21.8K Star 太好用了！Supervision：強大的電腦視覺工具箱！Python工程師有福了！

2024-09-26碼農

在電腦視覺的世界中，越來越多的任務需要快速高效的處理，比如人體跟蹤、分割、檢測等。

今天為大家推薦一個開源的電腦視覺工具箱 Supervision ，使用它你可以在你電腦上實作人體跟蹤、分割、檢測等一系列電腦視覺的場景。

計畫介紹

Supervision 是一個針對於電腦視覺各種任務的框架工具，可作為Python語言的三方庫直接呼叫，提供了便捷高效的視覺處理方法，可以輕松處理數據集或直觀地展現檢測結果。

還提供了統計特定區域內檢測跟蹤、越線數量統計、切片推理、軌跡平滑等不同電腦視覺任務的方法封裝。可謂是在CV領域，有了它你可以少寫很多展現和計算程式碼。

Supervision 在 GitHub 上贏得了超過 21K 顆星，成為了電腦視覺領域不可或缺的神器。

主要功能

1、自訂模型使用

Supervision 不限於某個特定模型，使用者可以輕松插入自己需要的分類、檢測或分割模型，享受極高的靈活性。

2、數據處理

Supervision 帶有完整的數據處理能力，無論是從硬碟載入數據集，還是在影像或視訊上繪制檢測結果，亦或是將標簽轉換為不同格式，這個工具箱都能助你一臂之力。

3、數據集工具

Supervision 提供了一套工具，允許你在支持的格式中載入、分割、合並和保存數據集。

4、模型連結器

為了方便使用，可以使用最流行的庫（如 Ultralytics、Transformers 或 MMDetection）建立連結器。

5、視覺任務封裝

Supervision 還提供了多種視覺任務的封裝，比如：

• 區域統計 ：跟蹤和統計特定區域內的檢測結果。

• 越線統計 ：計算目標是否跨越特定的界線。

• 切片推理 ：將大影像分割為小塊進行推理。

• 軌跡平滑 ：在目標跟蹤過程中平滑軌跡，減少跳動和不連續。

這些封裝讓你可以專註於核心演算法，而不用花費過多精力在視覺結果的繪制和展示上。

安裝與使用

由於supervision是純Python語言開發的模組，所有直接使用pip安裝即可。

pip install supervision

根據計畫文件，選擇你需要的視覺任務 API，載入模型和數據集，開始進行檢測和處理。

案例1：目標檢測

import cv2 import supervision as sv from ultralytics import YOLO model = YOLO("yolov8n.pt") image = cv2.imread('demo.png') results = model(image)[0] detections = sv.Detections.from_ultralytics(results) box_annotator = sv.BoxAnnotator() label_annotator = sv.LabelAnnotator() labels = [ f"{ class_name}{confidence:.2f}" for class_name, confidence inzip(detections[' class_name'], detections.confidence) ] # 標註辨識框 annotated_image = box_annotator.annotate(scene=image, detections=detections) # 標註辨識標簽和置信度 annotated_image = label_annotator.annotate(scene=annotated_image, detections=detections, labels=labels) cv2.imwrite('demo01.png',annotated_image)

案例2：語意分割

import cv2 import supervision as sv from ultralytics import YOLO model = YOLO("yolov8n-seg.pt") image = cv2.imread('demo.png') results = model(image)[0] detections = sv.Detections.from_ultralytics(results) mask_annotator = sv.MaskAnnotator() label_annotator = sv.LabelAnnotator(text_position=sv.Position.CENTER_OF_MASS) annotated_image = mask_annotator.annotate(scene=image, detections=detections) annotated_image = label_annotator.annotate(scene=annotated_image, detections=detections) cv2.imwrite('demo01.png', annotated_image)