SAHI（Slicing Aided Hyper Inference）是一种提高小目标检测精度的常用方法，它通过在图像的部分区域运行推理，然后累积结果来实现。在本指南中，将展示如何使用SAHI和supervision库来检测图像中的小目标。supervision是一个Python包，提供了一系列计算机视觉项目中常用的工具。supervision的SAHI实现是模型无关的，这意味着可以在多种模型上使用它。将通过一个在海滩图像中检测目标的示例来演示SAHI的使用。
以下是在未使用SAHI和使用SAHI的情况下运行推理的图像示例：左侧为未使用SAHI的结果，右侧为使用SAHI的结果。可以尝试在Roboflow工作流中使用SAHI，具体方法如下：
SAHI是一种在计算机视觉模型上运行推理的技术，它有助于检测图像中的较小目标。SAHI通过在图像的较小部分上运行推理，然后将结果拼接在一起，以显示图像中的所有检测结果。例如，假设正在进行空中调查，想要计算图像中房屋的数量，或者正在监控海滩在高峰时段的繁忙程度。在这两种情况下，预测可能很小，SAHI可以帮助提高目标的检测率。
介绍的SAHI使用方法是模型无关的，支持所有带有supervision数据加载器的模型。无论是使用Roboflow Inference部署的模型，使用Ultralytics YOLOv8 Python包部署的模型，还是使用Transformers Python包中的视图模型，或者是其他带有支持的数据加载器的模型，都可以按照下面的说明使用SAHI。
首先，需要一个模型来运行推理。在本指南中，将使用Roboflow Universe中的一个人检测模型。可以使用任何Roboflow Universe上的模型，与账户关联的私有模型，或者是其他带有supervision数据加载器的模型类型。
将在自己的硬件上使用Roboflow Inference部署此模型。Inference是一个用于生产环境中运行视觉模型的高性能服务器。Inference是Roboflow API背后的技术，为计算机视觉推理提供了数百万次API调用。首先，需要安装Inference。可以使用以下代码来实现：
pip install inference inference-sdk
现在，可以开始编写一个脚本来使用模型和SAHI。创建一个新的Python文件，并添加以下代码：
import supervision as sv
import numpy as np
import cv2
from inference import get_roboflow_model
image_file = "image.jpeg"
image = cv2.imread(image_file)
model = get_roboflow_model(model_id="people-detection-general/5", api_key="API_KEY")
def callback(image_slice: np.ndarray) -> sv.Detections:
results = model.infer(image_slice)[0]
return sv.Detections.from_inference(results)
在这段代码中，定义了一个回调函数，该函数接受一个图像，并使用Roboflow API运行推理并返回结果。当第一次运行程序时，系统会要求使用交互式登录界面登录Roboflow。在上面的代码中，将people-detection-general替换为Roboflow模型ID，将5替换为想要运行的模型版本。
现在已经设置了模型，可以使用SAHI切片器运行推理了。可以使用以下代码来实现：
slicer = sv.InferenceSlicer(callback=callback)
sliced_detections = slicer(image=image)
这段代码创建了一个切片器对象，该对象接受在前一步中定义的模型推理回调函数。然后使用切片器对象对图像运行推理。切片器对象将指定的图像分割成一系列较小的图像，并对这些图像运行推理。
要显示SAHI预测结果，可以使用以下代码：
label_annotator = sv.LabelAnnotator()
box_annotator = sv.BoxAnnotator()
annotated_image = box_annotator.annotate(
scene=image.copy(), detections=sliced_detections)
annotated_image = label_annotator.annotate(
scene=annotated_image, detections=sliced_detections)
sv.plot_image(annotated_image)
以下是使用和未使用SAHI进行推理的结果：左侧是没有使用SAHI处理的图像，右侧是使用SAHI处理的图像。使用SAHI运行模型能够捕获比不使用SAHI时更多的目标。
SAHI是一种提高目标检测模型对小目标检测率的技术。SAHI通过在图像的“切片”上运行推理，然后将结果组合在整个图像上。supervision在其中内置了加载器。结合Roboflow API或自托管的Roboflow Inference解决方案，可以使用SAHI技术在Roboflow上托管的模型上运行推理。