Hızlı Başlangıç

August 1, 2026 · View on GitHub

SAHI (Slicing Aided Hyper Inference), büyük görselleri örtüşen dilimlere (tiles) ayırarak, her dilimde dedektörünüzü çalıştırıp sonuçları birleştirerek büyük görsellerdeki küçük nesneleri tespit eder. Yeniden eğitim (retraining) gerektirmeden tüm tespit modelleriyle çalışır.

Kurulum

pip install sahi

Object detection için ayrıca bir framework'e ihtiyacınız olacaktır. En yaygın tercih Ultralytics'tir:

pip install ultralytics

??? note "Diğer kurulum yöntemleri"

**Conda:**

[![Conda Downloads](https://img.shields.io/conda/dn/conda-forge/sahi.svg)](https://anaconda.org/conda-forge/sahi)
[![Conda Platforms](https://img.shields.io/conda/pn/conda-forge/sahi.svg)](https://anaconda.org/conda-forge/sahi)

```bash
conda install -c conda-forge sahi
```

!!! note
    CUDA ortamında kurulum yapıyorsanız, `ultralytics`, `pytorch` ve `pytorch-cuda` paketlerini aynı komutta yüklemeniz tavsiye edilir:
    ```bash
    conda install -c pytorch -c nvidia -c conda-forge pytorch torchvision pytorch-cuda=11.8 ultralytics
    ```

**Kaynak koddan:**
```bash
pip install git+https://github.com/obss/sahi.git@main
```

**Geliştirme (düzenlenebilir):**
```bash
git clone https://github.com/obss/sahi
cd sahi
pip install -e .
```

Bağımlılıkların tam listesi için pyproject.toml dosyasına bakabilirsiniz.

Python ile Sliced Prediction

from sahi import AutoDetectionModel
from sahi.predict import get_sliced_prediction

# Load a model (works with any supported framework)
detection_model = AutoDetectionModel.from_pretrained(
    model_type="ultralytics",
    model_path="yolo26n.pt",
    confidence_threshold=0.25,
    device="cuda:0",  # or "cpu"
)

# Run sliced prediction
result = get_sliced_prediction(
    "path/to/your/image.jpg",
    detection_model,
    slice_height=512,
    slice_width=512,
    overlap_height_ratio=0.2,
    overlap_width_ratio=0.2,
)

# Export visualizations
result.export_visuals(export_dir="demo_data/")

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

CLI ile Prediction

Python kodu yazmadan Sliced Inference çalıştırın:

sahi predict \
  --model_path yolo26n.pt \
  --model_type ultralytics \
  --source /path/to/images/ \
  --slice_height 512 \
  --slice_width 512

Sonuçlar varsayılan olarak runs/predict/exp dizinine kaydedilir.

Postprocessing Backend Seçimi

Dilimleme sonrasında SAHI, örtüşen prediction'ları NMS veya NMM ile birleştirir. Mevcut en iyi backend otomatik olarak seçilir:

Backend	Ne zaman seçilir	Kurulum
torchvision	CUDA veya Apple MPS GPU + torchvision mevcut olduğunda	`pip install torch torchvision`
numba	numba yüklü, GPU yok	`pip install numba`
numpy	Her zaman mevcut (fallback)	--

Seçimi manuel olarak geçersiz kılma:

from sahi.postprocess.backends import set_postprocess_backend

set_postprocess_backend("numpy")       # always available
set_postprocess_backend("numba")       # JIT-compiled
set_postprocess_backend("torchvision") # GPU-accelerated
set_postprocess_backend("auto")        # restore auto-detection

Sonraki Adımlar

Sliced Inference Nasıl Çalışır -- Algoritmayı, parametre ipuçlarını ve ne zaman kullanılacağını anlayın
Model Entegrasyonları -- SAHI'yi Ultralytics, HuggingFace, MMDetection, TorchVision, Detectron2 ve daha fazlası ile kullanın
Prediction Araçları -- Toplu (batch) inference, ilerleme takibi, görselleştirme seçenekleri
COCO Araçları -- COCO veri kümelerini oluşturun, dilimleyin, birleştirin ve dönüştürün
CLI Komutları -- Tam CLI referansı
Etkileşimli Notebook'lar -- Tüm framework'ler için uygulamalı Colab notebook'ları