sahi

SAHI (Slicing Aided Hyper Inference) es una librería de visión ligera orientada a la detección de objetos y la segmentación de instancias a gran escala. Su idea central es la inferencia por cortes: dividir imágenes grandes en mosaicos superpuestos, ejecutar la detección en cada mosaico y fusionar los resultados, lo que ayuda a revelar objetos pequeños que una sola pasada sobre la imagen completa podría pasar por alto. La librería es agnóstica al framework. El README indica compatibilidad con modelos de Ultralytics (variantes de YOLO, YOLOE, YOLO11-OBB), MMDetection, modelos de HuggingFace transformers como RT-DETR, TorchVision, Detectron2, YOLOv5, YOLOX, GroundingDINO y Roboflow/RF-DETR. La instalación se realiza mediante pip, con extras opcionales específicos para cada framework. Una interfaz de línea de comandos cubre los flujos de trabajo principales: predict para inferencia por cortes o estándar en imágenes y vídeo; predict-fiftyone para inspeccionar resultados en la aplicación FiftyOne; coco slice para dividir imágenes y anotaciones COCO; coco fiftyone para explorar predicciones ordenadas por errores de detección; coco evaluate para AP/AR COCO por clase; coco analyse para gráficos de análisis de errores; y coco yolo para convertir conjuntos de datos COCO al formato de Ultralytics. Las API de Python están documentadas para predicción, corte y utilidades COCO. Más allá de la inferencia, SAHI proporciona herramientas para conjuntos de datos: corte, submuestreo, filtrado, fusión y división de conjuntos de datos COCO, además de conversión al formato YOLO. Los gráficos de análisis de errores y los informes de evaluación ayudan a diagnosticar fallos de detección, y la integración con FiftyOne permite la visualización interactiva y la inspección de predicciones. El proyecto está publicado en PyPI y conda-forge, cuenta con un artículo de ICIP 2022, y su documentación está indexada para asistentes de codificación con IA mediante Context7 MCP y un archivo llms.txt. El README también enlaza cuadernos y demos para cada framework compatible, una demo en HuggingFace Space y recursos de la comunidad, incluida una lista de publicaciones que lo citan y ganadores de competiciones.