小さなオブジェクトの検出

WorkflowでSAHI（slicing aided hyper inference）を使用し、画像を分割してタイルごとにモデルを実行し、検出結果を結合することで小さなオブジェクトを検出します。

機械学習システムの性能を向上させる最善の方法は、しばしばモデルの改善とは直接関係のないところにあります。より多くのデータを収集したり、データセットをより正確にラベル付けしたり、検出に冗長性を追加したり、問題をより小さな要素に分解したりする方が、通常はモデルアーキテクチャを反復的に改良するよりも効果の大きい取り組みです。

モデル性能におけるよくある欠点の一つは、対象物が画像サイズに対して非常に小さい場合に起こります。1つの方法は、画像をより小さなチャンクにタイル分割し、それらを並列でモデルに通すことです。この方法は SAHI（Slicing Aided Hyper Inference）と呼ばれます。大きな画像を重なり合うスライスに分割し、各スライスをモデルに通し、単一の予測として出力を再構成します。

SAHIを使うワークフローは、Image Slicer と Detections Stitch ブロックを使えば簡単です。

難易度： 簡単 完了までの時間： 10分

開始点

以下に似た出力から始めます Hello World チュートリアル。物体検出モデルの予測結果を可視化するシンプルなワークフローを作成するには、そのガイドに従ってください：

しかし、対象物が小さいと、このモデルでは見つけられません。

このモデルが学習した MS COCO データセットでは、車は最も多く表現されているクラスの1つですが、それでも1台しか見つかりません。画像をモデルの入力解像度に縮小すると、車は数ピクセル幅にしかならないためです。

SAHIを追加

これを、画像をより小さなタイルに分割することで修正します。そうすれば、モデルがより多くの画素情報を使って推論できるようになります。

最初のステップは、Image Slicer ブロックをワークフローに追加することです。これは並列実行パスで行い、最後に元のSAHIなし予測と出力を比較できるようにします。

次に、各スライス上で動作する物体検出モデルを追加します。Image Slicer ブロックと Image Stitch ブロックの間にあるものはすべて、スライス集合に対して要素ごとに処理されます。Workflows は、可能なところでは作業を自動的に並列化します（たとえば GPU 経由で予測をバッチ処理するなど）。