이미지 슬라이서

작은 객체 검출을 수행하기 위해 입력 이미지를 더 작은 이미지 목록으로 타일링합니다.

v2

분할 적응 추론(SAHI) 기법을 사용해 입력 이미지를 서로 겹치는 타일 또는 슬라이스로 분할하여, 객체가 이미지 크기에 비해 더 크게 보이는 더 작은 이미지 영역을 처리함으로써 작은 객체 탐지를 가능하게 하고, 동일한 크기의 슬라이스와 중복 제거를 사용하는 타일 기반 추론 워크플로를 통해 큰 이미지에서 작은 객체의 탐지 정확도를 향상시킵니다.

이 블록의 작동 방식

이 블록은 큰 이미지를 서로 겹치는 더 작은 타일로 나누는 SAHI(Slicing Adaptive Inference) 기법의 첫 번째 단계를 구현합니다. 이 접근 방식은 전체 이미지를 한 번에 처리할 때 놓칠 수 있는 작은 객체를 탐지하는 데 도움이 됩니다. 이 블록은:

1. 분할할 입력 이미지와 분할 구성을 받습니다:

   • 분할할 입력 이미지를 받습니다

   • 슬라이스 크기(픽셀 단위의 너비와 높이)를 받습니다

   • 너비와 높이의 중첩 비율을 받습니다(인접한 슬라이스 간의 중첩을 제어합니다)

2. 슬라이스 위치를 계산합니다:

   • 이미지 전체에 걸쳐 슬라이스 좌표 그리드를 생성합니다

   • 연속된 슬라이스 사이에 지정된 중첩을 두고 슬라이스를 배치합니다

   • 중첩은 슬라이스 경계에 있는 객체가 놓치지 않도록 하는 데 도움이 됩니다

   • 모든 슬라이스가 동일한 크기가 되도록 경계 슬라이스 위치를 조정합니다(경계 슬라이스를 이미지 중심 쪽으로 밀어 넣음)

3. 이미지 슬라이스를 생성합니다:

   • 계산된 좌표를 사용하여 원본 이미지에서 각 슬라이스를 추출합니다

   • 각 슬라이스에 대해 crop 메타데이터가 포함된 WorkflowImageData 객체를 생성합니다

   • 원본 이미지에 대한 각 슬라이스의 오프셋 정보(x, y 좌표)를 저장합니다

   • 좌표 매핑을 위해 상위 이미지 참조를 유지합니다

4. 슬라이스 중복 제거:

   • 중첩 계산으로 인해 발생할 수 있는 중복 슬라이스 좌표를 모두 제거합니다

   • 각 고유한 슬라이스 위치가 출력에 한 번만 나타나도록 보장합니다

   • 동일한 이미지 영역의 중복 처리를 방지합니다

5. 엣지 케이스를 처리합니다:

   • 비어 있는 슬라이스가 있으면 필터링합니다

   • 모든 슬라이스가 이미지 경계 안에 들어가도록 보장합니다

   • 각 슬라이스를 추적하기 위한 crop 식별자를 생성합니다

6. 슬라이스 목록을 반환합니다:

   • 모든 고유한 슬라이스를 이미지 목록으로 출력합니다

   • 모든 슬라이스는 동일한 차원을 가집니다(경계 슬라이스는 일치하도록 조정됨)

   • 차원을 1만큼 증가시킵니다(하나의 이미지가 여러 슬라이스가 됨)

   • 각 슬라이스는 다운스트림 블록에서 독립적으로 처리될 수 있습니다

SAHI 기법은 작은 객체가 슬라이스 크기에 비해 더 크게 보이도록 만들어 동작합니다. 큰 이미지에서 객체가 몇 픽셀에 불과할 때, 이미지를 모델 입력 크기로 축소하면 객체가 너무 작아져 탐지하기 어려워집니다. 이미지를 슬라이스로 나누어 각 슬라이스를 별도로 처리하면, 같은 객체가 각 슬라이스에서 더 많은 픽셀을 차지하게 되어 탐지가 더 안정적이 됩니다. 겹치는 슬라이스는 슬라이스 경계 근처의 객체가 적어도 하나의 슬라이스에서 탐지되도록 보장합니다.

일반적인 사용 사례

• 작은 객체 탐지: SAHI 기법을 사용해 큰 이미지에서 작은 객체를 탐지합니다(예: 항공 이미지에서 작은 차량 탐지, 광각 카메라 화면에서 번호판 찾기, 고해상도 사진에서 곤충 탐지). 작은 객체 탐지 워크플로를 가능하게 합니다

• 고해상도 이미지 처리: 처리하기 쉬운 작은 조각으로 나누어 고해상도 이미지를 처리합니다(예: 위성 이미지 처리, 의료 영상 스캔 분석, 큰 문서 이미지 처리). 고해상도 처리 워크플로를 가능하게 합니다

• 항공 및 드론 이미지: 이미지 크기에 비해 객체가 작은 항공 사진에서 객체를 탐지합니다(예: 드론 영상에서 차량 탐지, 항공 감시에서 사람 찾기, 위성 이미지에서 구조물 탐지). 항공 탐지 워크플로를 가능하게 합니다

• 광각 카메라 모니터링: 객체가 작게 보이는 광각 카메라 화면에서 탐지를 개선합니다(예: 대형 주차장 모니터링, 파노라마 화면에서 객체 탐지, 넓은 카메라 커버리지에서 교통 분석). 광각 모니터링 워크플로를 가능하게 합니다

• 의료 영상 분석: 영역을 개별적으로 처리하여 의료 이미지를 분석합니다(예: 큰 스캔에서 병변 탐지, 의료 이미지에서 이상 탐지, 방사선 이미징 분석). 의료 영상 워크플로를 가능하게 합니다

• 문서 및 텍스트 처리: 영역별로 분할하여 대형 문서를 처리합니다(예: 대형 문서 OCR, 스캔 문서에서 텍스트 영역 탐지, 문서 레이아웃 분석). 문서 처리 워크플로를 가능하게 합니다

다른 블록에 연결하기

이 블록은 이미지를 받아 이미지 슬라이스를 생성합니다:

• 이미지 입력 또는 전처리 블록 뒤에 SAHI 처리를 위해 이미지를 분할합니다(예: 입력 이미지 분할, 전처리된 이미지 처리, 변환된 이미지 분할). 이미지-슬라이스 워크플로를 가능하게 합니다

• 검출 모델 블록 앞에 (객체 탐지 모델, 인스턴스 세분화 모델) 작은 객체 탐지를 위해 슬라이스를 처리합니다(예: 슬라이스에서 객체 탐지, 각 슬라이스에 대해 탐지 실행, 모델로 슬라이스 처리). 슬라이스-탐지 워크플로를 가능하게 합니다

• Detections Stitch 블록 앞에 (탐지 모델 뒤에 필요) 슬라이스의 탐지 결과를 원본 이미지 좌표로 다시 병합합니다(예: 슬라이스 탐지 병합, 탐지 결과 결합, 전체 이미지 예측 재구성). 슬라이스-탐지-스티치 워크플로를 가능하게 합니다

• SAHI 워크플로에서 이미지 분할기 → 탐지 모델 → Detections Stitch 패턴을 따라 작은 객체 탐지를 위한 SAHI 기법 전체를 구현합니다

• 필터링 또는 분석 블록 앞에 스티치하기 전에 슬라이스 수준 결과를 처리합니다(예: 슬라이스별 탐지 필터링, 슬라이스 결과 분석, 슬라이스 출력 처리). 슬라이스-분석 워크플로를 가능하게 합니다

• 다단계 탐지 파이프라인의 일부로 슬라이스를 독립적으로 처리하고 결과를 결합하는 경우(예: 다중 스케일 탐지, 계층적 탐지, 병렬 슬라이스 처리). 다단계 탐지 워크플로를 가능하게 합니다

버전 차이

이 버전(v2)은 v1 대비 다음과 같은 개선 사항을 포함합니다:

• 동일 크기 슬라이스: 분할기가 생성한 모든 슬라이스는 동일한 차원을 가집니다. v1에서는 일반적으로 더 작아질 수 있는 경계 슬라이스를 이미지 중심 쪽으로 밀어 조정하여 일관된 슬라이스 크기를 보장합니다. 이를 통해 처리 동작이 더 예측 가능해지고, 모든 슬라이스가 동일한 차원으로 처리되므로 모델 추론 일관성에 중요할 수 있습니다.

• 중복 제거: 중복 슬라이스 좌표가 자동으로 제거되어 각 고유한 슬라이스 위치가 출력에 한 번만 나타납니다. 이는 중첩 계산으로 인해 발생할 수 있는 동일한 이미지 영역의 중복 처리를 방지하여 효율성을 높이고 중복 탐지를 방지합니다.

요구 사항

이 블록은 입력 이미지가 필요합니다. 최적의 성능을 위해 슬라이스 크기(너비와 높이)는 이상적으로 모델의 입력 크기와 일치해야 합니다. 슬라이스 크기가 모델 입력 크기와 다르면 추론 중 슬라이스가 리사이즈되며, 이는 정확도에 영향을 줄 수 있습니다. 기본 슬라이스 크기는 640x640 픽셀이지만, 모델의 입력 크기에 따라 조정해야 합니다(예: 입력 크기가 320인 모델에는 320x320, 입력 크기가 1280인 모델에는 1280x1280 사용). 중첩 비율(기본값 0.2 또는 20%)은 슬라이스 경계의 객체가 탐지되도록 돕지만, 중첩이 높을수록 처리 시간이 증가합니다. 이 블록은 객체 탐지 또는 인스턴스 세분화 모델과 함께 사용한 뒤, 결과를 병합하기 위해 Detections Stitch 블록을 사용해야 합니다. SAHI 기법에 대한 자세한 정보는 https://ieeexplore.ieee.org/document/9897990 을 참조하세요. 실용 가이드는 https://blog.roboflow.com/how-to-use-sahi-to-detect-small-objects/ 를 방문하세요.

유형 식별자

단계에서 다음 식별자를 사용하세요 "type" 필드: roboflow_core/image_slicer@v2 워크플로우에 이 블록을 단계로 추가하려면.

속성

이름	유형	설명	참조
name	str	이 단계에 대한 고유 식별자를 입력하세요..	❌
slice_width	정수	각 슬라이스의 너비(픽셀 단위)입니다. 최적의 성능을 위해 이상적으로는 탐지 모델의 입력 너비와 일치해야 합니다. 다를 경우 모델 추론 중 슬라이스가 리사이즈되며, 이는 정확도에 영향을 줄 수 있습니다. 일반적인 값: 320(입력 320px 모델용), 640(기본값, 대부분의 YOLO 모델용), 1280(고해상도 모델용). 더 큰 슬라이스는 전체 슬라이스 수를 줄이지만 매우 작은 객체를 놓칠 수 있습니다. 더 작은 슬라이스는 더 작은 객체를 탐지하지만 처리 시간이 증가합니다. 모든 슬라이스는 동일한 너비를 가집니다(경계 슬라이스는 일치하도록 조정됨).	✅
slice_height	정수	각 슬라이스의 높이(픽셀 단위)입니다. 최적의 성능을 위해 이상적으로는 탐지 모델의 입력 높이와 일치해야 합니다. 다를 경우 모델 추론 중 슬라이스가 리사이즈되며, 이는 정확도에 영향을 줄 수 있습니다. 일반적인 값: 320(입력 320px 모델용), 640(기본값, 대부분의 YOLO 모델용), 1280(고해상도 모델용). 더 큰 슬라이스는 전체 슬라이스 수를 줄이지만 매우 작은 객체를 놓칠 수 있습니다. 더 작은 슬라이스는 더 작은 객체를 탐지하지만 처리 시간이 증가합니다. 모든 슬라이스는 동일한 높이를 가집니다(경계 슬라이스는 일치하도록 조정됨).	✅
overlap_ratio_width	float	연속된 슬라이스 사이의 너비(가로) 차원 중첩 비율입니다. 범위: 0.0 ~ 1.0 미만. 슬라이스 너비의 어느 정도가 인접한 슬라이스와 겹치는지 지정합니다. 기본값 0.2는 20% 중첩을 의미합니다. 더 높은 중첩(예: 0.3~0.5)은 슬라이스 경계의 객체가 탐지될 가능성을 높이지만, 더 많은 슬라이스가 생성되어 처리 시간이 증가합니다. 더 낮은 중첩(예: 0.1)은 더 빠르지만 경계의 객체를 놓칠 수 있습니다. 일반적인 값: 대부분의 사용 사례에서는 0.1~0.3, 중요한 작은 객체 탐지에는 0.3~0.5. 중첩으로 생성된 중복 슬라이스는 자동으로 제거됩니다..	✅
overlap_ratio_height	float	연속된 슬라이스 사이의 높이(세로) 차원 중첩 비율입니다. 범위: 0.0 ~ 1.0 미만. 슬라이스 높이의 어느 정도가 인접한 슬라이스와 겹치는지 지정합니다. 기본값 0.2는 20% 중첩을 의미합니다. 더 높은 중첩(예: 0.3~0.5)은 슬라이스 경계의 객체가 탐지될 가능성을 높이지만, 더 많은 슬라이스가 생성되어 처리 시간이 증가합니다. 더 낮은 중첩(예: 0.1)은 더 빠르지만 경계의 객체를 놓칠 수 있습니다. 일반적인 값: 대부분의 사용 사례에서는 0.1~0.3, 중요한 작은 객체 탐지에는 0.3~0.5. 중첩으로 생성된 중복 슬라이스는 자동으로 제거됩니다..	✅

이 참조 열은 워크플로우 런타임에서 사용 가능한 동적 값으로 속성을 매개변수화할 수 있는 가능성을 나타냅니다 워크플로우 런타임입니다. 자세한 내용은 바인딩 을 참조하세요.

입력 및 출력 바인딩

사용 가능한 연결은 바인딩 유형에 따라 달라집니다. 어떤 바인딩 유형인지 확인하세요 이미지 분할기 버전 v2 을 가지고 있는지.

입력 및 출력 바인딩

• 입력

  • 이미지 (이미지): 더 작은 타일로 분할할 입력 이미지입니다. 이미지는 슬라이스 크기와 중첩 비율에 따라 서로 겹치는 슬라이스로 나뉩니다. 각 슬라이스는 좌표 매핑을 위해 원본 이미지 내 위치에 대한 메타데이터를 유지합니다. 모든 슬라이스는 동일한 차원을 가집니다(경계 슬라이스는 일치하도록 조정됨). 이미지 영역을 개별적으로 처리하여 작은 객체 탐지를 가능하게 하는 SAHI(Slicing Adaptive Inference) 워크플로에서 사용됩니다..

  • slice_width (정수): 각 슬라이스의 너비(픽셀 단위)입니다. 최적의 성능을 위해 이상적으로는 탐지 모델의 입력 너비와 일치해야 합니다. 다를 경우 모델 추론 중 슬라이스가 리사이즈되며, 이는 정확도에 영향을 줄 수 있습니다. 일반적인 값: 320(입력 320px 모델용), 640(기본값, 대부분의 YOLO 모델용), 1280(고해상도 모델용). 더 큰 슬라이스는 전체 슬라이스 수를 줄이지만 매우 작은 객체를 놓칠 수 있습니다. 더 작은 슬라이스는 더 작은 객체를 탐지하지만 처리 시간이 증가합니다. 모든 슬라이스는 동일한 너비를 가집니다(경계 슬라이스는 일치하도록 조정됨).

  • slice_height (정수): 각 슬라이스의 높이(픽셀 단위)입니다. 최적의 성능을 위해 이상적으로는 탐지 모델의 입력 높이와 일치해야 합니다. 다를 경우 모델 추론 중 슬라이스가 리사이즈되며, 이는 정확도에 영향을 줄 수 있습니다. 일반적인 값: 320(입력 320px 모델용), 640(기본값, 대부분의 YOLO 모델용), 1280(고해상도 모델용). 더 큰 슬라이스는 전체 슬라이스 수를 줄이지만 매우 작은 객체를 놓칠 수 있습니다. 더 작은 슬라이스는 더 작은 객체를 탐지하지만 처리 시간이 증가합니다. 모든 슬라이스는 동일한 높이를 가집니다(경계 슬라이스는 일치하도록 조정됨).

  • overlap_ratio_width (0에서 1 사이의 실수): 연속된 슬라이스 사이의 너비(가로) 차원 중첩 비율입니다. 범위: 0.0 ~ 1.0 미만. 슬라이스 너비의 어느 정도가 인접한 슬라이스와 겹치는지 지정합니다. 기본값 0.2는 20% 중첩을 의미합니다. 더 높은 중첩(예: 0.3~0.5)은 슬라이스 경계의 객체가 탐지될 가능성을 높이지만, 더 많은 슬라이스가 생성되어 처리 시간이 증가합니다. 더 낮은 중첩(예: 0.1)은 더 빠르지만 경계의 객체를 놓칠 수 있습니다. 일반적인 값: 대부분의 사용 사례에서는 0.1~0.3, 중요한 작은 객체 탐지에는 0.3~0.5. 중첩으로 생성된 중복 슬라이스는 자동으로 제거됩니다..

  • overlap_ratio_height (0에서 1 사이의 실수): 연속된 슬라이스 사이의 높이(세로) 차원 중첩 비율입니다. 범위: 0.0 ~ 1.0 미만. 슬라이스 높이의 어느 정도가 인접한 슬라이스와 겹치는지 지정합니다. 기본값 0.2는 20% 중첩을 의미합니다. 더 높은 중첩(예: 0.3~0.5)은 슬라이스 경계의 객체가 탐지될 가능성을 높이지만, 더 많은 슬라이스가 생성되어 처리 시간이 증가합니다. 더 낮은 중첩(예: 0.1)은 더 빠르지만 경계의 객체를 놓칠 수 있습니다. 일반적인 값: 대부분의 사용 사례에서는 0.1~0.3, 중요한 작은 객체 탐지에는 0.3~0.5. 중첩으로 생성된 중복 슬라이스는 자동으로 제거됩니다..

• 출력

  • 슬라이스 (이미지): 워크플로의 이미지입니다.

예시 JSON 정의

{
	    "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

분할 적응 추론(SAHI) 기법을 사용해 입력 이미지를 서로 겹치는 타일 또는 슬라이스로 분할하여, 객체가 이미지 크기에 비해 더 크게 보이는 더 작은 이미지 영역을 처리함으로써 작은 객체 탐지를 가능하게 하고, 타일 기반 추론 워크플로를 통해 큰 이미지에서 작은 객체의 탐지 정확도를 향상시킵니다.

이 블록의 작동 방식

이 블록은 큰 이미지를 서로 겹치는 더 작은 타일로 나누는 SAHI(Slicing Adaptive Inference) 기법의 첫 번째 단계를 구현합니다. 이 접근 방식은 전체 이미지를 한 번에 처리할 때 놓칠 수 있는 작은 객체를 탐지하는 데 도움이 됩니다. 이 블록은:

1. 분할할 입력 이미지와 분할 구성을 받습니다:

   • 분할할 입력 이미지를 받습니다

   • 슬라이스 크기(픽셀 단위의 너비와 높이)를 받습니다

   • 너비와 높이의 중첩 비율을 받습니다(인접한 슬라이스 간의 중첩을 제어합니다)

2. 슬라이스 위치를 계산합니다:

   • 이미지 전체에 걸쳐 슬라이스 좌표 그리드를 생성합니다

   • 연속된 슬라이스 사이에 지정된 중첩을 두고 슬라이스를 배치합니다

   • 중첩은 슬라이스 경계에 있는 객체가 놓치지 않도록 하는 데 도움이 됩니다

   • 경계 슬라이스는 이미지 경계 안에 들어가도록 지정된 크기보다 더 작을 수 있습니다

3. 이미지 슬라이스를 생성합니다:

   • 계산된 좌표를 사용하여 원본 이미지에서 각 슬라이스를 추출합니다

   • 각 슬라이스에 대해 crop 메타데이터가 포함된 WorkflowImageData 객체를 생성합니다

   • 원본 이미지에 대한 각 슬라이스의 오프셋 정보(x, y 좌표)를 저장합니다

   • 좌표 매핑을 위해 상위 이미지 참조를 유지합니다

4. 엣지 케이스를 처리합니다:

   • 비어 있는 슬라이스가 있으면 필터링합니다

   • 모든 슬라이스가 이미지 경계 안에 들어가도록 보장합니다

   • 각 슬라이스를 추적하기 위한 crop 식별자를 생성합니다

5. 슬라이스 목록을 반환합니다:

   • 모든 슬라이스를 이미지 목록으로 출력합니다

   • 차원을 1만큼 증가시킵니다(하나의 이미지가 여러 슬라이스가 됨)

   • 각 슬라이스는 다운스트림 블록에서 독립적으로 처리될 수 있습니다

SAHI 기법은 작은 객체가 슬라이스 크기에 비해 더 크게 보이도록 만들어 동작합니다. 큰 이미지에서 객체가 몇 픽셀에 불과할 때, 이미지를 모델 입력 크기로 축소하면 객체가 너무 작아져 탐지하기 어려워집니다. 이미지를 슬라이스로 나누어 각 슬라이스를 별도로 처리하면, 같은 객체가 각 슬라이스에서 더 많은 픽셀을 차지하게 되어 탐지가 더 안정적이 됩니다. 겹치는 슬라이스는 슬라이스 경계 근처의 객체가 적어도 하나의 슬라이스에서 탐지되도록 보장합니다.

일반적인 사용 사례

• 작은 객체 탐지: SAHI 기법을 사용해 큰 이미지에서 작은 객체를 탐지합니다(예: 항공 이미지에서 작은 차량 탐지, 광각 카메라 화면에서 번호판 찾기, 고해상도 사진에서 곤충 탐지). 작은 객체 탐지 워크플로를 가능하게 합니다

• 고해상도 이미지 처리: 처리하기 쉬운 작은 조각으로 나누어 고해상도 이미지를 처리합니다(예: 위성 이미지 처리, 의료 영상 스캔 분석, 큰 문서 이미지 처리). 고해상도 처리 워크플로를 가능하게 합니다

• 항공 및 드론 이미지: 이미지 크기에 비해 객체가 작은 항공 사진에서 객체를 탐지합니다(예: 드론 영상에서 차량 탐지, 항공 감시에서 사람 찾기, 위성 이미지에서 구조물 탐지). 항공 탐지 워크플로를 가능하게 합니다

• 광각 카메라 모니터링: 객체가 작게 보이는 광각 카메라 화면에서 탐지를 개선합니다(예: 대형 주차장 모니터링, 파노라마 화면에서 객체 탐지, 넓은 카메라 커버리지에서 교통 분석). 광각 모니터링 워크플로를 가능하게 합니다

• 의료 영상 분석: 영역을 개별적으로 처리하여 의료 이미지를 분석합니다(예: 큰 스캔에서 병변 탐지, 의료 이미지에서 이상 탐지, 방사선 이미징 분석). 의료 영상 워크플로를 가능하게 합니다

• 문서 및 텍스트 처리: 영역별로 분할하여 대형 문서를 처리합니다(예: 대형 문서 OCR, 스캔 문서에서 텍스트 영역 탐지, 문서 레이아웃 분석). 문서 처리 워크플로를 가능하게 합니다

다른 블록에 연결하기

이 블록은 이미지를 받아 이미지 슬라이스를 생성합니다:

• 이미지 입력 또는 전처리 블록 뒤에 SAHI 처리를 위해 이미지를 분할합니다(예: 입력 이미지 분할, 전처리된 이미지 처리, 변환된 이미지 분할). 이미지-슬라이스 워크플로를 가능하게 합니다

• 검출 모델 블록 앞에 (객체 탐지 모델, 인스턴스 세분화 모델) 작은 객체 탐지를 위해 슬라이스를 처리합니다(예: 슬라이스에서 객체 탐지, 각 슬라이스에 대해 탐지 실행, 모델로 슬라이스 처리). 슬라이스-탐지 워크플로를 가능하게 합니다

• Detections Stitch 블록 앞에 (탐지 모델 뒤에 필요) 슬라이스의 탐지 결과를 원본 이미지 좌표로 다시 병합합니다(예: 슬라이스 탐지 병합, 탐지 결과 결합, 전체 이미지 예측 재구성). 슬라이스-탐지-스티치 워크플로를 가능하게 합니다

• SAHI 워크플로에서 이미지 분할기 → 탐지 모델 → Detections Stitch 패턴을 따라 작은 객체 탐지를 위한 SAHI 기법 전체를 구현합니다

• 필터링 또는 분석 블록 앞에 스티치하기 전에 슬라이스 수준 결과를 처리합니다(예: 슬라이스별 탐지 필터링, 슬라이스 결과 분석, 슬라이스 출력 처리). 슬라이스-분석 워크플로를 가능하게 합니다

• 다단계 탐지 파이프라인의 일부로 슬라이스를 독립적으로 처리하고 결과를 결합하는 경우(예: 다중 스케일 탐지, 계층적 탐지, 병렬 슬라이스 처리). 다단계 탐지 워크플로를 가능하게 합니다

요구 사항

이 블록은 입력 이미지가 필요합니다. 최적의 성능을 위해 슬라이스 크기(너비와 높이)는 이상적으로 모델의 입력 크기와 일치해야 합니다. 슬라이스 크기가 모델 입력 크기와 다르면 추론 중 슬라이스가 리사이즈되며, 이는 정확도에 영향을 줄 수 있습니다. 기본 슬라이스 크기는 640x640 픽셀이지만, 모델의 입력 크기에 따라 조정해야 합니다(예: 입력 크기가 320인 모델에는 320x320, 입력 크기가 1280인 모델에는 1280x1280 사용). 중첩 비율(기본값 0.2 또는 20%)은 슬라이스 경계의 객체가 탐지되도록 돕지만, 중첩이 높을수록 처리 시간이 증가합니다. 이 블록은 객체 탐지 또는 인스턴스 세분화 모델과 함께 사용한 뒤, 결과를 병합하기 위해 Detections Stitch 블록을 사용해야 합니다. SAHI 기법에 대한 자세한 정보는 https://ieeexplore.ieee.org/document/9897990 을 참조하세요. 실용 가이드는 https://blog.roboflow.com/how-to-use-sahi-to-detect-small-objects/ 를 방문하세요.

유형 식별자

단계에서 다음 식별자를 사용하세요 "type" 필드: roboflow_core/image_slicer@v1 워크플로우에 이 블록을 단계로 추가하려면.

속성

이름	유형	설명	참조
name	str	이 단계에 대한 고유 식별자를 입력하세요..	❌
slice_width	정수	각 슬라이스의 너비(픽셀 단위)입니다. 최적의 성능을 위해 이상적으로는 탐지 모델의 입력 너비와 일치해야 합니다. 다를 경우 모델 추론 중 슬라이스가 리사이즈되며, 이는 정확도에 영향을 줄 수 있습니다. 일반적인 값: 320(입력 320px 모델용), 640(기본값, 대부분의 YOLO 모델용), 1280(고해상도 모델용). 더 큰 슬라이스는 전체 슬라이스 수를 줄이지만 매우 작은 객체를 놓칠 수 있습니다. 더 작은 슬라이스는 더 작은 객체를 탐지하지만 처리 시간이 증가합니다..	✅
slice_height	정수	각 슬라이스의 높이(픽셀 단위)입니다. 최적의 성능을 위해 이상적으로는 탐지 모델의 입력 높이와 일치해야 합니다. 다를 경우 모델 추론 중 슬라이스가 리사이즈되며, 이는 정확도에 영향을 줄 수 있습니다. 일반적인 값: 320(입력 320px 모델용), 640(기본값, 대부분의 YOLO 모델용), 1280(고해상도 모델용). 더 큰 슬라이스는 전체 슬라이스 수를 줄이지만 매우 작은 객체를 놓칠 수 있습니다. 더 작은 슬라이스는 더 작은 객체를 탐지하지만 처리 시간이 증가합니다..	✅
overlap_ratio_width	float	연속된 슬라이스 사이의 너비(가로) 차원 중첩 비율입니다. 범위: 0.0 ~ 1.0 미만. 슬라이스 너비의 어느 정도가 인접한 슬라이스와 겹치는지 지정합니다. 기본값 0.2는 20% 중첩을 의미합니다. 더 높은 중첩(예: 0.3~0.5)은 슬라이스 경계의 객체가 탐지될 가능성을 높이지만, 더 많은 슬라이스가 생성되어 처리 시간이 증가합니다. 더 낮은 중첩(예: 0.1)은 더 빠르지만 경계의 객체를 놓칠 수 있습니다. 일반적인 값: 대부분의 사용 사례에서는 0.1~0.3, 중요한 작은 객체 탐지에는 0.3~0.5..	✅
overlap_ratio_height	float	연속된 슬라이스 사이의 높이(세로) 차원 중첩 비율입니다. 범위: 0.0 ~ 1.0 미만. 슬라이스 높이의 어느 정도가 인접한 슬라이스와 겹치는지 지정합니다. 기본값 0.2는 20% 중첩을 의미합니다. 더 높은 중첩(예: 0.3~0.5)은 슬라이스 경계의 객체가 탐지될 가능성을 높이지만, 더 많은 슬라이스가 생성되어 처리 시간이 증가합니다. 더 낮은 중첩(예: 0.1)은 더 빠르지만 경계의 객체를 놓칠 수 있습니다. 일반적인 값: 대부분의 사용 사례에서는 0.1~0.3, 중요한 작은 객체 탐지에는 0.3~0.5..	✅

이 참조 열은 워크플로우 런타임에서 사용 가능한 동적 값으로 속성을 매개변수화할 수 있는 가능성을 나타냅니다 워크플로우 런타임입니다. 자세한 내용은 바인딩 을 참조하세요.

입력 및 출력 바인딩

사용 가능한 연결은 바인딩 유형에 따라 달라집니다. 어떤 바인딩 유형인지 확인하세요 이미지 분할기 버전 v1 을 가지고 있는지.

입력 및 출력 바인딩

• 입력

  • 이미지 (이미지): 더 작은 타일로 분할할 입력 이미지입니다. 이미지는 슬라이스 크기와 중첩 비율에 따라 서로 겹치는 슬라이스로 나뉩니다. 각 슬라이스는 좌표 매핑을 위해 원본 이미지 내 위치에 대한 메타데이터를 유지합니다. SAHI(Slicing Adaptive Inference) 워크플로에서 이미지 영역을 개별적으로 처리하여 작은 객체 탐지를 가능하게 하는 데 사용됩니다..

  • slice_width (정수): 각 슬라이스의 너비(픽셀 단위)입니다. 최적의 성능을 위해 이상적으로는 탐지 모델의 입력 너비와 일치해야 합니다. 다를 경우 모델 추론 중 슬라이스가 리사이즈되며, 이는 정확도에 영향을 줄 수 있습니다. 일반적인 값: 320(입력 320px 모델용), 640(기본값, 대부분의 YOLO 모델용), 1280(고해상도 모델용). 더 큰 슬라이스는 전체 슬라이스 수를 줄이지만 매우 작은 객체를 놓칠 수 있습니다. 더 작은 슬라이스는 더 작은 객체를 탐지하지만 처리 시간이 증가합니다..

  • slice_height (정수): 각 슬라이스의 높이(픽셀 단위)입니다. 최적의 성능을 위해 이상적으로는 탐지 모델의 입력 높이와 일치해야 합니다. 다를 경우 모델 추론 중 슬라이스가 리사이즈되며, 이는 정확도에 영향을 줄 수 있습니다. 일반적인 값: 320(입력 320px 모델용), 640(기본값, 대부분의 YOLO 모델용), 1280(고해상도 모델용). 더 큰 슬라이스는 전체 슬라이스 수를 줄이지만 매우 작은 객체를 놓칠 수 있습니다. 더 작은 슬라이스는 더 작은 객체를 탐지하지만 처리 시간이 증가합니다..

  • overlap_ratio_width (0에서 1 사이의 실수): 연속된 슬라이스 사이의 너비(가로) 차원 중첩 비율입니다. 범위: 0.0 ~ 1.0 미만. 슬라이스 너비의 어느 정도가 인접한 슬라이스와 겹치는지 지정합니다. 기본값 0.2는 20% 중첩을 의미합니다. 더 높은 중첩(예: 0.3~0.5)은 슬라이스 경계의 객체가 탐지될 가능성을 높이지만, 더 많은 슬라이스가 생성되어 처리 시간이 증가합니다. 더 낮은 중첩(예: 0.1)은 더 빠르지만 경계의 객체를 놓칠 수 있습니다. 일반적인 값: 대부분의 사용 사례에서는 0.1~0.3, 중요한 작은 객체 탐지에는 0.3~0.5..

  • overlap_ratio_height (0에서 1 사이의 실수): 연속된 슬라이스 사이의 높이(세로) 차원 중첩 비율입니다. 범위: 0.0 ~ 1.0 미만. 슬라이스 높이의 어느 정도가 인접한 슬라이스와 겹치는지 지정합니다. 기본값 0.2는 20% 중첩을 의미합니다. 더 높은 중첩(예: 0.3~0.5)은 슬라이스 경계의 객체가 탐지될 가능성을 높이지만, 더 많은 슬라이스가 생성되어 처리 시간이 증가합니다. 더 낮은 중첩(예: 0.1)은 더 빠르지만 경계의 객체를 놓칠 수 있습니다. 일반적인 값: 대부분의 사용 사례에서는 0.1~0.3, 중요한 작은 객체 탐지에는 0.3~0.5..

• 출력

  • 슬라이스 (이미지): 워크플로의 이미지입니다.

예시 JSON 정의

{
	    "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
	}