强大的计算机视觉工具库Supervision 是一个由 Roboflow 开发的计算机视觉工具库，旨在旨在其设计目标是简化计算机视觉项目中的常见任务，提供了一系列易于使用的工具和功能，帮助开发者更快速、可靠地构建计算机视觉应用。
核心功能
模型集成：与主流目标检测、分割和分类模型无缝集成，
包括 Ultralytics YOLO、Transformers、MMDetection 等，
提供统一的接口处理不同模型的输出结果。
标注工具：提供多种高度可定制的标注器（Annotators），
可用于在图像或视频上绘制边界框、掩码、标签等，
方便如 BoxAnnotator、MaskAnnotator、LabelAnnotator 等。
数据集处理：支持多种数据集格式（COCO、YOLO、Pascal VOC 等）的加载、
分割、合并和保存，方便数据集管理和处理。
视频分析：提供视频处理工具，支持目标跟踪、
流量统计、速度估计等视频分析任务。
可视化工具：包含丰富的可视化功能，
可帮助开发者直观地展示模型预测结果和分析过程。
安装方法
Supervision 支持多种安装方式，适用于不同的 Python 环境管理工具：
# 使用 pip 安装
pip install supervision
# 使用 conda 安装
conda install -c conda-forge supervision
# 使用 mamba 安装
mamba install -c conda-forge supervision
# 使用 poetry 安装
poetry add supervision
# 使用 uv 安装
uv pip install supervision
快速开始
模型推理与结果处理
import cv2
import supervision as sv
from ultralytics import YOLO
# 加载图像
image = cv2.imread("image.jpg")
# 加载模型并进行推理
model = YOLO("yolov8s.pt")
result = model(image)[0]
# 将模型输出转换为 Supervision 格式
detections = sv.Detections.from_ultralytics(result)
# 标注图像
box_annotator = sv.BoxAnnotator()
annotated_image = box_annotator.annotate(
scene=image.copy(),
detections=detections
)
# 显示或保存结果
cv2.imwrite("annotated_image.jpg", annotated_image)
数据集处理
import supervision as sv
from roboflow import Roboflow
# 从 Roboflow 加载数据集
project = Roboflow().workspace("WORKSPACE_ID").project("PROJECT_ID")
dataset = project.version("VERSION").download("coco")
# 加载 COCO 格式数据集
ds = sv.DetectionDataset.from_coco(
images_directory_path=f"{dataset.location}/train",
annotations_path=f"{dataset.location}/train/_annotations.coco.json",
)
# 访问数据集中的图像和标注
for path, image, annotation in ds:
# 处理图像和标注
pass
Supervision 适合各种计算机视觉任务，无论是学术研究还是工业应用，都能显著减少开发时间，提高项目可靠性。
仅供个人学习参考/导航指引使用，具体请以第三方网站说明为准，本站不提供任何专业建议。如果地址失效或描述有误，请联系站长反馈～感谢您的理解与支持！
链接: https://fly63.com/nav/4232
