关于 supervision

👋 Hello

我们为你编写可复用的计算机视觉工具。 无论你需要从硬盘加载数据集、在图像或视频上绘制检测框，还是计算某个区域的检测数量，你都可以信赖我们！🤝

💻 安装

在 Python>=3.9 环境中使用 pip 安装 supervision 包：

pip install supervision

想了解更多关于 conda、mamba 以及源码安装的方法，请查看我们的 指南。

🔥 快速上手

模型（models）

Supervision 设计时采用了模型无关的原则。你可以接入任意分类、检测或分割模型。为方便使用，我们提供了 connectors，支持 Ultralytics、Transformers、MMDetection 等主流库。

import cv2
import supervision as sv
from ultralytics import YOLO
image = cv2.imread(...)
model = YOLO("yolov8s.pt")
result = model(image)[0]
detections = sv.Detections.from_ultralytics(result)
len(detections)
# 5

标注器（annotators）

Supervision 提供了多种高度可定制的 annotators，让你可以为自己的场景绘制理想的可视化效果。

import cv2
import supervision as sv
image = cv2.imread(...)
detections = sv.Detections(...)
box_annotator = sv.BoxAnnotator()
annotated_frame = box_annotator.annotate(
  scene=image.copy(),
  detections=detections)

https://github.com/roboflow/supervision/assets/26109316/691e219c-0565-4403-9218-ab5644f39bce

数据集（datasets）

Supervision 提供了一套 utils，可用来加载、拆分、合并、保存数据集，并支持多种格式。

import supervision as sv
from roboflow import Roboflow
project = Roboflow().workspace(<WORKSPACE_ID>).project(<PROJECT_ID>)
dataset = project.version(<PROJECT_VERSION>).download("coco")
ds = sv.DetectionDataset.from_coco(
    images_directory_path=f"{dataset.location}/train",
    annotations_path=f"{dataset.location}/train/_annotations.coco.json",
)
path, image, annotation = ds[0]
    # 按需加载图像
for path, image, annotation in ds:
    # 按需加载图像