在Supervision中使用YOLO模型时如何自定义推理图像尺寸

在使用Supervision库进行目标检测时，许多开发者会遇到一个常见问题：当通过sv.Detections.from_ultralytics()方法处理视频或图像时，模型总是以固定的384x640分辨率进行推理，即使输入的是更高分辨率的视频（如1280x720）。本文将深入探讨这一现象的原因，并提供解决方案。

问题现象分析

当开发者使用Supervision配合YOLO系列模型（如YOLOv8、YOLOv9等）处理视频时，通常会观察到控制台输出显示模型始终以384x640的分辨率进行推理。这种现象会导致两个直接影响：

1. 检测精度可能不如预期，因为较低的分辨率会丢失一些细节信息
2. 检测结果与直接使用Ultralytics库时的表现不一致

根本原因

这种现象源于YOLO模型内部的默认设置。当不显式指定推理尺寸时，模型会自动使用预设的默认分辨率（通常是640x640或384x640）。这与Supervision库本身无关，而是YOLO模型的行为特性。

解决方案

要解决这个问题，我们需要在调用模型时显式指定推理尺寸。具体方法是在调用模型时添加imgsz参数：

results = model(frame, imgsz=1280, verbose=True)[0]

这样设置后，模型会根据指定的尺寸自动调整输入图像的大小，同时保持宽高比。例如，指定1280时，模型可能会调整为736x1280的分辨率进行推理。

实现细节

完整的代码实现应包含以下关键步骤：

1. 初始化YOLO模型
2. 设置目标类别和置信度阈值
3. 创建视频处理管道
4. 在回调函数中指定推理尺寸

# 初始化模型
model = YOLO("yolov9e.pt")
model.fuse()

# 设置目标类别（COCO数据集）
selected_classes = [1, 2, 3, 5, 7]  # 人、车、摩托车、公交车、交通灯等

# 视频处理回调函数
def callback(frame: np.ndarray, index: int, fps: int) -> np.ndarray:
    # 关键步骤：指定推理尺寸
    results = model(frame, imgsz=1280, verbose=True)[0]
    detections = sv.Detections.from_ultralytics(results)
    
    # 过滤检测结果
    detections = detections[np.isin(detections.class_id, selected_classes)]
    detections = detections[detections.confidence > 0.1]
    
    # 添加标注
    labels = [
        f"{model.model.names[class_id]} {confidence:0.2f}" 
        for confidence, class_id in zip(detections.confidence, detections.class_id)
    ]
    
    annotated_frame = bounding_box_annotator.annotate(scene=frame, detections=detections)
    annotated_frame = label_annotator.annotate(scene=annotated_frame, detections=detections, labels=labels)
    
    return annotated_frame

性能考量

提高推理分辨率会带来两个主要影响：

1. 检测精度通常会提高，因为更高分辨率保留了更多细节
2. 推理速度会降低，因为模型需要处理更多像素

开发者需要根据具体应用场景在精度和速度之间找到平衡点。对于实时性要求高的场景，可能需要适当降低分辨率；而对于需要高精度的分析任务，则应使用更高分辨率。

最佳实践

1. 测试不同分辨率：尝试640、960、1280等不同尺寸，找到最适合您任务的平衡点
2. 监控显存使用：高分辨率会消耗更多显存，确保您的GPU有足够资源
3. 预处理一致性：如果在训练时使用了特定分辨率，推理时最好保持一致
4. 批处理优化：如果处理大量图像，考虑使用批处理并找到最优的批大小

通过以上方法，开发者可以充分利用Supervision和YOLO模型的强大功能，同时确保获得最佳的检测结果。