画像スライサー

入力画像をより小さな画像のリストに分割し、小さいオブジェクトを検出できるようにします。

v2

Slicing Adaptive Inference（SAHI）手法を使用して、入力画像を重なり合うタイルまたはスライスに分割し、より小さな画像領域を処理することで画像サイズに対して物体が相対的に大きく見えるようにして小物体検出を可能にします。等サイズのスライスと重複排除を伴うタイル化推論ワークフローを通じて、大きな画像内の小物体に対する検出精度を向上させます。

このブロックの仕組み

このブロックは、大きな画像をより小さな重なり合うタイルに分割することで、SAHI（Slicing Adaptive Inference）手法の最初のステップを実装します。このアプローチは、画像全体を一度に処理すると見逃される可能性のある小物体の検出に役立ちます。このブロックは、

1. 入力画像とスライス設定を受け取ります:

   • スライスする入力画像を受け取ります

   • スライス寸法（ピクセル単位の幅と高さ）を受け取ります

   • 幅と高さの重なり率を受け取ります（隣接スライス間の重なりを制御します）

2. スライス位置を計算します:

   • 画像全体にわたるスライス座標のグリッドを生成します

   • 連続するスライス間に指定された重なりを持たせてスライスを配置します

   • 重なりにより、スライス境界上の物体が見逃されにくくなります

   • すべてのスライスが同じサイズになるように境界スライスの位置を調整します（境界スライスを画像中心側へ押し込みます）

3. 画像スライスを作成します:

   • 計算された座標を使用して元画像から各スライスを抽出します

   • クロップメタデータ付きで各スライスの WorkflowImageData オブジェクトを作成します

   • 元画像に対する各スライスのオフセット情報（x, y 座標）を保存します

   • 座標マッピングのために親画像の参照を保持します

4. スライスを重複排除します:

   • 重なり計算によって発生する可能性のある重複スライス座標を削除します

   • 各一意のスライス位置が出力に一度だけ現れるようにします

   • 同一の画像領域に対する冗長な処理を防ぎます

5. エッジケースを処理します:

   • 空のスライスがあれば除外します

   • すべてのスライスが画像境界内に収まるようにします

   • 各スライスを追跡するためのクロップ識別子を作成します

6. スライスのリストを返します:

   • すべての一意なスライスを画像のリストとして出力します

   • すべてのスライスが同じ寸法になります（境界スライスはそれに合わせて調整されます）

   • 次元数を1増やします（1枚の画像が複数のスライスになります）

   • 各スライスは下流ブロックで独立して処理できます

SAHI手法は、スライスサイズに対して小物体を相対的に大きく見せることで機能します。大きな画像内で物体が数ピクセルしかない場合、画像をモデルの入力サイズまで縮小すると、その物体は小さすぎて検出できなくなります。画像をスライスして各スライスを個別に処理することで、同じ物体が各スライス内でより多くのピクセルを占め、検出の信頼性が高まります。重なり合うスライスにより、スライス境界付近の物体も少なくとも1つのスライスで検出されます。

一般的な使用例

• 小物体検出: SAHI手法を使用して大きな画像内の小物体を検出します（例: 航空画像内の小さな車両を検出、広角カメラ映像でナンバープレートを検出、高解像度写真で昆虫を検出）。小物体検出ワークフローを可能にします

• 高解像度画像処理: 画像を管理しやすい単位に分割して高解像度画像を処理します（例: 衛星画像の処理、医用画像スキャンの解析、大きな文書画像の処理）。高解像度処理ワークフローを可能にします

• 航空・ドローン画像: 画像サイズに対して物体が小さい航空写真内の物体を検出します（例: ドローン映像内の車両を検出、航空監視で人を検出、衛星画像内の構造物を検出）。航空検出ワークフローを可能にします

• 広角カメラ監視: 広角カメラ映像で物体が小さく見える場合の検出を改善します（例: 大規模駐車場の監視、パノラマ表示での物体検出、広角撮影範囲での交通解析）。広角監視ワークフローを可能にします

• 医用画像解析: 領域ごとに分けて医用画像を解析します（例: 大きなスキャン内の病変を検出、医用画像内の異常を発見、放射線画像を解析）。医用画像ワークフローを可能にします

• 文書・テキスト処理: 領域に分割して大きな文書を処理します（例: 大量文書のOCR、スキャン文書内のテキスト領域検出、文書レイアウト解析）。文書処理ワークフローを可能にします

他のブロックへの接続

このブロックは画像を受け取り、画像スライスを生成します:

• 画像入力または前処理ブロックの後 SAHI処理のために画像をスライスします（例: 入力画像をスライス、前処理済み画像を処理、変換済み画像をスライス）。画像からスライスへのワークフローを可能にします

• 検出モデルブロックの前 （物体検出モデル、インスタンスセグメンテーションモデル）で小物体検出のためにスライスを処理します（例: スライス内の物体を検出、各スライスで検出を実行、モデルでスライスを処理）。スライスから検出へのワークフローを可能にします

• Detections Stitch ブロックの前 （検出モデルの後に必要）スライスからの検出結果を元画像座標に戻して結合します（例: スライス検出を結合、検出結果を統合、フル画像予測を再構成）。スライス-検出-結合ワークフローを可能にします

• SAHIワークフローでは 「Image Slicer → Detection Model → Detections Stitch」というパターンに従って、小物体検出のための完全なSAHI手法を実装します

• フィルタリングまたは分析ブロックの前 結合の前にスライスレベルの結果を処理します（例: スライスごとの検出をフィルタリング、スライス結果を分析、スライス出力を処理）。スライスから分析へのワークフローを可能にします

• 多段階検出パイプラインの一部として スライスを独立して処理し、結果を結合する場合（例: マルチスケール検出、階層的検出、並列スライス処理）。多段階検出ワークフローを可能にします

バージョン差分

このバージョン（v2）は、v1に対して以下の改善を含みます:

• 等サイズスライス: スライサーによって生成されるすべてのスライスは同じ寸法になります。v1では通常より小さくなる境界スライスは、画像中心側へ押し込むことで調整され、一貫したスライスサイズが保証されます。これにより、より予測しやすい処理挙動が得られ、すべてのスライスが同じ寸法で処理されるため、モデル推論の一貫性に重要な場合があります。

• 重複排除: 重複するスライス座標は自動的に削除され、各一意のスライス位置が出力に一度だけ現れるようになります。これにより、重なり計算によって発生しうる同一画像領域の冗長な処理が防がれ、効率が向上し、重複検出も防止されます。

要件

このブロックには入力画像が必要です。最適な性能のため、スライス寸法（幅と高さ）は理想的にはモデルの入力サイズに一致しているべきです。スライスサイズがモデルの入力サイズと異なる場合、推論中にスライスはリサイズされ、精度に影響する可能性があります。デフォルトのスライスサイズは640x640ピクセルですが、モデルの入力サイズに応じて調整してください（例: 入力サイズ320のモデルには320x320、入力サイズ1280のモデルには1280x1280を使用）。重なり率（デフォルト0.2または20%）はスライス境界上の物体の検出に役立ちますが、重なりを大きくすると処理時間が増えます。このブロックは物体検出またはインスタンスセグメンテーションモデルと併用し、結果を結合するために Detections Stitch ブロックの後に使用してください。SAHI手法の詳細は https://ieeexplore.ieee.org/document/9897990 を参照してください。実践ガイドは https://blog.roboflow.com/how-to-use-sahi-to-detect-small-objects/ をご覧ください。

型識別子

ステップで次の識別子を使用してください "type" フィールド： roboflow_core/image_slicer@v2 ワークフローにこのブロックをステップとして追加するには。

プロパティ

名前	型	説明	参照
name	str	このステップの一意の識別子を入力してください。	❌
slice_width	整数	各スライスの幅（ピクセル単位）。最適な性能のため、理想的には検出モデルの入力幅に一致しているべきです。異なる場合、推論中にスライスはリサイズされ、精度に影響する可能性があります。一般的な値: 320（入力320pxのモデル用）、640（デフォルト、ほとんどのYOLOモデル用）、1280（高解像度モデル用）。大きいスライスは処理するスライス数が少なくなりますが、非常に小さな物体を見逃す可能性があります。小さいスライスはより小さな物体を検出しやすいですが、処理時間が増えます。すべてのスライスは同じ幅になります（境界スライスはそれに合わせて調整されます）..	✅
slice_height	整数	各スライスの高さ（ピクセル単位）。最適な性能のため、理想的には検出モデルの入力高さに一致しているべきです。異なる場合、推論中にスライスはリサイズされ、精度に影響する可能性があります。一般的な値: 320（入力320pxのモデル用）、640（デフォルト、ほとんどのYOLOモデル用）、1280（高解像度モデル用）。大きいスライスは処理するスライス数が少なくなりますが、非常に小さな物体を見逃す可能性があります。小さいスライスはより小さな物体を検出しやすいですが、処理時間が増えます。すべてのスライスは同じ高さになります（境界スライスはそれに合わせて調整されます）..	✅
overlap_ratio_width	float	幅（水平）方向の連続するスライス間の重なり率。範囲: 0.0 以上 1.0 未満。スライス幅のどの割合が隣接スライスと重なるかを指定します。デフォルト0.2は20%の重なりを意味します。重なりを大きくすると（例: 0.3〜0.5）、スライス境界上の物体が検出されやすくなりますが、作成されるスライス数が増えるため処理時間も増えます。重なりを小さくすると（例: 0.1）高速ですが、境界の物体を見逃す可能性があります。一般的な値: 多くの用途では0.1〜0.3、重要な小物体検出では0.3〜0.5。重なりによって作成された重複スライスは自動的に削除されます。..	✅
overlap_ratio_height	float	高さ（垂直）方向の連続するスライス間の重なり率。範囲: 0.0 以上 1.0 未満。スライス高さのどの割合が隣接スライスと重なるかを指定します。デフォルト0.2は20%の重なりを意味します。重なりを大きくすると（例: 0.3〜0.5）、スライス境界上の物体が検出されやすくなりますが、作成されるスライス数が増えるため処理時間も増えます。重なりを小さくすると（例: 0.1）高速ですが、境界の物体を見逃す可能性があります。一般的な値: 多くの用途では0.1〜0.3、重要な小物体検出では0.3〜0.5。重なりによって作成された重複スライスは自動的に削除されます。..	✅

この 参照 列は、で利用可能な動的値を使ってプロパティをパラメータ化できる可能性を示します ワークフロー 実行時。参照 バインディング 詳細は。

入力と出力のバインディング

利用可能な接続は、そのバインディング種別によって異なります。どのバインディング種別が 画像スライサー のバージョン v2 あるか確認してください。

入力と出力のバインディング

• 入力

  • image (image): 画像をより小さなタイルに分割するための入力画像。画像は、スライス寸法と重なり率に基づいて重なり合うスライスに分割されます。各スライスは、座標マッピングのために元画像内での位置に関するメタデータを保持します。すべてのスライスは同じ寸法になります（境界スライスはそれに合わせて調整されます）。SAHI（Slicing Adaptive Inference）ワークフローで使用され、画像領域を個別に処理することで小物体検出を可能にします。..

  • slice_width (整数): 各スライスの幅（ピクセル単位）。最適な性能のため、理想的には検出モデルの入力幅に一致しているべきです。異なる場合、推論中にスライスはリサイズされ、精度に影響する可能性があります。一般的な値: 320（入力320pxのモデル用）、640（デフォルト、ほとんどのYOLOモデル用）、1280（高解像度モデル用）。大きいスライスは処理するスライス数が少なくなりますが、非常に小さな物体を見逃す可能性があります。小さいスライスはより小さな物体を検出しやすいですが、処理時間が増えます。すべてのスライスは同じ幅になります（境界スライスはそれに合わせて調整されます）..

  • slice_height (整数): 各スライスの高さ（ピクセル単位）。最適な性能のため、理想的には検出モデルの入力高さに一致しているべきです。異なる場合、推論中にスライスはリサイズされ、精度に影響する可能性があります。一般的な値: 320（入力320pxのモデル用）、640（デフォルト、ほとんどのYOLOモデル用）、1280（高解像度モデル用）。大きいスライスは処理するスライス数が少なくなりますが、非常に小さな物体を見逃す可能性があります。小さいスライスはより小さな物体を検出しやすいですが、処理時間が増えます。すべてのスライスは同じ高さになります（境界スライスはそれに合わせて調整されます）..

  • overlap_ratio_width (float_zero_to_one): 幅（水平）方向の連続するスライス間の重なり率。範囲: 0.0 以上 1.0 未満。スライス幅のどの割合が隣接スライスと重なるかを指定します。デフォルト0.2は20%の重なりを意味します。重なりを大きくすると（例: 0.3〜0.5）、スライス境界上の物体が検出されやすくなりますが、作成されるスライス数が増えるため処理時間も増えます。重なりを小さくすると（例: 0.1）高速ですが、境界の物体を見逃す可能性があります。一般的な値: 多くの用途では0.1〜0.3、重要な小物体検出では0.3〜0.5。重なりによって作成された重複スライスは自動的に削除されます。..

  • overlap_ratio_height (float_zero_to_one): 高さ（垂直）方向の連続するスライス間の重なり率。範囲: 0.0 以上 1.0 未満。スライス高さのどの割合が隣接スライスと重なるかを指定します。デフォルト0.2は20%の重なりを意味します。重なりを大きくすると（例: 0.3〜0.5）、スライス境界上の物体が検出されやすくなりますが、作成されるスライス数が増えるため処理時間も増えます。重なりを小さくすると（例: 0.1）高速ですが、境界の物体を見逃す可能性があります。一般的な値: 多くの用途では0.1〜0.3、重要な小物体検出では0.3〜0.5。重なりによって作成された重複スライスは自動的に削除されます。..

• 出力

  • スライス (image): ワークフロー内の画像。

JSON 定義の例

{
	    "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

Slicing Adaptive Inference（SAHI）手法を使用して、入力画像を重なり合うタイルまたはスライスに分割し、より小さな画像領域を処理することで画像サイズに対して物体が相対的に大きく見えるようにして小物体検出を可能にします。タイル化推論ワークフローを通じて、大きな画像内の小物体に対する検出精度を向上させます。

このブロックの仕組み

このブロックは、大きな画像をより小さな重なり合うタイルに分割することで、SAHI（Slicing Adaptive Inference）手法の最初のステップを実装します。このアプローチは、画像全体を一度に処理すると見逃される可能性のある小物体の検出に役立ちます。このブロックは、

1. 入力画像とスライス設定を受け取ります:

   • スライスする入力画像を受け取ります

   • スライス寸法（ピクセル単位の幅と高さ）を受け取ります

   • 幅と高さの重なり率を受け取ります（隣接スライス間の重なりを制御します）

2. スライス位置を計算します:

   • 画像全体にわたるスライス座標のグリッドを生成します

   • 連続するスライス間に指定された重なりを持たせてスライスを配置します

   • 重なりにより、スライス境界上の物体が見逃されにくくなります

   • 境界スライスは、画像境界内に収めるために指定サイズより小さくなる場合があります

3. 画像スライスを作成します:

   • 計算された座標を使用して元画像から各スライスを抽出します

   • クロップメタデータ付きで各スライスの WorkflowImageData オブジェクトを作成します

   • 元画像に対する各スライスのオフセット情報（x, y 座標）を保存します

   • 座標マッピングのために親画像の参照を保持します

4. エッジケースを処理します:

   • 空のスライスがあれば除外します

   • すべてのスライスが画像境界内に収まるようにします

   • 各スライスを追跡するためのクロップ識別子を作成します

5. スライスのリストを返します:

   • すべてのスライスを画像のリストとして出力します

   • 次元数を1増やします（1枚の画像が複数のスライスになります）

   • 各スライスは下流ブロックで独立して処理できます

SAHI手法は、スライスサイズに対して小物体を相対的に大きく見せることで機能します。大きな画像内で物体が数ピクセルしかない場合、画像をモデルの入力サイズまで縮小すると、その物体は小さすぎて検出できなくなります。画像をスライスして各スライスを個別に処理することで、同じ物体が各スライス内でより多くのピクセルを占め、検出の信頼性が高まります。重なり合うスライスにより、スライス境界付近の物体も少なくとも1つのスライスで検出されます。

一般的な使用例

• 小物体検出: SAHI手法を使用して大きな画像内の小物体を検出します（例: 航空画像内の小さな車両を検出、広角カメラ映像でナンバープレートを検出、高解像度写真で昆虫を検出）。小物体検出ワークフローを可能にします

• 高解像度画像処理: 画像を管理しやすい単位に分割して高解像度画像を処理します（例: 衛星画像の処理、医用画像スキャンの解析、大きな文書画像の処理）。高解像度処理ワークフローを可能にします

• 航空・ドローン画像: 画像サイズに対して物体が小さい航空写真内の物体を検出します（例: ドローン映像内の車両を検出、航空監視で人を検出、衛星画像内の構造物を検出）。航空検出ワークフローを可能にします

• 広角カメラ監視: 広角カメラ映像で物体が小さく見える場合の検出を改善します（例: 大規模駐車場の監視、パノラマ表示での物体検出、広角撮影範囲での交通解析）。広角監視ワークフローを可能にします

• 医用画像解析: 領域ごとに分けて医用画像を解析します（例: 大きなスキャン内の病変を検出、医用画像内の異常を発見、放射線画像を解析）。医用画像ワークフローを可能にします

• 文書・テキスト処理: 領域に分割して大きな文書を処理します（例: 大量文書のOCR、スキャン文書内のテキスト領域検出、文書レイアウト解析）。文書処理ワークフローを可能にします

他のブロックへの接続

このブロックは画像を受け取り、画像スライスを生成します:

• 画像入力または前処理ブロックの後 SAHI処理のために画像をスライスします（例: 入力画像をスライス、前処理済み画像を処理、変換済み画像をスライス）。画像からスライスへのワークフローを可能にします

• 検出モデルブロックの前 （物体検出モデル、インスタンスセグメンテーションモデル）で小物体検出のためにスライスを処理します（例: スライス内の物体を検出、各スライスで検出を実行、モデルでスライスを処理）。スライスから検出へのワークフローを可能にします

• Detections Stitch ブロックの前 （検出モデルの後に必要）スライスからの検出結果を元画像座標に戻して結合します（例: スライス検出を結合、検出結果を統合、フル画像予測を再構成）。スライス-検出-結合ワークフローを可能にします

• SAHIワークフローでは 「Image Slicer → Detection Model → Detections Stitch」というパターンに従って、小物体検出のための完全なSAHI手法を実装します

• フィルタリングまたは分析ブロックの前 結合の前にスライスレベルの結果を処理します（例: スライスごとの検出をフィルタリング、スライス結果を分析、スライス出力を処理）。スライスから分析へのワークフローを可能にします

• 多段階検出パイプラインの一部として スライスを独立して処理し、結果を結合する場合（例: マルチスケール検出、階層的検出、並列スライス処理）。多段階検出ワークフローを可能にします

要件

このブロックには入力画像が必要です。最適な性能のため、スライス寸法（幅と高さ）は理想的にはモデルの入力サイズに一致しているべきです。スライスサイズがモデルの入力サイズと異なる場合、推論中にスライスはリサイズされ、精度に影響する可能性があります。デフォルトのスライスサイズは640x640ピクセルですが、モデルの入力サイズに応じて調整してください（例: 入力サイズ320のモデルには320x320、入力サイズ1280のモデルには1280x1280を使用）。重なり率（デフォルト0.2または20%）はスライス境界上の物体の検出に役立ちますが、重なりを大きくすると処理時間が増えます。このブロックは物体検出またはインスタンスセグメンテーションモデルと併用し、結果を結合するために Detections Stitch ブロックの後に使用してください。SAHI手法の詳細は https://ieeexplore.ieee.org/document/9897990 を参照してください。実践ガイドは https://blog.roboflow.com/how-to-use-sahi-to-detect-small-objects/ をご覧ください。

型識別子

ステップで次の識別子を使用してください "type" フィールド： roboflow_core/image_slicer@v1 ワークフローにこのブロックをステップとして追加するには。

プロパティ

名前	型	説明	参照
name	str	このステップの一意の識別子を入力してください。	❌
slice_width	整数	各スライスの幅（ピクセル単位）。最適な性能のため、理想的には検出モデルの入力幅に一致しているべきです。異なる場合、推論中にスライスはリサイズされ、精度に影響する可能性があります。一般的な値: 320（入力320pxのモデル用）、640（デフォルト、ほとんどのYOLOモデル用）、1280（高解像度モデル用）。大きいスライスは処理するスライス数が少なくなりますが、非常に小さな物体を見逃す可能性があります。小さいスライスはより小さな物体を検出しやすいですが、処理時間が増えます。	✅
slice_height	整数	各スライスの高さ（ピクセル単位）。最適な性能のため、理想的には検出モデルの入力高さに一致しているべきです。異なる場合、推論中にスライスはリサイズされ、精度に影響する可能性があります。一般的な値: 320（入力320pxのモデル用）、640（デフォルト、ほとんどのYOLOモデル用）、1280（高解像度モデル用）。大きいスライスは処理するスライス数が少なくなりますが、非常に小さな物体を見逃す可能性があります。小さいスライスはより小さな物体を検出しやすいですが、処理時間が増えます。	✅
overlap_ratio_width	float	幅（水平）方向の連続するスライス間の重なり率。範囲: 0.0 以上 1.0 未満。スライス幅のどの割合が隣接スライスと重なるかを指定します。デフォルト0.2は20%の重なりを意味します。重なりを大きくすると（例: 0.3〜0.5）、スライス境界上の物体が検出されやすくなりますが、作成されるスライス数が増えるため処理時間も増えます。重なりを小さくすると（例: 0.1）高速ですが、境界の物体を見逃す可能性があります。一般的な値: 多くの用途では0.1〜0.3、重要な小物体検出では0.3〜0.5。..	✅
overlap_ratio_height	float	高さ（垂直）方向の連続するスライス間の重なり率。範囲: 0.0 以上 1.0 未満。スライス高さのどの割合が隣接スライスと重なるかを指定します。デフォルト0.2は20%の重なりを意味します。重なりを大きくすると（例: 0.3〜0.5）、スライス境界上の物体が検出されやすくなりますが、作成されるスライス数が増えるため処理時間も増えます。重なりを小さくすると（例: 0.1）高速ですが、境界の物体を見逃す可能性があります。一般的な値: 多くの用途では0.1〜0.3、重要な小物体検出では0.3〜0.5。..	✅

この 参照 列は、で利用可能な動的値を使ってプロパティをパラメータ化できる可能性を示します ワークフロー 実行時。参照 バインディング 詳細は。

入力と出力のバインディング

利用可能な接続は、そのバインディング種別によって異なります。どのバインディング種別が 画像スライサー のバージョン v1 あるか確認してください。

入力と出力のバインディング

• 入力

  • image (image): 画像をより小さなタイルに分割するための入力画像。画像は、スライス寸法と重なり率に基づいて重なり合うスライスに分割されます。各スライスは、座標マッピングのために元画像内での位置に関するメタデータを保持します。SAHI（Slicing Adaptive Inference）ワークフローで使用され、画像領域を個別に処理することで小物体検出を可能にします。..

  • slice_width (整数): 各スライスの幅（ピクセル単位）。最適な性能のため、理想的には検出モデルの入力幅に一致しているべきです。異なる場合、推論中にスライスはリサイズされ、精度に影響する可能性があります。一般的な値: 320（入力320pxのモデル用）、640（デフォルト、ほとんどのYOLOモデル用）、1280（高解像度モデル用）。大きいスライスは処理するスライス数が少なくなりますが、非常に小さな物体を見逃す可能性があります。小さいスライスはより小さな物体を検出しやすいですが、処理時間が増えます。..

  • slice_height (整数): 各スライスの高さ（ピクセル単位）。最適な性能のため、理想的には検出モデルの入力高さに一致しているべきです。異なる場合、推論中にスライスはリサイズされ、精度に影響する可能性があります。一般的な値: 320（入力320pxのモデル用）、640（デフォルト、ほとんどのYOLOモデル用）、1280（高解像度モデル用）。大きいスライスは処理するスライス数が少なくなりますが、非常に小さな物体を見逃す可能性があります。小さいスライスはより小さな物体を検出しやすいですが、処理時間が増えます。..

  • overlap_ratio_width (float_zero_to_one): 幅（水平）方向の連続するスライス間の重なり率。範囲: 0.0 以上 1.0 未満。スライス幅のどの割合が隣接スライスと重なるかを指定します。デフォルト0.2は20%の重なりを意味します。重なりを大きくすると（例: 0.3〜0.5）、スライス境界上の物体が検出されやすくなりますが、作成されるスライス数が増えるため処理時間も増えます。重なりを小さくすると（例: 0.1）高速ですが、境界の物体を見逃す可能性があります。一般的な値: 多くの用途では0.1〜0.3、重要な小物体検出では0.3〜0.5。..

  • overlap_ratio_height (float_zero_to_one): 高さ（垂直）方向の連続するスライス間の重なり率。範囲: 0.0 以上 1.0 未満。スライス高さのどの割合が隣接スライスと重なるかを指定します。デフォルト0.2は20%の重なりを意味します。重なりを大きくすると（例: 0.3〜0.5）、スライス境界上の物体が検出されやすくなりますが、作成されるスライス数が増えるため処理時間も増えます。重なりを小さくすると（例: 0.1）高速ですが、境界の物体を見逃す可能性があります。一般的な値: 多くの用途では0.1〜0.3、重要な小物体検出では0.3〜0.5。..

• 出力

  • スライス (image): ワークフロー内の画像。

JSON 定義の例

{
	    "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
	}