YOLO26最新创新改进系列：SAHI -专门针对小目标检测的推理-切片辅助超推理！小目标检测实战有效！上大分，遥遥领先了家人们！！水文速度遥遥领先！！

购买相关资料后畅享一对一答疑！

畅享超多免费持续更新且可大幅度提升文章档次的纯干货工具！

购买相关资料后畅享一对一答疑！

原模型推理结果如下

SAHI推理结果如下：

一、SAHI概述

对象检测是迄今为止计算机视觉中最重要的应用领域。然而，小物体的检测和大图像的推理仍然是实际使用中的主要问题，这是因为小目标物体有效特征少，覆盖范围少。小目标物体的定义通常有两种方式。一种是绝对尺度定义，即以物体的像素尺寸来判断是否为小目标，如在COCO数据集中，尺寸小于32×32像素的目标被判定为小目标。另外一种是相对尺度定义，即以物体在图像中的占比面积比例来判断是否为小目标，例如国际光学工程学会SPIE定义，若目标尺寸小于原图的0.12%则可以判定成小目标。
SAHI: Slicing Aided Hyper Inference（切片辅助超推理）通过图像切片的方式来检测小目标。SAHI检测过程可以描述为：通过滑动窗口将图像切分成若干区域，各个区域分别进行预测，同时也对整张图片进行推理。然后将各个区域的预测结果和整张图片的预测结果合并，最后用NMS（非极大值抑制）进行过滤。用动图表示该识别过程如下：

理论相关知识，点击论文链接自行详细阅读即可，在此不再赘述！

二、实验

2.1 找到系列改进资料中的报错解决文件

详细的改进教程以及源码，戳这！戳这！！戳这！！！B站：AI学术叫叫兽 动态中有链接，感谢支持！祝科研遥遥领先！

2.2 根据B站教程，按照要求安装相关库即可

详细的改进教程以及源码，戳这！戳这！！戳这！！！B站：AI学术叫叫兽 动态中有链接，感谢支持！祝科研遥遥领先！

2.3 执行命令

python sahiyolo26.py --source ./test1.jpg --weights yolo26n.pt 

三、参数调优

这里决定着切片的大小和数量，根据自己的数据来调整。

以VisDrone2019数据集为例，在不同的参数下测试，如下所示：

3.1 长宽400

slice_height = 400,
slice_width = 400,
overlap_height_ratio = 0.05,
overlap_width_ratio = 0.05

3.2 长宽800

slice_height = 800,
slice_width = 800,
overlap_height_ratio = 0.05,
overlap_width_ratio = 0.05

3.3 长宽100

实际上参数的数值具有无限多，因此，在此篇博文仅举以上三种作为展示。

快点动手自己DIY吧！！！

写在最后

学术因方向、个人实验和写作能力以及具体创新内容的不同而无法做到一通百通，关注我CSDN、B站及抖音：Ai学术叫叫兽
在所有B站资料中留下联系方式以便在科研之余为家人们答疑解惑，本up主获得过国奖，发表多篇SCI，擅长目标检测领域，拥有多项竞赛经历，拥有软件著作权，核心期刊等经历。
因为经历过所以更懂小白的痛苦！
因为经历过所以更具有指向性的指导！

祝所有科研工作者都能够在自己的领域上更上一层楼！

以下为给大家庭小伙伴们免费更新过的绘图代码，均配有详细教程，超小白也可一键操作! 后续更多提升文章档次的资料的更新请大家庭的小伙伴关注我B站及抖音：Ai学术叫叫兽！