在Supervision中使用YOLO模型时如何自定义推理图像尺寸
2025-05-07 08:56:19作者:何将鹤
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:
- 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
- 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:
- 初始化YOLO模型
- 设置目标类别和置信度阈值
- 创建视频处理管道
- 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:
- 检测精度通常会提高,因为更高分辨率保留了更多细节
- 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
- 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
- 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
- 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
- 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。
登录后查看全文
热门项目推荐
- QQwen3-Omni-30B-A3B-InstructQwen3-Omni是多语言全模态模型,原生支持文本、图像、音视频输入,并实时生成语音。00
- HHunyuan-MT-7B腾讯混元翻译模型主要支持33种语言间的互译,包括中国五种少数民族语言。00
GitCode-文心大模型-智源研究院AI应用开发大赛
GitCode&文心大模型&智源研究院强强联合,发起的AI应用开发大赛;总奖池8W,单人最高可得价值3W奖励。快来参加吧~0269get_jobs
💼【AI找工作助手】全平台自动投简历脚本:(boss、前程无忧、猎聘、拉勾、智联招聘)Java00AudioFly
AudioFly是一款基于LDM架构的文本转音频生成模型。它能生成采样率为44.1 kHz的高保真音频,且与文本提示高度一致,适用于音效、音乐及多事件音频合成等任务。Python00GOT-OCR-2.0-hf
阶跃星辰StepFun推出的GOT-OCR-2.0-hf是一款强大的多语言OCR开源模型,支持从普通文档到复杂场景的文字识别。它能精准处理表格、图表、数学公式、几何图形甚至乐谱等特殊内容,输出结果可通过第三方工具渲染成多种格式。模型支持1024×1024高分辨率输入,具备多页批量处理、动态分块识别和交互式区域选择等创新功能,用户可通过坐标或颜色指定识别区域。基于Apache 2.0协议开源,提供Hugging Face演示和完整代码,适用于学术研究到工业应用的广泛场景,为OCR领域带来突破性解决方案。00- HHowToCook程序员在家做饭方法指南。Programmer's guide about how to cook at home (Chinese only).Dockerfile08
- PpathwayPathway is an open framework for high-throughput and low-latency real-time data processing.Python00
热门内容推荐
最新内容推荐
项目优选
收起

OpenHarmony documentation | OpenHarmony开发者文档
Dockerfile
148
1.95 K

deepin linux kernel
C
22
6

React Native鸿蒙化仓库
C++
192
274

openGauss kernel ~ openGauss is an open source relational database management system
C++
145
189

🎉 (RuoYi)官方仓库 基于SpringBoot,Spring Security,JWT,Vue3 & Vite、Element Plus 的前后端分离权限管理系统
Vue
931
555

Nop Platform 2.0是基于可逆计算理论实现的采用面向语言编程范式的新一代低代码开发平台,包含基于全新原理从零开始研发的GraphQL引擎、ORM引擎、工作流引擎、报表引擎、规则引擎、批处理引引擎等完整设计。nop-entropy是它的后端部分,采用java语言实现,可选择集成Spring框架或者Quarkus框架。中小企业可以免费商用
Java
8
0

旨在打造算法先进、性能卓越、高效敏捷、安全可靠的密码套件,通过轻量级、可剪裁的软件技术架构满足各行业不同场景的多样化要求,让密码技术应用更简单,同时探索后量子等先进算法创新实践,构建密码前沿技术底座!
C
980
395

为非计算机科班出身 (例如财经类高校金融学院) 同学量身定制,新手友好,让学生以亲身实践开源开发的方式,学会使用计算机自动化自己的科研/创新工作。案例以量化投资为主线,涉及 Bash、Python、SQL、BI、AI 等全技术栈,培养面向未来的数智化人才 (如数据工程师、数据分析师、数据科学家、数据决策者、量化投资人)。
Jupyter Notebook
75
66

为仓颉编程语言开发者打造活跃、开放、高质量的社区环境
Markdown
1.11 K
0

本仓将为广大高校开发者提供开源实践和创新开发平台,收集和展示openHiTLS示例代码及创新应用,欢迎大家投稿,让全世界看到您的精巧密码实现设计,也让更多人通过您的优秀成果,理解、喜爱上密码技术。
C
65
515