主要观点总结
本文介绍了如何使用切片辅助的超级推断（SAHI）来检测数据集中的小物体。文章涵盖了SAHI的工作原理、如何应用它以及评估预测质量的方法。
关键观点总结
关键观点1: 为什么检测小物体很困难
物体很小，检测模型可用的信息就少。如果物体在远处，可能只占图像中的几个像素。类似于人类难以识别远处的物体，我们的模型在没有视觉可辨识特征的情况下更难识别物体。
关键观点2: SAHI的工作原理
理论上，可以在较大的图像上训练模型以提高小物体的检测能力。但实际上，这将需要更多的内存、计算能力和数据集创建。SAHI的方法是利用现有的目标检测模型，将其应用于图像中固定大小的切片，然后将结果合并在一起。SAHI中的“超级”来自于其输出不是模型推断的结果，而是涉及多个模型推断的计算结果。
关键观点3: 如何使用SAHI检测小物体
首先，需要确定使用的目标检测模型和切片超参数。然后，使用SAHI对图像进行切片预测。最后，将预测结果添加到数据集的相应标签字段中。
关键观点4: 如何评估SAHI的预测质量
使用FiftyOne的评估API来比较SAHI的预测与ground truth标签。可以通过计算精确度、召回率和F1分数来评估预测质量。还可以深入研究这些结果，看看不同大小的物体或不同类别的物体的检测效果如何。
关键观点5: 后续工作
可以尝试调整切片超参数、基本目标检测模型、置信度阈值以及后处理技术，以进一步提高SAHI的效果。重要的是要超越单一数字指标，处理小物体检测任务时，需要考虑图像中小物体的比例，可能需要通过人工干预来纠正潜在的错误。
文章预览
点击下方 卡片 ，关注“ 小白玩转Python ”公众号 利用切片辅助的超级推断 目标检测是计算机视觉中的基本任务之一。在高层次上，它涉及预测图像中物体的位置和类别。像You-Only-Look-Once（YOLO）系列中的最先进（SOTA）深度学习模型已经达到了令人瞩目的准确度。然而，目标检测中一个众所周知的挑战是小物体。 在本文中，您将学习如何使用切片辅助的超级推断（SAHI）来检测数据集中的小物体。我们将涵盖以下内容： 为什么检测小物体很困难 SAHI 的工作原理 如何将 SAHI 应用于您的数据集 如何评估这些预测的质量 为什么检测小物体很困难？ 它们很小 首先，检测小物体很困难，因为小物体很小。物体越小，检测模型可用的信息就越少。如果汽车远处，它可能只占据图像中的几个像素。与人类难以辨认远处物体的情况类似，我们的模型在没有视觉可
………………………………
