छवि स्लाइसर

छोटी ऑब्जेक्ट पहचान करने के लिए इनपुट छवि को छोटी छवियों की सूची में टाइल करें।

v2

इनपुट छवियों को Slicing Adaptive Inference (SAHI) तकनीक का उपयोग करके ओवरलैपिंग टाइलों या स्लाइसों में विभाजित करें, ताकि छोटी छवि क्षेत्रों को प्रोसेस करके छोटे ऑब्जेक्ट का पता लगाने में सक्षम बनाया जा सके, जहाँ ऑब्जेक्ट छवि के आकार की तुलना में अपेक्षाकृत बड़े दिखाई देते हैं; समान आकार के स्लाइसों और डिडुप्लिकेशन के साथ टाइल-आधारित इन्फेरेंस वर्कफ़्लो के माध्यम से बड़े चित्रों में छोटे ऑब्जेक्ट के लिए पहचान सटीकता में सुधार होता है।

यह ब्लॉक कैसे काम करता है

यह ब्लॉक बड़े चित्रों को छोटे ओवरलैपिंग टाइलों में विभाजित करके SAHI (Slicing Adaptive Inference) तकनीक का पहला चरण लागू करता है। यह तरीका उन छोटे ऑब्जेक्ट का पता लगाने में मदद करता है जो पूरी छवि को एक साथ प्रोसेस करने पर छूट सकते हैं। यह ब्लॉक:

एक इनपुट छवि और slicing कॉन्फ़िगरेशन प्राप्त करता है:
- स्लाइस किए जाने के लिए एक इनपुट छवि लेता है
- स्लाइस के आयाम (पिक्सेल में चौड़ाई और ऊँचाई) प्राप्त करता है
- चौड़ाई और ऊँचाई के लिए ओवरलैप अनुपात प्राप्त करता है (सन्निहित स्लाइसों के बीच ओवरलैप को नियंत्रित करता है)
स्लाइस स्थितियों की गणना करता है:
- छवि के across स्लाइस निर्देशांकों का एक ग्रिड जनरेट करता है
- लगातार स्लाइसों के बीच निर्दिष्ट ओवरलैप के साथ स्लाइसों को स्थित करता है
- ओवरलैप यह सुनिश्चित करने में मदद करता है कि स्लाइस सीमाओं पर मौजूद ऑब्जेक्ट छूटें नहीं
- सभी स्लाइस समान आकार के हों यह सुनिश्चित करने के लिए बॉर्डर स्लाइस स्थितियों को समायोजित करता है (बॉर्डर स्लाइसों को छवि केंद्र की ओर धकेलता है)
छवि स्लाइस बनाता है:
- गणना किए गए निर्देशांकों का उपयोग करके मूल छवि से प्रत्येक स्लाइस निकालता है
- प्रत्येक स्लाइस के लिए crop मेटाडेटा के साथ WorkflowImageData ऑब्जेक्ट बनाता है
- मूल छवि के सापेक्ष प्रत्येक स्लाइस के लिए ऑफ़सेट जानकारी (x, y निर्देशांक) संग्रहीत करता है
- निर्देशांक मैपिंग के लिए parent image संदर्भ बनाए रखता है
स्लाइसों का डिडुप्लिकेशन करता है:
- ओवरलैप गणनाओं से उत्पन्न होने वाले किसी भी डुप्लिकेट स्लाइस निर्देशांक को हटाता है
- सुनिश्चित करता है कि प्रत्येक अद्वितीय स्लाइस स्थिति आउटपुट में केवल एक बार दिखाई दे
- समान छवि क्षेत्रों के अनावश्यक प्रसंस्करण को रोकता है
एज केसों को संभालता है:
- खाली स्लाइसों को फ़िल्टर करता है (यदि कोई हों)
- सुनिश्चित करता है कि सभी स्लाइस छवि सीमाओं के भीतर फिट हों
- प्रत्येक स्लाइस को ट्रैक करने के लिए crop पहचानकर्ता बनाता है
स्लाइसों की सूची लौटाता है:
- सभी अद्वितीय स्लाइसों को छवियों की सूची के रूप में आउटपुट करता है
- सभी स्लाइसों के आयाम समान होते हैं (बॉर्डर स्लाइसों को मिलाने के लिए समायोजित किया जाता है)
- आयामिकता को 1 से बढ़ाता है (एक छवि कई स्लाइस बन जाती है)
- प्रत्येक स्लाइस को downstream ब्लॉकों द्वारा स्वतंत्र रूप से प्रोसेस किया जा सकता है

SAHI तकनीक छोटे ऑब्जेक्टों को स्लाइस के आकार की तुलना में अपेक्षाकृत बड़ा दिखाकर काम करती है। जब कोई ऑब्जेक्ट बड़ी छवि में केवल कुछ पिक्सेल का होता है, तो छवि को मॉडल के इनपुट आकार तक नीचे स्केल करने पर वह ऑब्जेक्ट पहचान के लिए बहुत छोटा हो जाता है। छवि को स्लाइस करके और प्रत्येक स्लाइस को अलग-अलग प्रोसेस करके, वही ऑब्जेक्ट प्रत्येक स्लाइस में अधिक पिक्सेल घेरता है, जिससे पहचान अधिक विश्वसनीय हो जाती है। ओवरलैपिंग स्लाइस यह सुनिश्चित करते हैं कि स्लाइस सीमाओं के पास के ऑब्जेक्ट कम-से-कम एक स्लाइस में पहचाने जाएँ।

सामान्य उपयोग के मामले

छोटे ऑब्जेक्ट का पता लगाना: SAHI तकनीक का उपयोग करके बड़ी छवियों में छोटे ऑब्जेक्टों का पता लगाएँ (जैसे, हवाई छवियों में छोटे वाहन पहचानें, वाइड-एंगल कैमरा दृश्यों में नंबर प्लेटें खोजें, उच्च-रिज़ॉल्यूशन फ़ोटो में कीड़े पहचानें), जिससे छोटे ऑब्जेक्ट पहचान वर्कफ़्लो सक्षम होते हैं
उच्च-रिज़ॉल्यूशन छवि प्रसंस्करण: बड़ी छवियों को प्रबंधनीय भागों में स्लाइस करके उच्च-रिज़ॉल्यूशन छवियों को प्रोसेस करें (जैसे, उपग्रह चित्रों को प्रोसेस करें, चिकित्सा इमेजिंग स्कैन का विश्लेषण करें, बड़े दस्तावेज़ चित्रों को प्रोसेस करें), जिससे उच्च-रिज़ॉल्यूशन प्रसंस्करण वर्कफ़्लो सक्षम होते हैं
हवाई और ड्रोन इमेजरी: हवाई फोटोग्राफी में ऑब्जेक्टों का पता लगाएँ जहाँ ऑब्जेक्ट छवि आकार की तुलना में छोटे होते हैं (जैसे, ड्रोन फुटेज में वाहन पहचानें, हवाई निगरानी में लोगों को खोजें, उपग्रह छवियों में संरचनाएँ पहचानें), जिससे हवाई पहचान वर्कफ़्लो सक्षम होते हैं
वाइड-एंगल कैमरा मॉनिटरिंग: वाइड-एंगल कैमरा दृश्यों में पहचान में सुधार करें जहाँ ऑब्जेक्ट छोटे दिखाई देते हैं (जैसे, बड़े पार्किंग लॉट्स की निगरानी करें, पैनोरमिक दृश्यों में ऑब्जेक्ट पहचानें, चौड़े कैमरा कवरेज में ट्रैफ़िक का विश्लेषण करें), जिससे वाइड-एंगल मॉनिटरिंग वर्कफ़्लो सक्षम होते हैं
चिकित्सा इमेजिंग विश्लेषण: चिकित्सा छवियों को अलग-अलग क्षेत्रों में प्रोसेस करके उनका विश्लेषण करें (जैसे, बड़े स्कैन में घाव पहचानें, चिकित्सा छवियों में असामान्यताएँ खोजें, रेडियोलॉजी छवियों का विश्लेषण करें), जिससे चिकित्सा इमेजिंग वर्कफ़्लो सक्षम होते हैं
दस्तावेज़ और पाठ प्रसंस्करण: बड़े दस्तावेज़ों को क्षेत्रों में स्लाइस करके प्रोसेस करें (जैसे, बड़े दस्तावेज़ों पर OCR करें, स्कैन किए गए दस्तावेज़ों में पाठ क्षेत्रों का पता लगाएँ, दस्तावेज़ लेआउट का विश्लेषण करें), जिससे दस्तावेज़ प्रसंस्करण वर्कफ़्लो सक्षम होते हैं

अन्य ब्लॉक्स से कनेक्ट करना

यह ब्लॉक छवियाँ प्राप्त करता है और छवि स्लाइस उत्पन्न करता है:

छवि इनपुट या preprocessing ब्लॉकों के बाद SAHI प्रोसेसिंग के लिए छवियों को स्लाइस करने हेतु (जैसे, इनपुट छवियों को स्लाइस करें, पूर्व-प्रसंस्कृत छवियों को प्रोसेस करें, परिवर्तित छवियों को स्लाइस करें), जिससे image-to-slice वर्कफ़्लो सक्षम होते हैं
डिटेक्शन मॉडल ब्लॉकों से पहले (ऑब्जेक्ट डिटेक्शन मॉडल, instance segmentation मॉडल) छोटे ऑब्जेक्ट पहचान के लिए स्लाइसों को प्रोसेस करने हेतु (जैसे, स्लाइसों में ऑब्जेक्ट पहचानें, प्रत्येक स्लाइस पर डिटेक्शन चलाएँ, मॉडल के साथ स्लाइसों को प्रोसेस करें), जिससे slice-to-detection वर्कफ़्लो सक्षम होते हैं
Detections Stitch ब्लॉक से पहले (डिटेक्शन मॉडल के बाद आवश्यक) स्लाइसों से प्राप्त डिटेक्शनों को वापस मूल छवि निर्देशांकों में मिलाने हेतु (जैसे, स्लाइस डिटेक्शनों को मर्ज करें, डिटेक्शन परिणामों को संयोजित करें, पूर्ण-छवि पूर्वानुमानों का पुनर्निर्माण करें), जिससे slice-detection-stitch वर्कफ़्लो सक्षम होते हैं
SAHI वर्कफ़्लो में इस पैटर्न का अनुसरण करते हुए: Image Slicer → Detection Model → Detections Stitch, छोटे ऑब्जेक्ट पहचान के लिए संपूर्ण SAHI तकनीक लागू करें
फ़िल्टरिंग या analytics ब्लॉकों से पहले stitching से पहले slice-स्तरीय परिणामों को प्रोसेस करने हेतु (जैसे, प्रति स्लाइस डिटेक्शनों को फ़िल्टर करें, स्लाइस परिणामों का विश्लेषण करें, स्लाइस आउटपुट प्रोसेस करें), जिससे slice-to-analysis वर्कफ़्लो सक्षम होते हैं
बहु-चरणीय डिटेक्शन पाइपलाइनों के हिस्से के रूप में जहाँ स्लाइसों को स्वतंत्र रूप से प्रोसेस किया जाता है और परिणामों को संयोजित किया जाता है (जैसे, multi-scale detection, hierarchical detection, parallel slice processing), जिससे बहु-चरणीय डिटेक्शन वर्कफ़्लो सक्षम होते हैं

संस्करणों के बीच अंतर

v1 की तुलना में इस version (v2) में निम्नलिखित enhancements शामिल हैं:

समान आकार के स्लाइस: slicer द्वारा उत्पन्न सभी स्लाइसों के आयाम समान होते हैं। v1 में जो border slices सामान्यतः छोटे होते, उन्हें छवि केंद्र की ओर धकेलकर समायोजित किया जाता है, जिससे सुसंगत स्लाइस आकार सुनिश्चित होते हैं। यह अधिक पूर्वानुमेय प्रसंस्करण व्यवहार प्रदान करता है और सुनिश्चित करता है कि सभी स्लाइसों को समान आयामों के साथ प्रोसेस किया जाए, जो model inference की स्थिरता के लिए महत्वपूर्ण हो सकता है।
डिडुप्लिकेशन: डुप्लिकेट स्लाइस निर्देशांक स्वचालित रूप से हटा दिए जाते हैं, जिससे प्रत्येक अद्वितीय स्लाइस स्थिति आउटपुट में केवल एक बार दिखाई देती है। यह ओवरलैप गणनाओं के कारण होने वाले समान छवि क्षेत्रों के अनावश्यक प्रसंस्करण को रोकता है, दक्षता बढ़ाता है और डुप्लिकेट डिटेक्शनों को रोकता है।

आवश्यकताएँ

इस ब्लॉक को एक इनपुट छवि की आवश्यकता होती है। सर्वोत्तम प्रदर्शन के लिए स्लाइस आयाम (चौड़ाई और ऊँचाई) आदर्श रूप से मॉडल के इनपुट आकार से मेल खाने चाहिए। यदि स्लाइस आकार मॉडल इनपुट आकार से अलग है, तो inference के दौरान स्लाइसों का आकार बदला जाएगा, जिससे सटीकता प्रभावित हो सकती है। डिफ़ॉल्ट स्लाइस आकार 640x640 पिक्सेल है, लेकिन इसे आपके मॉडल के इनपुट आकार के आधार पर समायोजित किया जाना चाहिए (उदाहरण के लिए, 320 इनपुट आकार वाले मॉडलों के लिए 320x320 का उपयोग करें, 1280 इनपुट आकार वाले मॉडलों के लिए 1280x1280 का उपयोग करें)। ओवरलैप अनुपात (डिफ़ॉल्ट 0.2 या 20%) यह सुनिश्चित करने में मदद करते हैं कि स्लाइस सीमाओं पर मौजूद ऑब्जेक्टों का पता लगे, लेकिन अधिक ओवरलैप प्रसंस्करण समय बढ़ाता है। इस ब्लॉक का उपयोग ऑब्जेक्ट डिटेक्शन या instance segmentation मॉडलों के साथ किया जाना चाहिए, और परिणामों को मिलाने के लिए Detections Stitch ब्लॉक के बाद। SAHI तकनीक के बारे में अधिक जानकारी के लिए देखें: https://ieeexplore.ieee.org/document/9897990. व्यावहारिक मार्गदर्शिका के लिए देखें: https://blog.roboflow.com/how-to-use-sahi-to-detect-small-objects/.

प्रकार पहचानकर्ता

स्टेप में निम्नलिखित पहचानकर्ता का उपयोग करें "type" फ़ील्ड: roboflow_core/image_slicer@v2 अपने वर्कफ़्लो में ब्लॉक को एक स्टेप के रूप में जोड़ने के लिए।

गुण

नाम

प्रकार

विवरण

संदर्भ

name

str

इस स्टेप के लिए एक विशिष्ट पहचानकर्ता दर्ज करें..

❌

slice_width

int

प्रत्येक स्लाइस की चौड़ाई पिक्सेल में। सर्वोत्तम प्रदर्शन के लिए यह आदर्श रूप से आपके डिटेक्शन मॉडल की इनपुट चौड़ाई से मेल खानी चाहिए। यदि अलग हो, तो मॉडल inference के दौरान स्लाइसों का आकार बदला जाएगा, जिससे सटीकता प्रभावित हो सकती है। सामान्य मान: 320 (320px इनपुट वाले मॉडलों के लिए), 640 (डिफ़ॉल्ट, अधिकांश YOLO मॉडलों के लिए), 1280 (उच्च-रिज़ॉल्यूशन मॉडलों के लिए)। बड़े स्लाइस कम कुल स्लाइस प्रोसेस करते हैं, लेकिन बहुत छोटे ऑब्जेक्ट छूट सकते हैं। छोटे स्लाइस छोटे ऑब्जेक्ट पहचानते हैं, लेकिन प्रसंस्करण समय बढ़ाते हैं। सभी स्लाइसों की चौड़ाई समान होगी (बॉर्डर स्लाइसों को मिलाने के लिए समायोजित किया जाता है)..

✅

slice_height

int

प्रत्येक स्लाइस की ऊँचाई पिक्सेल में। सर्वोत्तम प्रदर्शन के लिए यह आदर्श रूप से आपके डिटेक्शन मॉडल की इनपुट ऊँचाई से मेल खानी चाहिए। यदि अलग हो, तो मॉडल inference के दौरान स्लाइसों का आकार बदला जाएगा, जिससे सटीकता प्रभावित हो सकती है। सामान्य मान: 320 (320px इनपुट वाले मॉडलों के लिए), 640 (डिफ़ॉल्ट, अधिकांश YOLO मॉडलों के लिए), 1280 (उच्च-रिज़ॉल्यूशन मॉडलों के लिए)। बड़े स्लाइस कम कुल स्लाइस प्रोसेस करते हैं, लेकिन बहुत छोटे ऑब्जेक्ट छूट सकते हैं। छोटे स्लाइस छोटे ऑब्जेक्ट पहचानते हैं, लेकिन प्रसंस्करण समय बढ़ाते हैं। सभी स्लाइसों की ऊँचाई समान होगी (बॉर्डर स्लाइसों को मिलाने के लिए समायोजित किया जाता है)..

✅

overlap_ratio_width

float

चौड़ाई (क्षैतिज) आयाम में लगातार स्लाइसों के बीच ओवरलैप अनुपात। सीमा: 0.0 से <1.0। यह निर्दिष्ट करता है कि स्लाइस की चौड़ाई का कितना भाग सन्निहित स्लाइसों के साथ ओवरलैप होता है। डिफ़ॉल्ट 0.2 का अर्थ 20% ओवरलैप है। अधिक ओवरलैप (जैसे, 0.3-0.5) यह सुनिश्चित करता है कि स्लाइस सीमाओं पर मौजूद ऑब्जेक्टों का पता लगने की संभावना अधिक हो, लेकिन क्योंकि अधिक स्लाइस बनते हैं, प्रसंस्करण समय बढ़ जाता है। कम ओवरलैप (जैसे, 0.1) तेज़ है लेकिन सीमाओं पर ऑब्जेक्ट छूट सकते हैं। सामान्य मान: अधिकांश उपयोग मामलों के लिए 0.1-0.3, महत्वपूर्ण छोटे ऑब्जेक्ट पहचान के लिए 0.3-0.5। ओवरलैप से बने डुप्लिकेट स्लाइस स्वचालित रूप से हटा दिए जाते हैं..

✅

overlap_ratio_height

float

ऊँचाई (ऊर्ध्वाधर) आयाम में लगातार स्लाइसों के बीच ओवरलैप अनुपात। सीमा: 0.0 से <1.0। यह निर्दिष्ट करता है कि स्लाइस की ऊँचाई का कितना भाग सन्निहित स्लाइसों के साथ ओवरलैप होता है। डिफ़ॉल्ट 0.2 का अर्थ 20% ओवरलैप है। अधिक ओवरलैप (जैसे, 0.3-0.5) यह सुनिश्चित करता है कि स्लाइस सीमाओं पर मौजूद ऑब्जेक्टों का पता लगने की संभावना अधिक हो, लेकिन क्योंकि अधिक स्लाइस बनते हैं, प्रसंस्करण समय बढ़ जाता है। कम ओवरलैप (जैसे, 0.1) तेज़ है लेकिन सीमाओं पर ऑब्जेक्ट छूट सकते हैं। सामान्य मान: अधिकांश उपयोग मामलों के लिए 0.1-0.3, महत्वपूर्ण छोटे ऑब्जेक्ट पहचान के लिए 0.3-0.5। ओवरलैप से बने डुप्लिकेट स्लाइस स्वचालित रूप से हटा दिए जाते हैं..

✅

यह संदर्भ स्तंभ यह इंगित करता है कि संपत्ति को वर्कफ़्लो रनटाइम में उपलब्ध गतिशील मानों के साथ पैरामीटराइज़ किया जा सकता है वर्कफ़्लो रनटाइम। देखें बाइंडिंग्स अधिक जानकारी के लिए।

इनपुट और आउटपुट बाइंडिंग्स

उपलब्ध कनेक्शन उसके बाइंडिंग प्रकारों पर निर्भर करते हैं। देखें कि कौन-से बाइंडिंग प्रकार छवि स्लाइसर संस्करण v2 है।

इनपुट और आउटपुट बाइंडिंग्स

इनपुट
- छवि (छवि): इनपुट छवि जिसे छोटे टाइलों में स्लाइस किया जाना है। छवि को स्लाइस आयामों और ओवरलैप अनुपात के आधार पर ओवरलैपिंग स्लाइसों में विभाजित किया जाएगा। प्रत्येक स्लाइस निर्देशांक मैपिंग के लिए मूल छवि में अपनी स्थिति के बारे में मेटाडेटा बनाए रखता है। सभी स्लाइसों के आयाम समान होंगे (बॉर्डर स्लाइसों को मिलाने के लिए समायोजित किया जाता है)। SAHI (Slicing Adaptive Inference) वर्कफ़्लो में, छवि क्षेत्रों को अलग-अलग प्रोसेस करके छोटे ऑब्जेक्ट पहचान सक्षम करने के लिए उपयोग किया जाता है..
- slice_width (पूर्णांक): प्रत्येक स्लाइस की चौड़ाई पिक्सेल में। सर्वोत्तम प्रदर्शन के लिए यह आदर्श रूप से आपके डिटेक्शन मॉडल की इनपुट चौड़ाई से मेल खानी चाहिए। यदि अलग हो, तो मॉडल inference के दौरान स्लाइसों का आकार बदला जाएगा, जिससे सटीकता प्रभावित हो सकती है। सामान्य मान: 320 (320px इनपुट वाले मॉडलों के लिए), 640 (डिफ़ॉल्ट, अधिकांश YOLO मॉडलों के लिए), 1280 (उच्च-रिज़ॉल्यूशन मॉडलों के लिए)। बड़े स्लाइस कम कुल स्लाइस प्रोसेस करते हैं, लेकिन बहुत छोटे ऑब्जेक्ट छूट सकते हैं। छोटे स्लाइस छोटे ऑब्जेक्ट पहचानते हैं, लेकिन प्रसंस्करण समय बढ़ाते हैं। सभी स्लाइसों की चौड़ाई समान होगी (बॉर्डर स्लाइसों को मिलाने के लिए समायोजित किया जाता है)..
- slice_height (पूर्णांक): प्रत्येक स्लाइस की ऊँचाई पिक्सेल में। सर्वोत्तम प्रदर्शन के लिए यह आदर्श रूप से आपके डिटेक्शन मॉडल की इनपुट ऊँचाई से मेल खानी चाहिए। यदि अलग हो, तो मॉडल inference के दौरान स्लाइसों का आकार बदला जाएगा, जिससे सटीकता प्रभावित हो सकती है। सामान्य मान: 320 (320px इनपुट वाले मॉडलों के लिए), 640 (डिफ़ॉल्ट, अधिकांश YOLO मॉडलों के लिए), 1280 (उच्च-रिज़ॉल्यूशन मॉडलों के लिए)। बड़े स्लाइस कम कुल स्लाइस प्रोसेस करते हैं, लेकिन बहुत छोटे ऑब्जेक्ट छूट सकते हैं। छोटे स्लाइस छोटे ऑब्जेक्ट पहचानते हैं, लेकिन प्रसंस्करण समय बढ़ाते हैं। सभी स्लाइसों की ऊँचाई समान होगी (बॉर्डर स्लाइसों को मिलाने के लिए समायोजित किया जाता है)..
- overlap_ratio_width (float_zero_to_one): चौड़ाई (क्षैतिज) आयाम में लगातार स्लाइसों के बीच ओवरलैप अनुपात। सीमा: 0.0 से <1.0। यह निर्दिष्ट करता है कि स्लाइस की चौड़ाई का कितना भाग सन्निहित स्लाइसों के साथ ओवरलैप होता है। डिफ़ॉल्ट 0.2 का अर्थ 20% ओवरलैप है। अधिक ओवरलैप (जैसे, 0.3-0.5) यह सुनिश्चित करता है कि स्लाइस सीमाओं पर मौजूद ऑब्जेक्टों का पता लगने की संभावना अधिक हो, लेकिन क्योंकि अधिक स्लाइस बनते हैं, प्रसंस्करण समय बढ़ जाता है। कम ओवरलैप (जैसे, 0.1) तेज़ है लेकिन सीमाओं पर ऑब्जेक्ट छूट सकते हैं। सामान्य मान: अधिकांश उपयोग मामलों के लिए 0.1-0.3, महत्वपूर्ण छोटे ऑब्जेक्ट पहचान के लिए 0.3-0.5। ओवरलैप से बने डुप्लिकेट स्लाइस स्वचालित रूप से हटा दिए जाते हैं..
- overlap_ratio_height (float_zero_to_one): ऊँचाई (ऊर्ध्वाधर) आयाम में लगातार स्लाइसों के बीच ओवरलैप अनुपात। सीमा: 0.0 से <1.0। यह निर्दिष्ट करता है कि स्लाइस की ऊँचाई का कितना भाग सन्निहित स्लाइसों के साथ ओवरलैप होता है। डिफ़ॉल्ट 0.2 का अर्थ 20% ओवरलैप है। अधिक ओवरलैप (जैसे, 0.3-0.5) यह सुनिश्चित करता है कि स्लाइस सीमाओं पर मौजूद ऑब्जेक्टों का पता लगने की संभावना अधिक हो, लेकिन क्योंकि अधिक स्लाइस बनते हैं, प्रसंस्करण समय बढ़ जाता है। कम ओवरलैप (जैसे, 0.1) तेज़ है लेकिन सीमाओं पर ऑब्जेक्ट छूट सकते हैं। सामान्य मान: अधिकांश उपयोग मामलों के लिए 0.1-0.3, महत्वपूर्ण छोटे ऑब्जेक्ट पहचान के लिए 0.3-0.5। ओवरलैप से बने डुप्लिकेट स्लाइस स्वचालित रूप से हटा दिए जाते हैं..
आउटपुट
- स्लाइस (छवि): कार्यप्रवाहों में इमेज।

उदाहरण JSON परिभाषा

{
	    "name": "<your_step_name_here>",
	    "type": "roboflow_core/image_slicer@v2",
	    "image": "$inputs.image",
	    "slice_width": 320,
	    "slice_height": 320,
	    "overlap_ratio_width": 0.1,
	    "overlap_ratio_height": 0.1
	}

v1

इनपुट छवियों को Slicing Adaptive Inference (SAHI) तकनीक का उपयोग करके ओवरलैपिंग टाइलों या स्लाइसों में विभाजित करें, ताकि छोटी छवि क्षेत्रों को प्रोसेस करके छोटे ऑब्जेक्ट का पता लगाने में सक्षम बनाया जा सके, जहाँ ऑब्जेक्ट छवि के आकार की तुलना में अपेक्षाकृत बड़े दिखाई देते हैं; टाइल-आधारित इन्फेरेंस वर्कफ़्लो के माध्यम से बड़े चित्रों में छोटे ऑब्जेक्ट के लिए पहचान सटीकता में सुधार होता है।

यह ब्लॉक कैसे काम करता है

एक इनपुट छवि और slicing कॉन्फ़िगरेशन प्राप्त करता है:
- स्लाइस किए जाने के लिए एक इनपुट छवि लेता है
- स्लाइस के आयाम (पिक्सेल में चौड़ाई और ऊँचाई) प्राप्त करता है
- चौड़ाई और ऊँचाई के लिए ओवरलैप अनुपात प्राप्त करता है (सन्निहित स्लाइसों के बीच ओवरलैप को नियंत्रित करता है)
स्लाइस स्थितियों की गणना करता है:
- छवि के across स्लाइस निर्देशांकों का एक ग्रिड जनरेट करता है
- लगातार स्लाइसों के बीच निर्दिष्ट ओवरलैप के साथ स्लाइसों को स्थित करता है
- ओवरलैप यह सुनिश्चित करने में मदद करता है कि स्लाइस सीमाओं पर मौजूद ऑब्जेक्ट छूटें नहीं
- सीमा स्लाइस निर्दिष्ट आकार से छोटे हो सकते हैं ताकि वे छवि सीमाओं के भीतर फिट हो सकें
छवि स्लाइस बनाता है:
- गणना किए गए निर्देशांकों का उपयोग करके मूल छवि से प्रत्येक स्लाइस निकालता है
- प्रत्येक स्लाइस के लिए crop मेटाडेटा के साथ WorkflowImageData ऑब्जेक्ट बनाता है
- मूल छवि के सापेक्ष प्रत्येक स्लाइस के लिए ऑफ़सेट जानकारी (x, y निर्देशांक) संग्रहीत करता है
- निर्देशांक मैपिंग के लिए parent image संदर्भ बनाए रखता है
एज केसों को संभालता है:
- खाली स्लाइसों को फ़िल्टर करता है (यदि कोई हों)
- सुनिश्चित करता है कि सभी स्लाइस छवि सीमाओं के भीतर फिट हों
- प्रत्येक स्लाइस को ट्रैक करने के लिए crop पहचानकर्ता बनाता है
स्लाइसों की सूची लौटाता है:
- सभी स्लाइसों को छवियों की सूची के रूप में आउटपुट करता है
- आयामिकता को 1 से बढ़ाता है (एक छवि कई स्लाइस बन जाती है)
- प्रत्येक स्लाइस को downstream ब्लॉकों द्वारा स्वतंत्र रूप से प्रोसेस किया जा सकता है

सामान्य उपयोग के मामले

छोटे ऑब्जेक्ट का पता लगाना: SAHI तकनीक का उपयोग करके बड़ी छवियों में छोटे ऑब्जेक्टों का पता लगाएँ (जैसे, हवाई छवियों में छोटे वाहन पहचानें, वाइड-एंगल कैमरा दृश्यों में नंबर प्लेटें खोजें, उच्च-रिज़ॉल्यूशन फ़ोटो में कीड़े पहचानें), जिससे छोटे ऑब्जेक्ट पहचान वर्कफ़्लो सक्षम होते हैं
उच्च-रिज़ॉल्यूशन छवि प्रसंस्करण: बड़ी छवियों को प्रबंधनीय भागों में स्लाइस करके उच्च-रिज़ॉल्यूशन छवियों को प्रोसेस करें (जैसे, उपग्रह चित्रों को प्रोसेस करें, चिकित्सा इमेजिंग स्कैन का विश्लेषण करें, बड़े दस्तावेज़ चित्रों को प्रोसेस करें), जिससे उच्च-रिज़ॉल्यूशन प्रसंस्करण वर्कफ़्लो सक्षम होते हैं
हवाई और ड्रोन इमेजरी: हवाई फोटोग्राफी में ऑब्जेक्टों का पता लगाएँ जहाँ ऑब्जेक्ट छवि आकार की तुलना में छोटे होते हैं (जैसे, ड्रोन फुटेज में वाहन पहचानें, हवाई निगरानी में लोगों को खोजें, उपग्रह छवियों में संरचनाएँ पहचानें), जिससे हवाई पहचान वर्कफ़्लो सक्षम होते हैं
वाइड-एंगल कैमरा मॉनिटरिंग: वाइड-एंगल कैमरा दृश्यों में पहचान में सुधार करें जहाँ ऑब्जेक्ट छोटे दिखाई देते हैं (जैसे, बड़े पार्किंग लॉट्स की निगरानी करें, पैनोरमिक दृश्यों में ऑब्जेक्ट पहचानें, चौड़े कैमरा कवरेज में ट्रैफ़िक का विश्लेषण करें), जिससे वाइड-एंगल मॉनिटरिंग वर्कफ़्लो सक्षम होते हैं
चिकित्सा इमेजिंग विश्लेषण: चिकित्सा छवियों को अलग-अलग क्षेत्रों में प्रोसेस करके उनका विश्लेषण करें (जैसे, बड़े स्कैन में घाव पहचानें, चिकित्सा छवियों में असामान्यताएँ खोजें, रेडियोलॉजी छवियों का विश्लेषण करें), जिससे चिकित्सा इमेजिंग वर्कफ़्लो सक्षम होते हैं
दस्तावेज़ और पाठ प्रसंस्करण: बड़े दस्तावेज़ों को क्षेत्रों में स्लाइस करके प्रोसेस करें (जैसे, बड़े दस्तावेज़ों पर OCR करें, स्कैन किए गए दस्तावेज़ों में पाठ क्षेत्रों का पता लगाएँ, दस्तावेज़ लेआउट का विश्लेषण करें), जिससे दस्तावेज़ प्रसंस्करण वर्कफ़्लो सक्षम होते हैं

अन्य ब्लॉक्स से कनेक्ट करना

यह ब्लॉक छवियाँ प्राप्त करता है और छवि स्लाइस उत्पन्न करता है:

छवि इनपुट या preprocessing ब्लॉकों के बाद SAHI प्रोसेसिंग के लिए छवियों को स्लाइस करने हेतु (जैसे, इनपुट छवियों को स्लाइस करें, पूर्व-प्रसंस्कृत छवियों को प्रोसेस करें, परिवर्तित छवियों को स्लाइस करें), जिससे image-to-slice वर्कफ़्लो सक्षम होते हैं
डिटेक्शन मॉडल ब्लॉकों से पहले (ऑब्जेक्ट डिटेक्शन मॉडल, instance segmentation मॉडल) छोटे ऑब्जेक्ट पहचान के लिए स्लाइसों को प्रोसेस करने हेतु (जैसे, स्लाइसों में ऑब्जेक्ट पहचानें, प्रत्येक स्लाइस पर डिटेक्शन चलाएँ, मॉडल के साथ स्लाइसों को प्रोसेस करें), जिससे slice-to-detection वर्कफ़्लो सक्षम होते हैं
Detections Stitch ब्लॉक से पहले (डिटेक्शन मॉडल के बाद आवश्यक) स्लाइसों से प्राप्त डिटेक्शनों को वापस मूल छवि निर्देशांकों में मिलाने हेतु (जैसे, स्लाइस डिटेक्शनों को मर्ज करें, डिटेक्शन परिणामों को संयोजित करें, पूर्ण-छवि पूर्वानुमानों का पुनर्निर्माण करें), जिससे slice-detection-stitch वर्कफ़्लो सक्षम होते हैं
SAHI वर्कफ़्लो में इस पैटर्न का अनुसरण करते हुए: Image Slicer → Detection Model → Detections Stitch, छोटे ऑब्जेक्ट पहचान के लिए संपूर्ण SAHI तकनीक लागू करें
फ़िल्टरिंग या analytics ब्लॉकों से पहले stitching से पहले slice-स्तरीय परिणामों को प्रोसेस करने हेतु (जैसे, प्रति स्लाइस डिटेक्शनों को फ़िल्टर करें, स्लाइस परिणामों का विश्लेषण करें, स्लाइस आउटपुट प्रोसेस करें), जिससे slice-to-analysis वर्कफ़्लो सक्षम होते हैं
बहु-चरणीय डिटेक्शन पाइपलाइनों के हिस्से के रूप में जहाँ स्लाइसों को स्वतंत्र रूप से प्रोसेस किया जाता है और परिणामों को संयोजित किया जाता है (जैसे, multi-scale detection, hierarchical detection, parallel slice processing), जिससे बहु-चरणीय डिटेक्शन वर्कफ़्लो सक्षम होते हैं

आवश्यकताएँ

प्रकार पहचानकर्ता

स्टेप में निम्नलिखित पहचानकर्ता का उपयोग करें "type" फ़ील्ड: roboflow_core/image_slicer@v1 अपने वर्कफ़्लो में ब्लॉक को एक स्टेप के रूप में जोड़ने के लिए।

गुण

नाम

प्रकार

विवरण

संदर्भ

name

str

इस स्टेप के लिए एक विशिष्ट पहचानकर्ता दर्ज करें..

❌

slice_width

int

✅

slice_height

int

✅

overlap_ratio_width

float

✅

overlap_ratio_height

float

✅

इनपुट और आउटपुट बाइंडिंग्स

उपलब्ध कनेक्शन उसके बाइंडिंग प्रकारों पर निर्भर करते हैं। देखें कि कौन-से बाइंडिंग प्रकार छवि स्लाइसर संस्करण v1 है।

इनपुट और आउटपुट बाइंडिंग्स

इनपुट
- छवि (छवि): इनपुट छवि जिसे छोटे टाइलों में स्लाइस किया जाना है। छवि को स्लाइस आयामों और ओवरलैप अनुपात के आधार पर ओवरलैपिंग स्लाइसों में विभाजित किया जाएगा। प्रत्येक स्लाइस निर्देशांक मैपिंग के लिए मूल छवि में अपनी स्थिति के बारे में मेटाडेटा बनाए रखता है। SAHI (Slicing Adaptive Inference) वर्कफ़्लो में, छवि क्षेत्रों को अलग-अलग प्रोसेस करके छोटे ऑब्जेक्ट पहचान सक्षम करने के लिए उपयोग किया जाता है..
- slice_width (पूर्णांक): प्रत्येक स्लाइस की चौड़ाई पिक्सेल में। सर्वोत्तम प्रदर्शन के लिए यह आदर्श रूप से आपके डिटेक्शन मॉडल की इनपुट चौड़ाई से मेल खानी चाहिए। यदि अलग हो, तो मॉडल inference के दौरान स्लाइसों का आकार बदला जाएगा, जिससे सटीकता प्रभावित हो सकती है। सामान्य मान: 320 (320px इनपुट वाले मॉडलों के लिए), 640 (डिफ़ॉल्ट, अधिकांश YOLO मॉडलों के लिए), 1280 (उच्च-रिज़ॉल्यूशन मॉडलों के लिए)। बड़े स्लाइस कम कुल स्लाइस प्रोसेस करते हैं, लेकिन बहुत छोटे ऑब्जेक्ट छूट सकते हैं। छोटे स्लाइस छोटे ऑब्जेक्ट पहचानते हैं, लेकिन प्रसंस्करण समय बढ़ाते हैं..
- slice_height (पूर्णांक): प्रत्येक स्लाइस की ऊँचाई पिक्सेल में। सर्वोत्तम प्रदर्शन के लिए यह आदर्श रूप से आपके डिटेक्शन मॉडल की इनपुट ऊँचाई से मेल खानी चाहिए। यदि अलग हो, तो मॉडल inference के दौरान स्लाइसों का आकार बदला जाएगा, जिससे सटीकता प्रभावित हो सकती है। सामान्य मान: 320 (320px इनपुट वाले मॉडलों के लिए), 640 (डिफ़ॉल्ट, अधिकांश YOLO मॉडलों के लिए), 1280 (उच्च-रिज़ॉल्यूशन मॉडलों के लिए)। बड़े स्लाइस कम कुल स्लाइस प्रोसेस करते हैं, लेकिन बहुत छोटे ऑब्जेक्ट छूट सकते हैं। छोटे स्लाइस छोटे ऑब्जेक्ट पहचानते हैं, लेकिन प्रसंस्करण समय बढ़ाते हैं..
- overlap_ratio_width (float_zero_to_one): चौड़ाई (क्षैतिज) आयाम में लगातार स्लाइसों के बीच ओवरलैप अनुपात। सीमा: 0.0 से <1.0। यह निर्दिष्ट करता है कि स्लाइस की चौड़ाई का कितना भाग सन्निहित स्लाइसों के साथ ओवरलैप होता है। डिफ़ॉल्ट 0.2 का अर्थ 20% ओवरलैप है। अधिक ओवरलैप (जैसे, 0.3-0.5) यह सुनिश्चित करता है कि स्लाइस सीमाओं पर मौजूद ऑब्जेक्टों का पता लगने की संभावना अधिक हो, लेकिन क्योंकि अधिक स्लाइस बनते हैं, प्रसंस्करण समय बढ़ जाता है। कम ओवरलैप (जैसे, 0.1) तेज़ है लेकिन सीमाओं पर ऑब्जेक्ट छूट सकते हैं। सामान्य मान: अधिकांश उपयोग मामलों के लिए 0.1-0.3, महत्वपूर्ण छोटे ऑब्जेक्ट पहचान के लिए 0.3-0.5..
- overlap_ratio_height (float_zero_to_one): ऊँचाई (ऊर्ध्वाधर) आयाम में लगातार स्लाइसों के बीच ओवरलैप अनुपात। सीमा: 0.0 से <1.0। यह निर्दिष्ट करता है कि स्लाइस की ऊँचाई का कितना भाग सन्निहित स्लाइसों के साथ ओवरलैप होता है। डिफ़ॉल्ट 0.2 का अर्थ 20% ओवरलैप है। अधिक ओवरलैप (जैसे, 0.3-0.5) यह सुनिश्चित करता है कि स्लाइस सीमाओं पर मौजूद ऑब्जेक्टों का पता लगने की संभावना अधिक हो, लेकिन क्योंकि अधिक स्लाइस बनते हैं, प्रसंस्करण समय बढ़ जाता है। कम ओवरलैप (जैसे, 0.1) तेज़ है लेकिन सीमाओं पर ऑब्जेक्ट छूट सकते हैं। सामान्य मान: अधिकांश उपयोग मामलों के लिए 0.1-0.3, महत्वपूर्ण छोटे ऑब्जेक्ट पहचान के लिए 0.3-0.5..
आउटपुट
- स्लाइस (छवि): कार्यप्रवाहों में इमेज।

उदाहरण JSON परिभाषा

{
	    "name": "<your_step_name_here>",
	    "type": "roboflow_core/image_slicer@v1",
	    "image": "$inputs.image",
	    "slice_width": 320,
	    "slice_height": 320,
	    "overlap_ratio_width": 0.1,
	    "overlap_ratio_height": 0.1
	}

पिछलापहला गैर-रिक्त या डिफ़ॉल्ट अगलाJSON पार्सर

अंतिम अपडेट 12 दिन पहले

क्या यह उपयोगी था?