YOLOv11改进 | 进阶实战篇 | 利用辅助超推理算法SAHI让小目标无所谓遁形（支持视频和图片推理）

已于 2024-11-14 11:51:29 修改
阅读量2.7k 收藏 23
点赞数 8
CC 4.0 BY-SA版权
分类专栏： YOLOv11有效涨点专栏 文章标签： 人工智能 计算机视觉 深度学习 YOLO 目标检测 python YOLOv11
于 2024-11-13 23:58:08 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/java1314777/article/details/143754608

 

 欢迎大家订阅我的专栏一起学习YOLO！   

一、本文介绍

本文给大家带来的最新改进是进阶实战篇，利用辅助超推理算法SAHI进行推理，同时官方提供的版本中支持视频，我将其进行改造后不仅支持视频同时支持图片的推理方式，SAHI主要的推理场景是针对于小目标检测（检测物体较大的不适用，因为会将一些大的物体切割开来从而导致误检），检测效果非常的好对于小目标检测，尤其是无人机航拍的图片检测或者远距离拍摄的图片，本文中附代码+详细的参数讲解并有教程示例！

专栏回顾：YOLOv11改进系列专栏——本专栏持续复习各种顶会内容——科研必备

目录

一、本文介绍

二、论文的提出

三、项目完整代码

四、参数解析 

五、项目的使用教程

5.1 步骤一

5.2 步骤二

5.3 步骤三

5.4 重要的超参数！ 

了解本专栏 订阅专栏 解锁全文
算法联调篇 | YOLOv8 结合切片辅助超推理算法 | 这才叫让小目标无处遁形！| 使用 YOLOv8 和 SAHI 进行切片推理
YOLOv8项目贡献者
09-04 5940
算法联调篇 | YOLOv8 结合切片辅助超推理算法 | 这tm才叫让小目标无处遁形！
YOLOv8改进 | 进阶实战篇 | 利用辅助超推理算法SAHI推理让小目标无所谓遁形（支持视频和图片）
走向CTO的路上...
06-14 1061
目标检测算法在近年来取得了长足的进步，但在检测小目标方面仍然存在一些挑战。小目标往往由于尺寸较小、特征信息不足等原因，难以被检测算法准确识别。为了解决这一问题，本文提出了一种利用辅助超推理算法SAHI推理让小目标无所谓遁形的方案。SAHI是一种基于超推理的辅助推理算法，它可以利用相邻图像的信息来增强小目标的特征信息，从而提高检测精度。该算法在多个目标检测数据集上都取得了显著的性能提升。SAHI算法是一种利用辅助超推理来增强小目标特征信息的有效方法，可以显著提高YOLOv8模型在小目标检测任务上的精度。
YOLOv8最新改进系列：SAHI -专门针对小目标检测的推理-切片辅助超推理！小目标检测实战有效！上大分、遥遥领先了家人们！！！
B站 Ai学术叫叫兽的文案地
10-24 1万+
YOLOv8最新改进系列：SAHI -专门针对小目标检测的推理-切片辅助超推理！小目标检测实战有效！上大分、遥遥领先了家人们！！！
【YOLO改进】二、YOLOV11-检测头篇
热门推荐
qq_55068938的博客
01-24 1万+
目标检测领域里，小目标一直是一个难点问题，虽然我们可以用YOLO+SAHI的方式进行滑动窗口推理以提升准确率，但是他的耗时会线性增强，毕竟一张大图会被切成很多小图去推理，所以在很多场景下无法得到应用。这里，我们从探测头入手，在原有的基础上在增加一个探测头以用于检测小目标。
YOLO11+SAHI输出指标
Python_jerry的博客
04-09 384
一致，可以通过下面函数传给他image_id,比如验证集json使用的是文件名，那么这里就要传给他文件名。将结果转化为coco所需的json格式，这里需要与验证集的一致，我理解是imge_id。首先使用sahi结合你的模型进行检测，这里面wh还有重叠率决定了切片数量和检测用时。使用get_sliced_prediction函数得到推理结果。3.使用上述两段代码生成的json来计算coco指标。先是定义模型，将权重传入，并设置置信度。1.之后是生成json的完整代码。2.然后是对测试集生成。
基于改进YOLOv8(sahi切片，微调，推理策略)实现遥感数据小目标检测(小目标检测能力提升明显).zip
08-21
基于改进YOLOv8(sahi切片，微调，推理策略)实现遥感数据小目标检测(小目标检测能力提升明显).zip 【资源介绍】 该项目旨在利用SAHI（切片、微调、推理）策略提升YOLOv8在遥感数据上的小目标检测能力。 主要功能点 采用SAHI策略对遥感图像进行切片、微调和推理,以提高YOLOv8在小目标检测方面的性能。 在遥感数据集上测试和验证该方法的有效性。 技术栈 Python SAHI库 YOLOv8目标检测模型 【说明】 【1】项目代码完整且功能都验证ok，确保稳定可靠运行后才上传。欢迎下载使用！在使用过程中，如有问题或建议，请及时私信沟通，帮助解答。 【2】项目主要针对各个计算机相关专业，包括计科、信息安全、数据科学与大数据技术、人工智能、通信、物联网等领域的在校学生、专业教师或企业员工使用。 【3】项目具有较高的学习借鉴价值，不仅适用于小白学习入门进阶。也可作为毕设项目、课程设计、大作业、初期项目立项演示等。 【4】如果基础还行，或热爱钻研，可基于此项目进行二次开发，DIY其他不同功能，欢迎交流学习。 【注意】 项目下载解压后，项目名字和项目路径不要用中文，否则可能会出
使用SAHI提升YOLO模型对小目标的检测效果
weixin_45474825的博客
12-19 1163
SAHI（Slicing Aided Hyper Inference）是一个用于对大型图像/小物体执行切片推理的计算机视觉库。它主要用于解决目标检测任务中，特别是小目标检测的问题。
YOLOv8结合SAHI推理图像和视频
Dora_blank的博客
07-07 4325
在上一篇文章中，我们深入探讨了如何通过结合YOLOv8和SAHI来增强小目标检测效果，并计算了相关评估指标，虽然我们也展示了可视化功能，但是这些功能往往需要结合实际的ground truth（GT）数据进行对比，这在实际操作中可能会稍显不便。为了进一步简化操作，这篇文章将直接分享可以用来推理图像和视频的代码，通过这段代码，我们能够更加方便地使用SAHI进行小目标检测，而不需要反复处理和对比GT数据。不多说啦，以下是完整的代码示例，供大家参考使用。
算法联调篇 | YOLOv11 结合切片辅助超推理算法 | 这才叫让小目标无处遁形！| 使用 YOLOv11 和 SAHI 进行切片推理
YOLOv8项目贡献者
11-19 2079
算法联调篇 | YOLOv11 结合切片辅助超推理算法 | 这才叫让小目标无处遁形！| 使用 YOLOv11 和 SAHI 进行切片推理
YOLOv8+SAHI小目标检测：使用ONNX模型进行推理
深度学习领域
02-28 5699
SAHI是一个功能强大的小目标检测库，特别适合处理高质量图像中的小目标检测任务。尽管这种方法可能会导致处理时间增加，但它为需要高精度小目标检测的应用场景提供了一种有效的解决方案。希望本文能帮助你了解SAHI的使用场景和配置方法，如果有任何问题，欢迎留言讨论。
Sahi+Yolov10
AP1005834的博客
07-06 1498
sahi 目前支持yolo5\yolo8\mmdet\detection2 等等算法，本篇主要通过实验onnx加载模型的方式使sahi支持yolov10。修改 _post_process 函数 ， 主要是由于yolov8 和yolov10 输出 shape有所不同，yolov10没有nms。首先使用 conda创建虚拟环境，配置好yolov10环境，然后 pip 将sahi 安装上。将yolov10 模型导出为 onnx格式文件，命令窗cd 至 模型文件所在目录 执行。
基于YOLOv11的火灾检测：小白也能听懂的全流程实战讲解【2025最新版！】
举个栗子的博客
03-05 1830
在这篇博客中，我将详细介绍如何基于预训练权重，利用公共数据集完成火灾检测的全流程，包括数据集划分、模型训练、验证、推理、可视化，以及超参数调节。同时，我还会展示如何支持图片、视频和外置相机的识别，探讨学术界与工业界的常见方法，并分享一些实用经验
OpenCV与AI深度学习 | YOLO11介绍及五大任务推理演示(目标检测，图像分割，图像分类，姿态检测，带方向目标检测)
csdn_xmj的博客
10-08 2773
在不断发展的 AI 世界中，有一件事是我们可以确定的：模型会变得越来越好、越来越快、越来越智能。就在你认为 YOLO 系列已经达到顶峰时，Ultralytics 发布了最新升级版 — YOLO11。没错，不是YOLOv11 — 他们通过删除“v”实现了极简主义。这就像 YOLO 同时理发和升职一样。
YOLO11模型推理 | 目标检测与跟踪 | 实例分割 | 关键点估计 | OBB旋转目标检测
黎国溥
10-09 1万+
本文分享YOLO11的模型推理，检测任务包括物体分类、目标检测与跟踪、实例分割 、关键点估计、旋转目标检测等。
Datawhale 科大讯飞AI大赛（模型蒸馏）
最新发布
1ncludeSteven
07-27 1308
使用教师模型蒸馏学生模型（小模型），使得学生模型尽可能在数学推理任务中表现更好，评分标准由4个指标组成：Overall Score=0.4×AS+0.3×CQS+0.2×ES+0.1×MLS。通过上述方法构建了3个对应的数据集，目前想要对最终的模型使用的数据集进行消融实验，训练及评分过程较慢。三个数据集合并后共包含2126条数据。模型微调后，创建应用，发布服务即可提交赛题，目前赛题评分中，待更新最后分数。
跨境支付入门～国际支付结算（风控篇）
lkf19711的博客
07-25 1622
跨境支付企业的"吞金兽"：风控系统成为最大成本黑洞。这类系统需采购海量第三方数据（年费超千万），并应对国际卡组织的高额合规要求（如VISA系统年增300万美元成本）。核心防控AML（反洗钱）和CFT（反恐融资）风险，通过四阶KYC认证体系（证件核验到持续监控）和KYB企业审查（股权穿透到贸易背景验证）。采用AI检测（准确率98.7%）、知识图谱等技术，并实施分级审核策略（CDD/EDD）。风控系统需融合3000+规则引擎和机器学习模型，实现全流程监控，是跨境支付企业的生死线。
大模型开发
2302_81352523的博客
07-23 1809
AI（人工智能）是使机器具备类人思考和解决问题能力的技术，其核心是Transformer神经网络模型（如GPT）。大模型应用结合传统编程实现记忆等复杂功能，应用开发技术包括Prompt问答、微调、Agent调用和RAG（外挂知识库），适用于客服、医疗、办公自动化等场景。AI通过数据训练掌握语言规律，处理模糊性问题，与传统程序互补形成强大应用。
RoPE：相对位置编码的旋转革命——原理、演进与大模型应用全景
拒绝AI玄学，只聊真技术▲
07-26 2583
RoPE通过几何旋转的统一框架，实现了位置编码的相对性、可逆性与外推性的平衡，成为大模型位置感知的基石技术。跨模态统一：N维李群框架支撑视频、3D点云位置建模动态频率学习：替代预设θbaseθbase​，实现任务自适应编码鲁棒性增强：融合FoPE思想抵抗深层频谱损坏RoPE的本质是将位置关系映射为复数空间的旋转群——它不仅是Transformer的“位置感知器”，更是AI理解时空的数学透镜。当旋转矩阵的维度从文本扩展到图像、视频乃至物理世界，位置编码的数学之美正在重构AI对世界的认知方式。
统计与大数据分析与数学金融方向课程差异有哪些？如何提升职场竞争力？
LRQ2025的博客
07-23 1356
统计与大数据分析和数学金融专业存在显著课程重叠（概率统计、编程、优化等），但主攻方向不同。统计侧重机器学习、大数据处理及广泛领域应用；数学金融则深入金融建模、衍生品定价等专业领域。建议新生结合兴趣（数据算法vs金融建模）与职业规划（数据科学家vs量化分析师），利用大一大二共同基础课程进行体验后选择。两个专业基础课高度相似，扎实掌握数学与编程核心能力是关键。
遥感数据中实现小目标检测的YOLOv8改进方案
资源摘要信息: "基于改进YOLOv8(sahi切片，微调，推理策略)实现遥感数据小目标检测(小目标检测能力提升明显).zip" 本项目的目标是通过采用SAHI（Slicing, Adapting, HyperInference）策略来提升YOLOv8模型在遥感...
评论 2
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

Snu77

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值