изображениях с высоким разрешением?
  • Нужны ли вам объяснимые метрики для вашей модели обнаружения (анализ возможных улучшений)?
  • Вам нужен интерактивный пользовательский интерфейс для визуализации ошибочных прогнозов?
  • Вы полагаетесь на модели YOLOv5?

Все это возможно с интеграцией SAHI YOLOv5 🚀



GitHub — obss/sahi: Облегченная библиотека машинного зрения для обнаружения крупномасштабных объектов/…
Обнаружение объектов и сегментация экземпляров, безусловно, являются наиболее важными областями приложений в области компьютерного зрения. …github.com



В этом посте вы найдете инструкции по установке, выводу срезов, анализу ошибок и интерактивной визуализации для ваших моделей YOLOv5. .

Монтаж

✔️ Установите Pytorch:

conda install pytorch=1.10.0 torchvision=0.11.1 cudatoolkit=11.3 -c pytorch

✔️ Установите САХИ:

conda install sahi -c conda-forge
or
pip install -U sahi

✔️ Установите YOLOv5:

pip install -U yolov5

Нарезанный прогноз

✔️ Используйте свой весовой путь для выполнения логического вывода:

sahi predict --source image_dir/ --model_type yolov5 --model_path yolov5s.pt --slice_height 512 --slice_width 512

Графики/метрики анализа ошибок

✔️ Создайте результаты прогнозирования в формате COCO, используя набор данных в формате COCO:

sahi predict --source image_dir/ --dataset_json_path dataset.json --model_type yolov5 --model_path yolov5s.pt --no_sliced_prediction

✔️ Создайте графики анализа ошибок, используя созданный файл result.json:

sahi coco analyse --dataset_json_path dataset.json --result_json_path result.json

🎯 Значение показателей:

C75: Результаты при пороге 0,75 IOU
C50: Результаты при пороге 0,50 IOU
Loc: Результаты после игнорирования ошибок локализации
Sim:Результаты после игнорирования ложных срабатываний суперкатегории
Другое: Результаты после игнорирования всех путаниц с категориями
BG: Результаты после игнорирования всех ложноположительных результатов
FN: Результаты после игнорирования всех ложноотрицательных результатов

📈 Возможные улучшения модели:

C75-C50 и C50-Loc=Потенциальный выигрыш за счет более точного прогнозирования ограничивающей рамки
Loc-Sim=Потенциальный выигрыш после устранения путаницы в надкатегориях
>Loc-Oth=Потенциальный выигрыш после исправления путаницы в категориях
Oth-BG=Потенциальный выигрыш после исправления всех ложных срабатываний
BG-FN=Потенциальный выигрыш после исправления всех ложноотрицательных результатов

Интерактивная визуализация

✔️ Установите пятьдесят один:

pip install -U fiftyone

✔️ Запустите пятьдесят одно веб-приложение с результатами вашего прогноза:

sahi coco fiftyone --dataset_json_path dataset.json --image_dir image_dir/ result.json