منصوبے کے بارے میں

SAHI (Slicing Aided Hyper Inference) ایک ہلکا وژن لائبریری ہے جو بڑے پیمانے پر آبجیکٹ ڈیٹیکشن اور انسٹینس سیگمنٹیشن کے لیے بنائی گئی ہے۔ اس کا بنیادی خیال sliced inference ہے: بڑی تصاویر کو اوورلیپنگ ٹائلوں میں تقسیم کرنا، ہر ٹائل پر ڈیٹیکشن چلانا، اور نتائج کو ضم کرنا، جو ان چھوٹی اشیاء کو سامنے لانے میں مدد کرتا ہے جو مکمل تصویر کے ایک پاس میں چھوٹ سکتی ہیں۔ یہ لائبریری فریم ورک سے آزاد ہے۔ README میں Ultralytics ماڈلز (YOLO اقسام، YOLOE، YOLO11-OBB)، MMDetection، HuggingFace transformers ماڈلز جیسے RT-DETR، TorchVision، Detectron2، YOLOv5، YOLOX، GroundingDINO اور Roboflow/RF-DETR کی حمایت درج ہے۔ انسٹالیشن pip کے ذریعے ہوتی ہے، فریم ورک کے مخصوص اختیاری اضافوں کے ساتھ۔ ایک کمانڈ لائن انٹرفیس بنیادی ورک فلو کا احاطہ کرتا ہے: sliced یا معیاری تصویر اور ویڈیو inference کے لیے predict؛ FiftyOne ایپ میں نتائج دیکھنے کے لیے predict-fiftyone؛ COCO تصاویر اور تشریحات کو slice کرنے کے لیے coco slice؛ غلط ڈیٹیکشنز کے مطابق ترتیب دی گئی پیش گوئیاں براؤز کرنے کے لیے coco fiftyone؛ کلاس وار COCO AP/AR کے لیے coco evaluate؛ ایرر اینالیسس پلاٹس کے لیے coco analyse؛ اور COCO ڈیٹاسیٹس کو Ultralytics فارمیٹ میں تبدیل کرنے کے لیے coco yolo۔ پائتھون APIs prediction، slicing اور COCO یوٹیلیٹیز کے لیے دستاویزی ہیں۔ inference کے علاوہ، SAHI ڈیٹاسیٹ ٹولنگ فراہم کرتا ہے: COCO ڈیٹاسیٹس کی slicing، subsampling، filtering، merging اور splitting، نیز YOLO فارمیٹ میں تبدیلی۔ ایرر اینالیسس پلاٹس اور evaluation رپورٹس ڈیٹیکشن کی ناکامیوں کی تشخیص میں مدد کرتی ہیں، اور FiftyOne انٹیگریشن پیش گوئیوں کی انٹرایکٹو ویژولائزیشن اور معائنہ کی حمایت کرتی ہے۔ یہ پروجیکٹ PyPI اور conda-forge پر شائع ہوا ہے، اس کا ICIP 2022 پیپر موجود ہے، اور اس کی دستاویزات AI کوڈنگ اسسٹنٹس کے لیے Context7 MCP اور ایک llms.txt فائل کے ذریعے انڈیکس کی گئی ہیں۔ README ہر معاون فریم ورک کے لیے نوٹ بکس اور ڈیموز، ایک HuggingFace Space ڈیمو، اور کمیونٹی وسائل کے لنکس بھی دیتا ہے جن میں حوالہ دینے والی اشاعتوں اور مقابلے جیتنے والوں کی فہرست شامل ہے۔