sahi

大图切片推理，小目标检测不漏，精度提升显存降

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。

开源 free 计算机视觉

访问官网 ↗ GitHub ↗ 文档 ↗

GitHub 星标 ★ 5513

维护状态活跃

是否开源是

定价模式 free

项目数据

分类计算机视觉

开发团队obss

所属国家

官网地址https://obss.github.io/sahi

GitHubhttps://github.com/obss/sahi

定价模式free

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

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★ 5513

30天Star增速

HF 下载量

上线时间2021-01-30 00:00:00

最近更新2026-09-22 00:00:00

维护状态活跃

中文支持

访问方式

移动端支持

综合评分

收录时间2026-08-10

浏览次数4

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"
```

如何确认成功

在终端执行 python -c "import sahi"，若无 ImportError 报错即表示 SAHI 安装成功。

常见问题

Q：只装 sahi 就能直接跑推理吗？

A：不能。SAHI 本身只提供切片推理逻辑，必须另装一个检测框架（如 ultralytics、transformers、mmdet 或 yolov5）来提供模型。

Q：安装 PyTorch 时报找不到包或 CUDA 不匹配怎么办？

A：检查 --index-url 中的 CUDA 版本是否与本机驱动一致，README 给出 cu126 与 cu121 两种索引地址，按需替换。

Q：使用 mmdet 时需要注意什么版本？

A：README 明确 mmdet 支持需要 torch 2.1.2（对应 torchvision 0.16.2、cu121 索引），不要与最新的 torch 2.7.0 混用。

Q：YOLOv5 安装后依赖冲突怎么办？

A：README 指定组合为 yolov5==7.0.14 搭配 sahi==0.12.1，请严格按这两个版本安装，不要自行升级 sahi。

注意事项

SAHI 支持任意深度学习框架，但必须自行安装其中一种检测框架才能完成推理。
各框架对 PyTorch 版本要求不同，建议为不同框架创建独立虚拟环境。
README 中的依赖版本号可能随更新变化，安装前可对照官网文档确认最新版本。

核心亮点

支持任意深度学习框架，集成方便，无需修改模型代码
切片+融合策略显著提升小目标检测的召回率，尤其适合遥感影像
提供交互式 UI 和误差分析图，便于调试和优化模型

不足之处

切片推理会增加总推理时间，实时性要求高的场景需权衡
文档/社区待观察

适用场景

卫星或无人机遥感影像中的小目标检测（如车辆、船只）
医学图像（如病理切片）中的病灶检测与分割
工业质检中的高分辨率图像缺陷识别

替代项目

Tiled Ensemble、Inference on large images (如 OpenMMLab 的 TTA)、FiftyOne

项目介绍

sahi 是计算机视觉领域的开源项目，由 obss 开发，2021 年首次发布。

在全站 13,090 个收录项目中，它的 GitHub 星标数（5,513）位列前 8%，在计算机视觉分类的 447 个项目里位列前 8%。

近 41 天，它的 GitHub 星标从 5,457 增加到 5,513，净增 56。

项目目前处于活跃维护状态，最近一次代码更新于 2026-09-22。完全开源免费，MIT 许可证，可自行部署使用，无付费版本。

它主要面向的使用场景是：卫星或无人机遥感影像中的小目标检测（如车辆、船只）。同类可对比的替代方案包括 Tiled Ensemble、Inference on large images (如 OpenMMLab 的 TTA)、FiftyOne。

上一篇：rf-detr

下一篇：sports