wehub-resource-sync
c6d676eb47
12 KiB
Note
本文档由 WeHub 基于上游 README 翻译整理，属于社区翻译，非官方中文文档。
English · 原始项目 · 上游 README
原作者、版权与许可证归属以原始项目及本仓库 LICENSE 文件为准。
👋 你好
我们是你在计算机视觉（computer vision）领域的必备工具包。 从数据加载到实时区域计数，我们提供各类基础模块，让你可以专注于围绕模型构建应用。🤝
💻 安装
在 Python>=3.10 环境中，使用 pip 安装 supervision 包。
pip install supervision
如需了解 conda、mamba 及从源码安装的更多内容，请参阅我们的指南.
🔥 快速入门
模型
Supervision 在设计上是模型无关（model agnostic）的。你可以直接接入任意分类、检测或分割模型。为方便使用，我们为 Ultralytics、Transformers、MMDetection、Inference 等最流行的库创建了连接器。其他集成方式（如 rfdetr）已能直接返回 sv.Detections。
使用 pip install pillow rfdetr 安装本示例所需的可选依赖。
import supervision as sv
from PIL import Image
from rfdetr import RFDETRSmall
image = Image.open("path/to/image.jpg")
model = RFDETRSmall()
detections = model.predict(image, threshold=0.5)
len(detections)
# 5
👉 更多模型连接器
-
inference
使用 Inference 运行需要 Roboflow API KEY.
import supervision as sv from PIL import Image from inference import get_model image = Image.open("path/to/image.jpg") model = get_model(model_id="rfdetr-small", api_key="ROBOFLOW_API_KEY") result = model.infer(image)[0] detections = sv.Detections.from_inference(result) len(detections) # 5
标注器
Supervision 提供大量高度可自定义的标注器,，可让你为具体场景组合出完美的可视化效果。
import cv2
import supervision as sv
image = cv2.imread("path/to/image.jpg")
# Assuming detections are obtained from a model
detections = sv.Detections(...)
box_annotator = sv.BoxAnnotator()
annotated_frame = box_annotator.annotate(scene=image.copy(), detections=detections)
https://github.com/roboflow/supervision/assets/26109316/691e219c-0565-4403-9218-ab5644f39bce
数据集
Supervision 提供一组工具函数，支持以支持的格式之一加载、拆分、合并和保存数据集。
import supervision as sv
from roboflow import Roboflow
project = Roboflow().workspace("WORKSPACE_ID").project("PROJECT_ID")
dataset = project.version("PROJECT_VERSION").download("coco")
ds = sv.DetectionDataset.from_coco(
images_directory_path=f"{dataset.location}/train",
annotations_path=f"{dataset.location}/train/_annotations.coco.json",
)
path, image, annotation = ds[0]
# loads image on demand
for path, image, annotation in ds:
# loads image on demand
pass
👉 更多数据集工具
-
load
dataset = sv.DetectionDataset.from_yolo( images_directory_path=..., annotations_directory_path=..., data_yaml_path=..., ) dataset = sv.DetectionDataset.from_pascal_voc( images_directory_path=..., annotations_directory_path=..., ) dataset = sv.DetectionDataset.from_coco( images_directory_path=..., annotations_path=..., ) -
split
train_dataset, test_dataset = dataset.split(split_ratio=0.7) test_dataset, valid_dataset = test_dataset.split(split_ratio=0.5) len(train_dataset), len(test_dataset), len(valid_dataset) # (700, 150, 150) -
merge
ds_1 = sv.DetectionDataset(...) len(ds_1) # 100 ds_1.classes # ['dog', 'person'] ds_2 = sv.DetectionDataset(...) len(ds_2) # 200 ds_2.classes # ['cat'] ds_merged = sv.DetectionDataset.merge([ds_1, ds_2]) len(ds_merged) # 300 ds_merged.classes # ['cat', 'dog', 'person'] -
save
dataset.as_yolo( images_directory_path=..., annotations_directory_path=..., data_yaml_path=..., ) dataset.as_pascal_voc( images_directory_path=..., annotations_directory_path=..., ) dataset.as_coco( images_directory_path=..., annotations_path=..., ) -
convert
sv.DetectionDataset.from_yolo( images_directory_path=..., annotations_directory_path=..., data_yaml_path=..., ).as_pascal_voc( images_directory_path=..., annotations_directory_path=..., )
🎬 教程
想了解如何使用 Supervision？可浏览我们的操作指南,、端到端示例、速查表, 和 cookbook!
Dwell Time Analysis with Computer Vision | Real-Time Stream Processing
了解如何使用计算机视觉分析等待时间并优化流程。本教程涵盖目标检测、跟踪，以及计算在指定区域内的停留时间。可将这些技术用于提升零售、交通管理等场景下的客户体验。
学习如何使用 YOLO、ByteTrack 和 Roboflow Inference 跟踪并估算车辆速度。本综合教程涵盖目标检测（object detection）、多目标跟踪（multi-object tracking）、检测结果过滤、透视变换（perspective transformation）、速度估算、可视化改进等内容。
💜 使用 Supervision 构建
你是否使用 supervision 构建了很酷的项目？告诉我们！
https://github.com/roboflow/supervision/assets/26109316/c9436828-9fbf-4c25-ae8c-60e9c81b3900
https://github.com/roboflow/supervision/assets/26109316/3ac6982f-4943-4108-9b7f-51787ef1a69f
📚 文档
访问我们的文档 页面，了解 supervision 如何帮助你更快、更可靠地构建计算机视觉应用。
🏆 贡献
我们欢迎你的反馈！请查阅我们的贡献指南开始参与。感谢 🙏 所有贡献者！
