21.8K Star 太好用了！Supervision：强大的计算机视觉工具箱！Python工程师有福了！

Python兴趣圈

发布于 2024-09-26 10:25:05

2130

发布于 2024-09-26 10:25:05

文章被收录于专栏：翩翩白衣少年

在计算机视觉的世界中，越来越多的任务需要快速高效的处理，比如人体跟踪、分割、检测等。

今天为大家推荐一个开源的计算机视觉工具箱 Supervision，使用它你可以在你电脑上实现人体跟踪、分割、检测等一系列计算机视觉的场景。

项目介绍

Supervision 是一个针对于计算机视觉各种任务的框架工具，可作为Python语言的三方库直接调用，提供了便捷高效的视觉处理方法，可以轻松处理数据集或直观地展现检测结果。

还提供了统计特定区域内检测跟踪、越线数量统计、切片推理、轨迹平滑等不同计算机视觉任务的方法封装。可谓是在CV领域，有了它你可以少写很多展现和计算代码。

Supervision 在 GitHub 上赢得了超过 21K 颗星，成为了计算机视觉领域不可或缺的神器。

主要功能

1、自定义模型使用

Supervision 不限于某个特定模型，用户可以轻松插入自己需要的分类、检测或分割模型，享受极高的灵活性。

2、数据处理

Supervision 带有完整的数据处理能力，无论是从硬盘加载数据集，还是在图像或视频上绘制检测结果，亦或是将标签转换为不同格式，这个工具箱都能助你一臂之力。

3、数据集工具

Supervision 提供了一套工具，允许你在支持的格式中加载、分割、合并和保存数据集。

4、模型连接器

为了方便使用，可以使用最流行的库（如 Ultralytics、Transformers 或 MMDetection）创建连接器。

5、视觉任务封装

Supervision 还提供了多种视觉任务的封装，比如：

• 区域统计：跟踪和统计特定区域内的检测结果。
• 越线统计：计算目标是否跨越特定的界线。
• 切片推理：将大图像分割为小块进行推理。
• 轨迹平滑：在目标跟踪过程中平滑轨迹，减少跳动和不连续。

这些封装让你可以专注于核心算法，而不用花费过多精力在视觉结果的绘制和展示上。

安装与使用

由于supervision是纯Python语言开发的模块，所有直接使用pip安装即可。

pip install supervision

根据项目文档，选择你需要的视觉任务 API，加载模型和数据集，开始进行检测和处理。

案例1：目标检测

import cv2
import supervision as sv
from ultralytics import YOLO

model = YOLO("yolov8n.pt")
image = cv2.imread('demo.png')
results = model(image)[0]
detections = sv.Detections.from_ultralytics(results)

box_annotator = sv.BoxAnnotator()
label_annotator = sv.LabelAnnotator()

labels = [
    f"{class_name} {confidence:.2f}"
    for class_name, confidence
    in zip(detections['class_name'], detections.confidence)
]

# 标注识别框
annotated_image = box_annotator.annotate(scene=image, detections=detections)
# 标注识别标签和置信度
annotated_image = label_annotator.annotate(scene=annotated_image, detections=detections, labels=labels)
cv2.imwrite('demo01.png',annotated_image)

案例2：语义分割

import cv2
import supervision as sv
from ultralytics import YOLO

model = YOLO("yolov8n-seg.pt")
image = cv2.imread('demo.png')
results = model(image)[0]
detections = sv.Detections.from_ultralytics(results)

mask_annotator = sv.MaskAnnotator()
label_annotator = sv.LabelAnnotator(text_position=sv.Position.CENTER_OF_MASS)

annotated_image = mask_annotator.annotate(scene=image, detections=detections)
annotated_image = label_annotator.annotate(scene=annotated_image, detections=detections)

cv2.imwrite('demo01.png', annotated_image)