YOLO-Patch-Based-Inference：简化实例分割任务的小对象检测

YOLO-Patch-Based-Inference：简化实例分割任务的小对象检测

YOLO-Patch-Based-Inference Python library for YOLOv8 and YOLOv9 small object detection and instance segmentation 项目地址: https://gitcode.com/gh_mirrors/yo/YOLO-Patch-Based-Inference

项目介绍

YOLO-Patch-Based-Inference 是一个基于 Python 的开源库，旨在简化类似于 SAHI 的推理方法，用于图像中的实例分割任务。它能够检测图像中的小对象，并适用于目标检测和实例分割任务。该库支持 Ultralytics 的多种模型，并提供了一种优雅的可视化推理结果的自定义方式，适用于所有模型。

项目技术分析

YOLO-Patch-Based-Inference 库的核心是采用 patch-based 推理机制，该机制将图像划分为多个小块（patches），并对每个小块进行检测或分割，最后将结果合并。这种方法特别适用于检测小对象，因为它可以减少由于对象尺寸小而导致的定位误差。

该库支持的模型包括 YOLOv8、YOLOv8-seg、YOLOv9、YOLOv9-seg、YOLOv10、FastSAM 和 RTDETR。用户可以选择预训练的模型，也可以使用自定义训练的模型来满足不同的任务需求。

项目及技术应用场景

YOLO-Patch-Based-Inference 可以应用于多种场景，如：

• 工业检测：在制造过程中检测并分类小型部件。
• 机器人视觉：帮助机器人识别和避让路径中的小障碍物。
• 医学图像分析：在医学图像中识别和分割微小病变。

项目特点

1. 多模型支持：支持 Ultralytics 的多种模型，提供了灵活的选择空间。
2. 小对象检测优化：通过 patch-based 推理机制优化小对象的检测。
3. 自定义可视化：允许用户自定义推理结果的可视化展示。
4. 易于使用：提供了交互式笔记本和详细的 YouTube 教程，方便用户快速上手。

以下是一个简单的使用示例：

import cv2
from patched_yolo_infer import MakeCropsDetectThem, CombineDetections

# 加载图像
img_path = "test_image.jpg"
img = cv2.imread(img_path)

# 创建 MakeCropsDetectThem 实例
element_crops = MakeCropsDetectThem(
    image=img,
    model_path="yolov8m.pt",
    segment=False,
    shape_x=640,
    shape_y=640,
    overlap_x=50,
    overlap_y=50,
    conf=0.5,
    iou=0.7,
)

# 结果合并
result = CombineDetections(element_crops, nms_threshold=0.25)

# 提取结果
img = result.image
confidences = result.filtered_confidences
boxes = result.filtered_boxes
# ... 其他属性

在撰写本文时，已经注意到 SEO 收录规则，以下是文章的关键词优化部分：

• 核心关键词：YOLO-Patch-Based-Inference，实例分割，小对象检测，Ultralytics 模型。
• 长尾关键词：Python 图像处理库，目标检测算法，工业检测应用。

通过以上内容，我们相信 YOLO-Patch-Based-Inference 将为相关领域的研究者和开发者提供一个强大的工具，帮助他们更高效地完成小对象的检测和分割任务。欢迎感兴趣的用户尝试并使用这个开源项目。

YOLO-Patch-Based-Inference Python library for YOLOv8 and YOLOv9 small object detection and instance segmentation 项目地址: https://gitcode.com/gh_mirrors/yo/YOLO-Patch-Based-Inference