README.md
July 26, 2026 · View on GitHub
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.
| 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 komutunu kullanma hakkında detaylı bilgiyi CLI dokümantasyonunda bulabilir ve gelişmiş kullanım için prediction API'sini inceleyebilirsiniz.
Hata Analizi Grafikleri & Değerlendirme
Etkileşimli Görselleştirme & İnceleme
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! 🙏