计算机视觉必备工具包Supervision

各位，Supervision是计算机视觉的必备工具包，从数据加载到实时区域计数，它提供基础组件，能让用户专注于围绕模型构建应用程序。

安装方式

在Python >= 3.9的环境中，可使用Pip安装 `supervision` 包，命令为：pip install supervision。也可以在其指南中了解更多关于使用Conda、Mamba安装以及从源代码安装的信息。

快速开始：模型

Supervision设计为与模型无关，用户可以接入任何分类、检测或分割模型。为方便使用，它为最流行的库（如Ultralytics、Transformers、MMDetection或Inference）创建了连接器，其他集成（如 `rfdetr`）已经可以直接返回 `sv.Detections`。使用以下命令安装此示例的可选依赖项：pip install pillow rfdetr。示例代码如下：

import supervision as sv
from PIL import Image
from rfdetr import RFDETRSmall

image = Image.open(...)
model = RFDETRSmall()
detections = model.predict(image, threshold=0.5)
len(detections)  # 5

更多模型连接器：推理

使用Inference运行需要Roboflow API KEY。示例代码如下：

import supervision as sv
from PIL import Image
from inference import get_model

image = Image.open(...)
model = get_model(model_id="rfdetr-small", api_key="ROBOFLOW_API_KEY")
result = model.infer(image)[0]
detections = sv.Detections.from_inference(result)
len(detections)  # 5

标注器

Supervision提供了广泛且高度可定制的标注器，能让用户为自己的用例创建完美的可视化效果。示例代码如下：

import cv2
import supervision as sv

image = cv2.imread(...)
detections = sv.Detections(...)
box_annotator = sv.BoxAnnotator()
annotated_frame = box_annotator.annotate(scene=image.copy(), detections=detections)

[supervision-0.16.0-annotators.mp4](supervision-0.16.0-annotators.mp4)

数据集

Supervision提供了一组实用工具，可让用户以支持的格式加载、拆分、合并和保存数据集。示例代码如下：

import supervision as sv
from roboflow import Roboflow

project = Roboflow().workspace("WORKSPACE_ID").project("PROJECT_ID")
dataset = project.version("PROJECT_VERSION").download("coco")
ds = sv.DetectionDataset.from_coco(
    images_directory_path=f"{dataset.location}/train",
    annotations_path=f"{dataset.location}/train/_annotations.coco.json",
)
path, image, annotation = ds[0]  # 按需加载图像
for path, image, annotation in ds:  # 按需加载图像
    pass

更多数据集实用工具

包括加载、拆分、合并、保存和转换数据集等操作，示例代码如下：

加载数据集

dataset = sv.DetectionDataset.from_yolo(
    images_directory_path=...,
    annotations_directory_path=...,
    data_yaml_path=...,
)
dataset = sv.DetectionDataset.from_pascal_voc(
    images_directory_path=...,
    annotations_directory_path=...,
)
dataset = sv.DetectionDataset.from_coco(
    images_directory_path=...,
    annotations_path=...,
)

拆分数据集

train_dataset, test_dataset = dataset.split(split_ratio=0.7)
test_dataset, valid_dataset = test_dataset.split(split_ratio=0.5)
len(train_dataset), len(test_dataset), len(valid_dataset)  # (700, 150, 150)

合并数据集

ds_1 = sv.DetectionDataset(...)
len(ds_1)  # 100
ds_1.classes  # ['dog', 'person']
ds_2 = sv.DetectionDataset(...)
len(ds_2)  # 200
ds_2.classes  # ['cat']
ds_merged = sv.DetectionDataset.merge([ds_1, ds_2])
len(ds_merged)  # 300
ds_merged.classes  # ['cat', 'dog', 'person']

保存数据集

dataset.as_yolo(
    images_directory_path=...,
    annotations_directory_path=...,
    data_yaml_path=...,
)
dataset.as_pascal_voc(
    images_directory_path=...,
    annotations_directory_path=...,
)
dataset.as_coco(
    images_directory_path=...,
    annotations_path=...,
)

转换数据集

sv.DetectionDataset.from_yolo(
    images_directory_path=...,
    annotations_directory_path=...,
    data_yaml_path=...,
).as_pascal_voc(
    images_directory_path=...,
    annotations_directory_path=...,
)

教程

想学习如何使用 `Supervision` 吗？可以探索其操作指南、端到端示例、速查表和实用手册。以下是两个教程：

• [计算机视觉的驻留时间分析 | 实时流处理](Dwell Time Analysis with Computer Vision | Real-Time Stream Processing)，创建时间：2024年4月5日。学习如何使用计算机视觉分析等待时间并优化流程，涵盖目标检测、跟踪以及计算在指定区域内的停留时间，可运用这些技术改善零售、交通管理或其他场景中的客户体验。
• [速度估计与车辆跟踪 | 计算机视觉 | 开源](Speed Estimation & Vehicle Tracking | Computer Vision | Open Source)，创建时间：2024年1月11日。学习如何使用YOLO、ByteTrack和Roboflow Inference跟踪和估计车辆速度，涵盖目标检测、多目标跟踪、检测过滤、透视变换、速度估计、可视化改进等内容。

使用 `Supervision` 构建的项目

如果用户使用 `Supervision` 构建了很酷的项目，可以告诉官方。以下是一些项目示例：

• [football-players-tracking-25.mp4](football-players-tracking-25.mp4)
• [traffic_analysis_result.mov](traffic_analysis_result.mov)
• [vehicles-step-7-new.mp4](vehicles-step-7-new.mp4)

文档

访问其文档页面，可了解 `Supervision` 如何帮助用户更快速、更可靠地构建计算机视觉应用程序。

贡献

官方欢迎用户参与，用户可查看其贡献指南以开始贡献，同时感谢所有贡献者！