在Supervision中使用YOLO模型时如何自定义推理图像尺寸
2025-05-07 23:05:37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
- DDeepSeek-V3.1-BaseDeepSeek-V3.1 是一款支持思考模式与非思考模式的混合模型Python00
- QQwen-Image-Edit基于200亿参数Qwen-Image构建,Qwen-Image-Edit实现精准文本渲染与图像编辑,融合语义与外观控制能力Jinja00
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~044CommonUtilLibrary
快速开发工具类收集,史上最全的开发工具类,欢迎Follow、Fork、StarJava04GitCode百大开源项目
GitCode百大计划旨在表彰GitCode平台上积极推动项目社区化,拥有广泛影响力的G-Star项目,入选项目不仅代表了GitCode开源生态的蓬勃发展,也反映了当下开源行业的发展趋势。06GOT-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。00openHiTLS
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!C0300- WWan2.2-S2V-14B【Wan2.2 全新发布|更强画质,更快生成】新一代视频生成模型 Wan2.2,创新采用MoE架构,实现电影级美学与复杂运动控制,支持720P高清文本/图像生成视频,消费级显卡即可流畅运行,性能达业界领先水平Python00
- GGLM-4.5-AirGLM-4.5 系列模型是专为智能体设计的基础模型。GLM-4.5拥有 3550 亿总参数量,其中 320 亿活跃参数;GLM-4.5-Air采用更紧凑的设计,拥有 1060 亿总参数量,其中 120 亿活跃参数。GLM-4.5模型统一了推理、编码和智能体能力,以满足智能体应用的复杂需求Jinja00
Yi-Coder
Yi Coder 编程模型,小而强大的编程助手HTML013
热门内容推荐
最新内容推荐
项目优选
收起

React Native鸿蒙化仓库
C++
176
261

🎉 (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
861
511

🔥🔥🔥ShopXO企业级免费开源商城系统,可视化DIY拖拽装修、包含PC、H5、多端小程序(微信+支付宝+百度+头条&抖音+QQ+快手)、APP、多仓库、多商户、多门店、IM客服、进销存,遵循MIT开源协议发布、基于ThinkPHP8框架研发
JavaScript
93
15

openGauss kernel ~ openGauss is an open source relational database management system
C++
129
182

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
259
300

deepin linux kernel
C
22
5

🍒 Cherry Studio 是一款支持多个 LLM 提供商的桌面客户端
TypeScript
596
57

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
1.07 K
0

本仓将收集和展示仓颉鸿蒙应用示例代码,欢迎大家投稿,在仓颉鸿蒙社区展现你的妙趣设计!
Cangjie
398
371

本仓将收集和展示高质量的仓颉示例代码,欢迎大家投稿,让全世界看到您的妙趣设计,也让更多人通过您的编码理解和喜爱仓颉语言。
Cangjie
332
1.08 K