عن المشروع

SAHI (Slicing Aided Hyper Inference) مكتبة رؤية خفيفة تستهدف الكشف عن الأجسام وتجزئة النسخ على نطاق واسع. فكرتها الأساسية هي الاستدلال المُجزَّأ: تقسيم الصور الكبيرة إلى بلاطات متداخلة، وتشغيل الكشف على كل بلاطة، ثم دمج النتائج، مما يساعد على إظهار الأجسام الصغيرة التي قد تفوتها تمريرة واحدة على الصورة كاملة. المكتبة محايدة تجاه الأطر. تسرد الوثيقة دعم نماذج Ultralytics (متغيرات YOLO وYOLOE وYOLO11-OBB)، وMMDetection، ونماذج HuggingFace transformers مثل RT-DETR، وTorchVision، وDetectron2، وYOLOv5، وYOLOX، وGroundingDINO، وRoboflow/RF-DETR. يتم التثبيت عبر pip، مع إضافات اختيارية خاصة بكل إطار. تغطي واجهة سطر الأوامر سير العمل الرئيسي: predict للاستدلال المُجزَّأ أو القياسي على الصور والفيديو؛ وpredict-fiftyone لفحص النتائج في تطبيق FiftyOne؛ وcoco slice لتجزئة صور وتعليقات COCO؛ وcoco fiftyone لتصفح التنبؤات مرتبة حسب حالات الكشف الخاطئ؛ وcoco evaluate لحساب COCO AP/AR لكل فئة؛ وcoco analyse لرسوم تحليل الأخطاء؛ وcoco yolo لتحويل مجموعات بيانات COCO إلى صيغة Ultralytics. وتُوثَّق واجهات بايثون البرمجية للتنبؤ والتجزئة وأدوات COCO. إلى جانب الاستدلال، توفر SAHI أدوات لمجموعات البيانات: التجزئة، وأخذ العينات الفرعية، والتصفية، والدمج، والتقسيم لمجموعات بيانات COCO، إضافة إلى التحويل إلى صيغة YOLO. تساعد رسوم تحليل الأخطاء وتقارير التقييم في تشخيص إخفاقات الكشف، ويدعم تكامل FiftyOne التصور التفاعلي وفحص التنبؤات. المشروع منشور على PyPI وconda-forge، وله ورقة بحثية في ICIP 2022، ووثائقه مفهرسة لمساعدات البرمجة بالذكاء الاصطناعي عبر Context7 MCP وملف llms.txt. كما تربط الوثيقة دفاتر ملاحظات وعروضًا توضيحية لكل إطار مدعوم، وعرضًا على HuggingFace Space، وموارد مجتمعية تشمل قائمة المنشورات المستشهدة والفائزين في المسابقات.