sahi

大图切片推理，小目标检测不漏，精度提升显存降

开源 🏷️完全免费 🔧 仅开源项目，无在线服务，需自行部署计算机视觉 🍴 复刻 793 🐛 待处理 2 👀 关注 47

访问官网 ↗ GitHub ↗

GitHub 星标 ★ 5592

维护状态较活跃

是否开源开源

定价模式 🏷️完全免费完全开源免费，MIT 许可证，可自行部署使用，无付费版本。

项目预览

项目数据

分类计算机视觉

开发团队obss

官网地址https://obss.github.io/sahi

GitHubhttps://github.com/obss/sahi

定价模式🏷️完全免费

价格说明完全开源免费，MIT 许可证，可自行部署使用，无付费版本。

访问状态🔧 仅开源项目，无在线服务，需自行部署

是否开源是

开源协议MIT

主要语言Python

技术栈/模型coco,computer-vision,deep-learning,explainable-ai,fiftyone,hacktoberfest,huggingface,instance-segmentation,large-image,machine-learning,object-detection,open-vocabulary-detection,oriented-object-detection,python,pytorch,remote-sensing,satellite,small-object-detection,tiling,yolo26

GitHub 星标★ 5592

上线时间2021-01-30 00:00:00

代码更新2026-11-01

仓库体积109.5 MB

本站数据更新2026-11-09

维护状态较活跃

收录时间2026-08-10

浏览次数5

项目介绍

SAHI 是一个专注于计算机视觉的切片推理框架，旨在解决大尺寸图像（如卫星影像、医学图像）在目标检测和实例分割时因内存限制或小目标密集而导致的性能问题。它支持任意深度学习框架（如 PyTorch、TensorFlow、MMDetection、YOLOv5 等），通过将大图切分为多个重叠切片进行推理，再融合结果，从而在不损失精度的前提下高效处理超大图像。SAHI 还提供交互式 UI 和误差分析图，帮助用户直观理解模型预测结果，定位失败案例。其核心能力包括切片推理、结果融合、预测可视化、数据集格式转换（支持 COCO 等），并集成 FiftyOne 进行数据探索。SAHI 适用于遥感、医疗影像、工业质检等场景，能显著提升小目标检测的召回率，同时降低显存占用。项目活跃，社区支持良好，是处理大图检测任务的实用工具。

Star 增长趋势

本站每日记录该项目 GitHub 星标变化，观测越久曲线越完整

数据来源：GitHub API 逐日快照 · 收录于 2026-08-10 · 当前星标 ★ 5592

技术标签

computer-vision deep-learning explainable-ai hacktoberfest huggingface

使用教程

难度：入门约 10 分钟部署方式：库/依赖 7 步

环境要求

Python 环境（可执行 pip 命令）
pip 包管理器
按需准备的深度学习框架依赖（PyTorch、ultralytics、transformers、mmdet 等，可选）
如需 GPU 推理，需要与本机匹配的 CUDA 版本

安装与启动步骤

1安装 SAHI 本体

最基础的安装方式，仅安装 SAHI 库本身，不包含任何检测框架。建议在虚拟环境中执行以避免依赖冲突。
```
pip install sahi
```
2安装 PyTorch（可选）

使用 GPU（CUDA 12.6）时按官方命令安装匹配的 torch 与 torchvision；不用 GPU 可跳过或改用 CPU 版索引。
```
pip install torch==2.7.0 torchvision==0.22.0 --index-url https://download.pytorch.org/whl/cu126
```
3安装 ultralytics 框架

若准备用 YOLO 系列模型做切片推理，安装 ultralytics。注意 SAHI 需与所选框架版本兼容。
```
pip install "ultralytics>=8.3.161"
```
4安装 HuggingFace 框架

使用 HuggingFace 上的检测/分割模型时，安装 transformers 与 timm。
```
pip install "transformers>=4.49.0" timm
```
5安装 YOLOv5 框架

使用 YOLOv5 时需注意版本配对，README 指定 yolov5 7.0.14 搭配 sahi 0.12.1。
```
pip install yolov5==7.0.14 sahi==0.12.1
```
6安装 MMDetection 框架

使用 mmdet 时先装 mim 再安装 mmdet 3.3.0；注意 mmdet 需要 torch 2.1.2 版本支持。
```
pip install mim
mim install mmdet==3.3.0
```
7安装 Roboflow 框架

使用 Roboflow 推理与 RF-DETR 模型时，安装 inference 和 rfdetr 两个包。
```
pip install "inference>=0.51.5" "rfdetr>=1.6.2"
```