Supervision: 强大的计算机视觉工具库

supervision

什么是Supervision?

Supervision是由Roboflow开发的开源计算机视觉工具库,旨在为开发者提供可重用的计算机视觉工具。无论是从硬盘加载数据集、在图像或视频上绘制检测结果,还是统计检测区域内的目标数量,Supervision都能为开发者提供强有力的支持。

该项目在GitHub上已获得超过18.4k的星标,受到广大开发者的青睐。Supervision的设计理念是模型无关的,可以与各种分类、检测和分割模型无缝集成。

Supervision的主要功能

1. 模型集成

Supervision设计为模型无关的工具库,可以轻松集成各种流行的计算机视觉模型。它提供了与Ultralytics、Transformers和MMDetection等主流库的连接器,使得开发者可以快速将这些模型的输出转换为Supervision可处理的格式。

例如,使用YOLOv8模型进行目标检测并将结果转换为Supervision的Detections对象:

import cv2
import supervision as sv
from ultralytics import YOLO

image = cv2.imread(...)
model = YOLO('yolov8s.pt')
result = model(image)[0]
detections = sv.Detections.from_ultralytics(result)

除了YOLOv8,Supervision还支持与Roboflow Inference等其他推理引擎的集成。

2. 结果可视化

Supervision提供了丰富的可视化工具,让开发者能够轻松地将检测结果绘制在图像或视频上。这些可视化工具高度可定制,可以满足各种应用场景的需求。

Supervision可视化示例

以下是使用BoxAnnotator绘制边界框的简单示例:

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
)

3. 数据集处理

Supervision提供了一套强大的数据集处理工具,支持加载、拆分、合并和保存多种常见格式的数据集,如COCO、YOLO和Pascal VOC等。

例如,加载COCO格式的数据集:

import supervision as sv

ds = sv.DetectionDataset.from_coco(
    images_directory_path="path/to/images",
    annotations_path="path/to/annotations.json",
)

数据集加载后,可以轻松进行拆分、合并等操作:

# 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)

# 合并数据集
ds_merged = sv.DetectionDataset.merge([ds_1, ds_2])

此外,Supervision还支持将数据集转换为不同的格式,方便在不同工具和框架之间迁移数据。

4. 实时流处理

Supervision不仅支持静态图像处理,还能够处理实时视频流。这使得开发者可以轻松构建实时目标检测、跟踪和分析系统。

实时流处理示例

如何使用Supervision

安装

Supervision可以通过pip轻松安装:

pip install supervision

需要注意的是,Supervision要求Python版本不低于3.8。

快速开始

以下是一个简单的示例,展示了如何使用Supervision进行目标检测和结果可视化:

import cv2
import supervision as sv
from ultralytics import YOLO

# 加载图像和模型
image = cv2.imread("path/to/image.jpg")
model = YOLO('yolov8s.pt')

# 进行目标检测
result = model(image)[0]
detections = sv.Detections.from_ultralytics(result)

# 可视化结果
box_annotator = sv.BoxAnnotator()
annotated_frame = box_annotator.annotate(
    scene=image.copy(),
    detections=detections
)

# 显示结果
cv2.imshow("Result", annotated_frame)
cv2.waitKey(0)

Supervision的应用场景

Supervision的灵活性和强大功能使其适用于多种计算机视觉应用场景:

零售分析: 利用驻留时间分析功能,可以分析顾客在商店中的行为模式,优化商品陈列和店面布局。
交通监控: 结合车辆检测和跟踪功能,可以实现车流量统计、车速估算等应用。
安防系统: 通过实时目标检测和跟踪,可以构建智能安防系统,及时发现异常情况。
工业质检: 利用Supervision的图像处理和分析功能,可以开发自动化质量检测系统。
体育分析: 通过跟踪运动员和球的移动,可以为体育比赛提供实时数据分析。

社区支持和贡献

Supervision是一个活跃的开源项目,欢迎社区成员参与贡献。开发者可以通过以下方式参与:

提交bug报告和功能请求
贡献代码和文档
分享使用Supervision构建的项目

项目遵循MIT许可证,鼓励开发者在其基础上进行创新和扩展。

结语

Supervision为计算机视觉开发者提供了一套强大而灵活的工具,大大简化了从数据处理到结果可视化的整个开发流程。无论是初学者还是经验丰富的开发者,都能从Supervision中受益,快速构建高质量的计算机视觉应用。随着项目的不断发展和社区的积极参与,Supervision必将在计算机视觉领域发挥越来越重要的作用。

🔗 相关链接:

通过使用Supervision,开发者可以更专注于解决实际问题,而不是被繁琐的底层实现所困扰。让我们一起探索Supervision的无限可能,推动计算机视觉技术的进步! 🚀👁️