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！！！_yolov8 sahi

YOLOv8最新改进系列

SAHI提出的论文戳这

详细的改进教程以及源码，戳这！戳这！！戳这！！！B站：AI学术叫叫兽 源码在相簿的链接中，动态中也有链接，感谢支持！祝科研遥遥领先！

截止到发稿时，B站YOLOv8最新改进系列的源码包，已更新了35种+损失函数的改进！自己排列组合2-4种后，不考虑位置已达8万种以上改进方法！考虑位置不同后可排列上百万种！！专注AI学术，关注B站博主：AI学术叫叫兽！

另外：新建了数据集推荐汇总栏目，一并放入系列改进的资料之中，已获取资料的朋友自行提取即可！遥遥领先！！

一、SAHI概述

对象检测是迄今为止计算机视觉中最重要的应用领域。然而，小物体的检测和大图像的推理仍然是实际使用中的主要问题，这是因为小目标物体有效特征少，覆盖范围少。小目标物体的定义通常有两种方式。一种是绝对尺度定义，即以物体的像素尺寸来判断是否为小目标，如在COCO数据集中，尺寸小于32×32像素的目标被判定为小目标。另外一种是相对尺度定义，即以物体在图像中的占比面积比例来判断是否为小目标，例如国际光学工程学会SPIE定义，若目标尺寸小于原图的0.12%则可以判定成小目标。
SAHI: Slicing Aided Hyper Inference（切片辅助超推理）通过图像切片的方式来检测小目标。SAHI检测过程可以描述为：通过滑动窗口将图像切分成若干区域，各个区域分别进行预测，同时也对整张图片进行推理。然后将各个区域的预测结果和整张图片的预测结果合并，最后用NMS（非极大值抑制）进行过滤。用动图表示该识别过程如下：

理论相关知识，点击论文链接自行详细阅读即可，在此不再赘述！

二、实验

2.1 找到系列改进资料中的报错解决文件

2.2 按照要求安装相关库即可

2.3 执行命令

`python SAHI-detect.py`

1
2

三、参数调优

这里决定着切片的大小和数量，根据自己的数据来调整。

以VisDrone2019数据集为例，在不同的参数下测试，如下所示：

3.1 长宽400

slice_height = 400,
slice_width = 400,
overlap_height_ratio = 0.05,
overlap_width_ratio = 0.05
1
2
3
4

3.2 长宽800

slice_height = 800,
slice_width = 800,
overlap_height_ratio = 0.05,
overlap_width_ratio = 0.05
1
2
3
4

3.3 长宽100

实际上参数的数值具有无限多，因此，在此篇博文仅举以上三种作为展示。

快点动手自己DIY吧！！！

干完收工！
关注B站：AI学术叫叫兽
从此走上科研快速路
遥遥领先同行！！！！

详细的改进教程以及源码，戳这！戳这！！戳这！！！B站：AI学术叫叫兽 源码在相簿的链接中，动态中也有链接，感谢支持！祝科研遥遥领先！