Changelog

0.26.0 Jul 16, 2025

Removed

supervision-0.26.0 放弃了对 python3.8 的支持，并将所有代码升级为 python3.9 语法风格。

提示

Supervision 的文档主题现已焕然一新，符合所有 Roboflow 开源项目的文档风格。(#1858)

• Added #1774: 支持 IOS (Intersection over Smallest) 重叠度量，该度量用于衡量在 sv.Detections.with_nms, sv.Detections.with_nmm, sv.box_iou_batch 和 sv.mask_iou_batch 中，较大对象覆盖了多少较小对象。

  import numpy as np
  import supervision as sv
  
  boxes_true = np.array([
      [100, 100, 200, 200],
      [300, 300, 400, 400]
  ])
  boxes_detection = np.array([
      [150, 150, 250, 250],
      [320, 320, 420, 420]
  ])
  
  sv.box_iou_batch(
      boxes_true=boxes_true,
      boxes_detection=boxes_detection,
      overlap_metric=sv.OverlapMetric.IOU
  )
  
  # array([[0.14285714, 0.        ],
  #        [0.        , 0.47058824]])
  
  sv.box_iou_batch(
      boxes_true=boxes_true,
      boxes_detection=boxes_detection,
      overlap_metric=sv.OverlapMetric.IOS
  )
  
  # array([[0.25, 0.  ],
  #        [0.  , 0.64]])
  

• Added #1874: sv.box_iou，可高效计算两个独立边界框之间的 IoU (Intersection over Union)。

• Added #1816: sv.process_video 支持帧限制和进度条。

• Added #1788: 通过 sv.KeyPoints.from_transformers 支持从 ViTPose 和 ViTPose++ 推理结果创建 sv.KeyPoints 对象。

• Added #1823: sv.xyxy_to_xcycarh 函数，用于将边界框坐标从 (x_min, y_min, x_max, y_max) 转换为测量空间格式 (center x, center y, aspect ratio, height)，其中宽高比为 width / height。

• Added #1788: sv.xyxy_to_xywh 函数，用于将边界框坐标从 (x_min, y_min, x_max, y_max) 格式转换为 (x, y, width, height) 格式。

• Changed #1820: sv.LabelAnnotator 现在支持 smart_position 参数，可以自动将标签保持在帧边界内，以及 max_line_length 参数来控制长标签或多行标签的文本换行。

• Changed #1825: sv.LabelAnnotator 现在支持非字符串标签。

• Changed #1792: sv.Detections.from_vlm 现在支持解析 Google Gemini 模型 生成的响应中的边界框和分割掩码。

  import supervision as sv
  
  gemini_response_text = """```json
      [
          {"box_2d": [543, 40, 728, 200], "label": "cat", "id": 1},
          {"box_2d": [653, 352, 820, 522], "label": "dog", "id": 2}
      ]
  ```"""
  
  detections = sv.Detections.from_vlm(
      sv.VLM.GOOGLE_GEMINI_2_5,
      gemini_response_text,
      resolution_wh=(1000, 1000),
      classes=['cat', 'dog'],
  )
  
  detections.xyxy
  # array([[543., 40., 728., 200.], [653., 352., 820., 522.]])
  
  detections.data
  # {'class_name': array(['cat', 'dog'], dtype='<U26')}
  
  detections.class_id
  # array([0, 1])
  

• Changed #1878: sv.Detections.from_vlm 现在支持解析 Moondream 生成的响应中的边界框。

  import supervision as sv
  
  moondream_result = {
      'objects': [
          {
              'x_min': 0.5704046934843063,
              'y_min': 0.20069346576929092,
              'x_max': 0.7049859315156937,
              'y_max': 0.3012596592307091
          },
          {
              'x_min': 0.6210969910025597,
              'y_min': 0.3300672620534897,
              'x_max': 0.8417936339974403,
              'y_max': 0.4961046129465103
          }
      ]
  }
  
  detections = sv.Detections.from_vlm(
      sv.VLM.MOONDREAM,
      moondream_result,
      resolution_wh=(1000, 1000),
  )
  
  detections.xyxy
  # array([[1752.28,  818.82, 2165.72, 1229.14],
  #        [1908.01, 1346.67, 2585.99, 2024.11]])
  

• Changed #1709: sv.Detections.from_vlm 现在支持解析 Qwen-2.5 VL 生成的响应中的边界框。

  import supervision as sv
  
  qwen_2_5_vl_result = """```json
  [
      {"bbox_2d": [139, 768, 315, 954], "label": "cat"},
      {"bbox_2d": [366, 679, 536, 849], "label": "dog"}
  ]
  ```"""
  
  detections = sv.Detections.from_vlm(
      sv.VLM.QWEN_2_5_VL,
      qwen_2_5_vl_result,
      input_wh=(1000, 1000),
      resolution_wh=(1000, 1000),
      classes=['cat', 'dog'],
  )
  
  detections.xyxy
  # array([[139., 768., 315., 954.], [366., 679., 536., 849.]])
  
  detections.class_id
  # array([0, 1])
  
  detections.data
  # {'class_name': array(['cat', 'dog'], dtype='<U10')}
  
  detections.class_id
  # array([0, 1])
  

• Changed #1786: 显著提高了 sv.HeatMapAnnotator 中 HSV 颜色映射的速度，在 1920x1080 帧上实现了约 28 倍的性能提升。

• Fix #1834: Supervision 的 sv.MeanAveragePrecision现已与官方 COCO 评估工具 pycocotools 完全对齐，确保了准确性和标准化指标。此更新使我们能够启动新版本的 Computer Vision Model Leaderboard。

  import supervision as sv
  from supervision.metrics import MeanAveragePrecision
  
  predictions = sv.Detections(...)
  targets = sv.Detections(...)
  
  map_metric = MeanAveragePrecision()
  map_metric.update(predictions, targets).compute()
  
  # Average Precision (AP) @[ IoU=0.50:0.95 | area=   all | maxDets=100 ] = 0.464
  # Average Precision (AP) @[ IoU=0.50      | area=   all | maxDets=100 ] = 0.637
  # Average Precision (AP) @[ IoU=0.75      | area=   all | maxDets=100 ] = 0.203
  # Average Precision (AP) @[ IoU=0.50:0.95 | area= small | maxDets=100 ] = 0.284
  # Average Precision (AP) @[ IoU=0.50:0.95 | area=medium | maxDets=100 ] = 0.497
  # Average Precision (AP) @[ IoU=0.50:0.95 | area= large | maxDets=100 ] = 0.629
  

• Fix #1767: 修复了在过滤検出时丢失 sv.Detections.data 的问题。

0.25.0 Nov 12, 2024

• 本次发布没有移除或弃用任何内容！

• 对 LineZone 的重要更新：在计算线交叉时，可能抖动的检测会重复计算（或多次计算）。现在可以通过 minimum_crossing_threshold 参数解决此问题。如果将其设置为 2 或更高，将使用额外的帧来确认交叉，从而显著提高准确性。(#1540)

• 现在可以跟踪被检测为 KeyPoints 的对象。请参阅 Object Tracking Guide 中的完整分步指南。(#1658)

import numpy as np
import supervision as sv
from ultralytics import YOLO

model = YOLO("yolov8m-pose.pt")
tracker = sv.ByteTrack()
trace_annotator = sv.TraceAnnotator()

def callback(frame: np.ndarray, _: int) -> np.ndarray:
    results = model(frame)[0]
    key_points = sv.KeyPoints.from_ultralytics(results)

    detections = key_points.as_detections()
    detections = tracker.update_with_detections(detections)

    annotated_image = trace_annotator.annotate(frame.copy(), detections)
    return annotated_image

sv.process_video(
    source_path="input_video.mp4",
    target_path="output_video.mp4",
    callback=callback
)

• 向 KeyPoints 添加了 is_empty 方法，用于检查对象中是否包含任何关键点。(#1658)

• 向 KeyPoints 添加了 as_detections 方法，该方法将 KeyPoints 转换为 Detections。(#1658)

• 向 supervision[assets] 添加了一个新视频。(#1657)

from supervision.assets import download_assets, VideoAssets

path_to_video = download_assets(VideoAssets.SKIING)

• Supervision 现在可以与 Python 3.13 一起使用。最值得称道的更新是能够 在没有全局解释器锁 (GIL) 的情况下 运行 Python。我们预计依赖项对它的支持将不一致，但如果您尝试了——请告诉我们结果！(#1595)

• 添加了 Mean Average Recall mAR 指标，该指标返回一个召回率分数，平均了 IoU 阈值、检测目标类别以及对最多考虑检测次数的限制。(#1661)

import supervision as sv
from supervision.metrics import MeanAverageRecall

predictions = sv.Detections(...)
targets = sv.Detections(...)

map_metric = MeanAverageRecall()
map_result = map_metric.update(predictions, targets).compute()

map_result.plot()

• 添加了 Precision 和 Recall 指标，为比较模型输出与地面真实值或另一个模型提供了基准 (#1609)

import supervision as sv
from supervision.metrics import Recall

predictions = sv.Detections(...)
targets = sv.Detections(...)

recall_metric = Recall()
recall_result = recall_metric.update(predictions, targets).compute()

recall_result.plot()

• 所有 Metrics 现在都支持定向边界框 (OBB) (#1593)

import supervision as sv
from supervision.metrics import F1_Score

predictions = sv.Detections(...)
targets = sv.Detections(...)

f1_metric = MeanAverageRecall(metric_target=sv.MetricTarget.ORIENTED_BOUNDING_BOXES)
f1_result = f1_metric.update(predictions, targets).compute()

• 引入智能标签！当为 LabelAnnotator, RichLabelAnnotator 或 VertexLabelAnnotator 设置 smart_position 时，标签会移动以避免与其他标签重叠。(#1625)

import supervision as sv
from ultralytics import YOLO

image = cv2.imread("image.jpg")

label_annotator = sv.LabelAnnotator(smart_position=True)

model = YOLO("yolo11m.pt")
results = model(image)[0]
detections = sv.Detections.from_ultralytics(results)

annotated_frame = label_annotator.annotate(first_frame.copy(), detections)
sv.plot_image(annotated_frame)

• 向 Detections 添加了 metadata 变量。它允许您为每个图像存储自定义数据，而不是像使用 data 变量那样为每个检测对象存储。例如，metadata 可用于存储源视频路径、摄像机型号或摄像机参数。(#1589)

import supervision as sv
from ultralytics import YOLO

model = YOLO("yolov8m")

result = model("image.png")[0]
detections = sv.Detections.from_ultralytics(result)

# `data` 中的项必须与检测的长度匹配
object_ids = [num for num in range(len(detections))]
detections.data["object_number"] = object_ids

# `metadata` 中的项可以为任何长度。
detections.metadata["camera_model"] = "Luxonis OAK-D"

• 添加了 py.typed 类型提示元文件。它应该为类型注解器和 IDE 提供更强的信号，表明类型支持可用。(#1586)

• ByteTrack 不再需要 detections 具有 class_id (#1637)

• draw_line, draw_rectangle, draw_filled_rectangle, draw_polygon, draw_filled_polygon 和 PolygonZoneAnnotator 现在带有默认颜色 (#1591)
• 在合并多个数据集时，将数据集类视为区分大小写。 (#1643)
• 扩展了 Metrics 文档，包含示例图表和打印结果 (#1660)
• 为多边形区域添加了用法示例 (#1608)

• 对多边形错误处理进行了小型改进：(#1602)

• 更新了 ByteTrack，移除了共享变量。以前，多个 ByteTrack 实例会共享一些数据，需要大量使用 tracker.reset()。(#1603), (#1528)

• 修复了 MeanAveragePrecision 中 class_agnostic 设置无效的错误。(#1577) hacktoberfest

• 从我们的 CI 系统中移除了欢迎工作流。(#1596)

• 对 ByteTrack 进行了大量重构：将 STrack 移至单独的类，移除了多余的 BaseTrack 类，移除了未使用的变量 (#1603)

• 对 RichLabelAnnotator 进行了大量重构，将其内容与 LabelAnnotator 匹配。(#1625)

0.24.0 Oct 4, 2024

• 为检测和分割添加了 F1 score 作为新指标。 #1521

import supervision as sv
from supervision.metrics import F1Score

predictions = sv.Detections(...)
targets = sv.Detections(...)

f1_metric = F1Score()
f1_result = f1_metric.update(predictions, targets).compute()

print(f1_result)
print(f1_result.f1_50)
print(f1_result.small_objects.f1_50)

• 添加了新的 cookbook：Small Object Detection with SAHI。此 cookbook 提供了使用 InferenceSlicer 进行小目标检测的详细指南。 #1483

• 添加了 Embedded Workflow，允许您 预览 Annotator。 #1533

• 增强了 LineZoneAnnotator，允许标签与线条对齐，即使线条不是水平的。此外，您还可以禁用文本背景，并选择将标签绘制在中心之外，从而最大限度地减少多个 LineZone 标签的重叠。 #854

import supervision as sv
import cv2

image = cv2.imread("<SOURCE_IMAGE_PATH>")

line_zone = sv.LineZone(
    start=sv.Point(0, 100),
    end=sv.Point(50, 200)
)
line_zone_annotator = sv.LineZoneAnnotator(
    text_orient_to_line=True,
    display_text_box=False,
    text_centered=False
)

annotated_frame = line_zone_annotator.annotate(
    frame=image.copy(), line_counter=line_zone
)

sv.plot_image(annotated_frame)

• 为 LineZone 添加了每类计数功能，并为 LineZoneAnnotatorMulticlass 引入了用于可视化每类计数的Annotator。此功能允许跟踪穿过线条的单个类别，增强了交通监控或人群分析等用例的灵活性。 #1555

import supervision as sv
import cv2

image = cv2.imread("<SOURCE_IMAGE_PATH>")

line_zone = sv.LineZone(
    start=sv.Point(0, 100),
    end=sv.Point(50, 200)
)
line_zone_annotator = sv.LineZoneAnnotatorMulticlass()

frame = line_zone_annotator.annotate(
    frame=frame, line_zones=[line_zone]
)

sv.plot_image(frame)

• 添加了 from_easyocr，允许将 OCR 结果集成到 supervision 框架中。EasyOCR 是一个开源光学字符识别 (OCR) 库，可以从图像中读取文本。 #1515

import supervision as sv
import easyocr
import cv2

image = cv2.imread("<SOURCE_IMAGE_PATH>")

reader = easyocr.Reader(["en"])
result = reader.readtext("<SOURCE_IMAGE_PATH>", paragraph=True)
detections = sv.Detections.from_easyocr(result)

box_annotator = sv.BoxAnnotator(color_lookup=sv.ColorLookup.INDEX)
label_annotator = sv.LabelAnnotator(color_lookup=sv.ColorLookup.INDEX)

annotated_image = image.copy()
annotated_image = box_annotator.annotate(scene=annotated_image, detections=detections)
annotated_image = label_annotator.annotate(scene=annotated_image, detections=detections)

sv.plot_image(annotated_image)

• 添加了 oriented_box_iou_batch 函数到 detection.utils。此函数计算定向或旋转边界框 (OBB) 的 IoU。 #1502

import numpy as np

boxes_true = np.array([[[1, 0], [0, 1], [3, 4], [4, 3]]])
boxes_detection = np.array([[[1, 1], [2, 0], [4, 2], [3, 3]]])
ious = sv.oriented_box_iou_batch(boxes_true, boxes_detection)
print("IoU between true and detected boxes:", ious)

• 扩展了 PolygonZoneAnnotator 以允许在绘制区域时设置不透明度，通过可调透明度填充区域来增强可视化。 #1527

import cv2
from ncnn.model_zoo import get_model
import supervision as sv

image = cv2.imread("<SOURCE_IMAGE_PATH>")
model = get_model(
    "yolov8s",
    target_size=640,
    prob_threshold=0.5,
    nms_threshold=0.45,
    num_threads=4,
    use_gpu=True,
)
result = model(image)
detections = sv.Detections.from_ncnn(result)

Removed

已移除 PolygonZone 中的 frame_resolution_wh 参数。

Removed

移除了 Supervision 安装方法 "headless" 和 "desktop"，因为它们不再需要。pip install supervision[headless] 将安装基础库并无害地警告不存在的附加组件。

• Supervision 现在依赖 opencv-python 而不是 opencv-python-headless。 #1530

• 修正了 COCO 101 点平均精度算法，以正确插值精度，从而无需平均掉中间值即可更精确地计算平均精度。 #1500

• 解决了构建文档时突出显示的其他问题。主要包括空格调整和类型不一致。更新了文档以提高清晰度并修复了格式问题。为 mkdocstrings-python 添加了显式版本。 #1549

• 为代码格式化启用了 Ruff 规则并进行了修复，包括避免不必要的迭代器分配和为默认可变参数使用 Optional 等更改。 #1526

0.23.0 Aug 28, 2024

• Added #930: IconAnnotator，一个 新 Annotator，允许在每个检测上绘制图标。如果你想为每个类别绘制特定的图标，这个功能会很有用。

import supervision as sv
from inference import get_model

image = <SOURCE_IMAGE_PATH>
icon_dog = <DOG_PNG_PATH>
icon_cat = <CAT_PNG_PATH>

model = get_model(model_id="yolov8n-640")
results = model.infer(image)[0]
detections = sv.Detections.from_inference(results)

icon_paths = []
for class_name in detections.data["class_name"]:
    if class_name == "dog":
        icon_paths.append(icon_dog)
    elif class_name == "cat":
        icon_paths.append(icon_cat)
    else:
        icon_paths.append("")

icon_annotator = sv.IconAnnotator()
annotated_frame = icon_annotator.annotate(
    scene=image.copy(),
    detections=detections,
    icon_path=icon_paths
)

• Added #1385: BackgroundColorAnnotator，它在检测的背景图像上绘制一个叠加层。

import supervision as sv
from inference import get_model

image = <SOURCE_IMAGE_PATH>

model = get_model(model_id="yolov8n-640")
results = model.infer(image)[0]
detections = sv.Detections.from_inference(results)

background_overlay_annotator = sv.BackgroundOverlayAnnotator()
annotated_frame = background_overlay_annotator.annotate(
    scene=image.copy(),
    detections=detections
)

• Added #1386: 支持 sv.Detections.from_transformers 中的 Transformers v5 函数。这包括 DetrImageProcessor 的方法 post_process_object_detection、post_process_panoptic_segmentation、post_process_semantic_segmentation 和 post_process_instance_segmentation。

import torch
import supervision as sv
from PIL import Image
from transformers import DetrImageProcessor, DetrForObjectDetection

processor = DetrImageProcessor.from_pretrained("facebook/detr-resnet-50")
model = DetrForObjectDetection.from_pretrained("facebook/detr-resnet-50")

image = Image.open(<SOURCE_IMAGE_PATH>)
inputs = processor(images=image, return_tensors="pt")

with torch.no_grad():
    outputs = model(**inputs)

width, height = image.size
target_size = torch.tensor([[height, width]])
results = processor.post_process_object_detection(
    outputs=outputs, target_sizes=target_size)[0]
detections = sv.Detections.from_transformers(
    transformers_results=results,
    id2label=model.config.id2label)

• Added #1354: Ultralytics SAM (Segment Anything Model) 支持 sv.Detections.from_ultralytics。SAM2 在此更新期间发布，并且已通过 sv.Detections.from_sam 支持。

import supervision as sv
from segment_anything import (
    sam_model_registry,
    SamAutomaticMaskGenerator
)
sam_model_reg = sam_model_registry[MODEL_TYPE]
sam = sam_model_reg(checkpoint=CHECKPOINT_PATH).to(device=DEVICE)
mask_generator = SamAutomaticMaskGenerator(sam)
sam_result = mask_generator.generate(IMAGE)
detections = sv.Detections.from_sam(sam_result=sam_result)

• Added #1458: 为 TriangleAnnotator 和 DotAnnotator 添加了 outline_color 选项。

• Added #1409: 为 VertexLabelAnnotator 关键点 Annotator 添加了 text_color 选项。

• Changed #1434: InferenceSlicer 现在具有 overlap_wh 参数，使处理重叠切片时计算切片尺寸更加容易。

• Fix #1448: 各种 Annotator 类型问题已得到解决，支持扩展的错误处理。

• Fix #1348: 引入了一种新的 定位到特定视频帧 的方法，解决了传统定位方法失败的情况。可以使用 iterative_seek=True 启用它。

import supervision as sv

for frame in sv.get_video_frames_generator(
    source_path=<SOURCE_VIDEO_PATH>,
    start=60,
    iterative_seek=True
):
    ...

• Fix #1424: plot_image 函数现在清楚地表明尺寸单位是英寸。

Removed

ByteTrack 中的 track_buffer, track_thresh, 和 match_thresh 参数已被弃用，并已在 supervision-0.23.0 中移除。请使用 lost_track_buffer, track_activation_threshold, 和 minimum_matching_threshold。

Removed

sv.PolygonZone 中的 triggering_position 参数已在 supervision-0.23.0 中移除。请使用 triggering_anchors。

Deprecated

InferenceSlicer.__init__ 中的 overlap_filter_strategy 已弃用，将在 supervision-0.27.0 中移除。请使用 overlap_strategy。

Deprecated

InferenceSlicer.__init__ 中的 overlap_ratio_wh 已弃用，将在 supervision-0.27.0 中移除。请使用 overlap_wh。

0.22.0 Jul 12, 2024

• Added #1326: sv.DetectionsDataset 和 sv.ClassificationDataset，允许仅在需要时将图像加载到内存（延迟加载）。

Deprecated

使用参数 images 作为 Dict[str, np.ndarray] 来构造 DetectionDataset 已弃用，并将于 supervision-0.26.0 中移除。请改为传递路径列表 List[str]。

Deprecated

DetectionDataset.images 属性已弃用，并将于 supervision-0.26.0 中移除。请使用 for path, image, annotation in dataset: 循环加载图像，因为这不需要将所有图像加载到内存中。

import roboflow
from roboflow import Roboflow
import supervision as sv

roboflow.login()
rf = Roboflow()

project = rf.workspace(<WORKSPACE_ID>).project(<PROJECT_ID>)
dataset = project.version(<PROJECT_VERSION>).download("coco")

ds_train = sv.DetectionDataset.from_coco(
    images_directory_path=f"{dataset.location}/train",
    annotations_path=f"{dataset.location}/train/_annotations.coco.json",
)

path, image, annotation = ds_train[0]
    # 按需加载图像

for path, image, annotation in ds_train:
    # 按需加载图像

• Added #1296: sv.Detections.from_lmm 现在支持解析 Florence 2 模型的输出，扩展了处理此大型多模态模型 (LMM) 输出的能力。这包括详细的对象检测、具有区域建议的 OCR、分割等。在我们的 Colab notebook 中了解更多信息。

• Added #1232 支持使用 Mediapipe 进行关键点检测。支持 旧版 和 现代版 管道。请参阅 sv.KeyPoints.from_mediapipe 获取更多信息。

• Added #1316: sv.KeyPoints.from_mediapipe 已扩展以支持 Mediapipe 的 FaceMesh。此增强功能允许处理来自 FaceLandmarker 的面部地标和来自 FaceMesh 的旧版结果。

• Added #1310: sv.KeyPoints.from_detectron2 是一个新的 KeyPoints 方法，增加了对流行的 Detectron 2 平台中提取关键点的支持。

• Added #1300: sv.Detections.from_detectron2 现在支持 Detectron2 的分割模型。生成的掩码可与 sv.MaskAnnotator 一起使用以显示注释。

import supervision as sv
from detectron2 import model_zoo
from detectron2.engine import DefaultPredictor
from detectron2.config import get_cfg
import cv2

image = cv2.imread(<SOURCE_IMAGE_PATH>)
cfg = get_cfg()
cfg.merge_from_file(model_zoo.get_config_file("COCO-InstanceSegmentation/mask_rcnn_R_50_FPN_3x.yaml"))
cfg.MODEL.WEIGHTS = model_zoo.get_checkpoint_url("COCO-InstanceSegmentation/mask_rcnn_R_50_FPN_3x.yaml")
predictor = DefaultPredictor(cfg)

result = predictor(image)
detections = sv.Detections.from_detectron2(result)

mask_annotator = sv.MaskAnnotator()
annotated_frame = mask_annotator.annotate(scene=image.copy(), detections=detections)

• Added #1277: 如果您提供支持某种语言符号的字体，sv.RichLabelAnnotator 将在您的图像上绘制它们。
• 各种其他 Annotator 已经过修改，以确保在使用 numpy 数组时能够正常进行就地操作。此外，我们修复了 sv.ColorAnnotator 在就地使用时用纯色填充框的错误。

import cv2
import supervision as sv
import

image = cv2.imread(<SOURCE_IMAGE_PATH>)

model = get_model(model_id="yolov8n-640")
results = model.infer(image)[0]
detections = sv.Detections.from_inference(results)

rich_label_annotator = sv.RichLabelAnnotator(font_path=<TTF_FONT_PATH>)
annotated_image = rich_label_annotator.annotate(scene=image.copy(), detections=detections)

• Added #1227: 添加了加载 YOLO 格式的定向边界框数据集的支持。

import supervision as sv

train_ds = sv.DetectionDataset.from_yolo(
    images_directory_path="/content/dataset/train/images",
    annotations_directory_path="/content/dataset/train/labels",
    data_yaml_path="/content/dataset/data.yaml",
    is_obb=True,
)

_, image, detections in train_ds[0]

obb_annotator = OrientedBoxAnnotator()
annotated_image = obb_annotator.annotate(scene=image.copy(), detections=detections)

• Fixed #1312: 修复了 CropAnnotator。

Removed

移除了 BoxAnnotator，但 BoundingBoxAnnotator 已重命名为 BoxAnnotator。请使用 BoxAnnotator 和 LabelAnnotator 的组合来模拟旧的 BoundingBox 行为。

Deprecated

BoundingBoxAnnotator 名称已被弃用，将在 supervision-0.26.0 中移除。它已被重命名为 BoxAnnotator。

• Added #975 📝 New Cookbooks: 将检测序列化为 json 和 csv。

• Added #1290: 大部分是内部更改，我们的文件实用函数现在同时支持 str 和 pathlib 路径。

• Added #1340: 两个新的边界框格式转换方法 - xywh_to_xyxy 和 xcycwh_to_xyxy

Removed

from_roboflow 方法已因弃用而被移除。请改用 from_inference。

Removed

Color.white() 已因弃用而被移除。请改用 color.WHITE。

Removed

Color.black() 已因弃用而被移除。请改用 color.BLACK。

Removed

Color.red() 已因弃用而被移除。请改用 color.RED。

Removed

Color.green() 已因弃用而被移除。请改用 color.GREEN。

Removed

Color.blue() 已因弃用而被移除。请改用 color.BLUE。

Removed

ColorPalette.default() 已因弃用而被移除。请改用 ColorPalette.DEFAULT。

Removed

FPSMonitor.__call__ 已因弃用而被移除。请改用属性 FPSMonitor.fps。

0.21.0 Jun 5, 2024

• Added #500: sv.Detections.with_nmm 以对当前对象检测集执行非极大值合并。

• Added #1221: sv.Detections.from_lmm 允许将大型多模态模型 (LMM) 的文本结果解析为 sv.Detections 对象。目前 from_lmm 只支持 PaliGemma 结果解析。

import supervision as sv

paligemma_result = "<loc0256><loc0256><loc0768><loc0768> cat"
detections = sv.Detections.from_lmm(
    sv.LMM.PALIGEMMA,
    paligemma_result,
    resolution_wh=(1000, 1000),
    classes=["cat", "dog"],
)
detections.xyxy
# array([[250., 250., 750., 750.]])

detections.class_id
# array([0])

• Added #1236: sv.VertexLabelAnnotator 允许用自定义文本和颜色注释关键点骨架的每个顶点。

import supervision as sv

image = ...
key_points = sv.KeyPoints(...)

edge_annotator = sv.EdgeAnnotator(
    color=sv.Color.GREEN,
    thickness=5
)
annotated_frame = edge_annotator.annotate(
    scene=image.copy(),
    key_points=key_points
)

• Added #1147: sv.KeyPoints.from_inference 允许从 Inference 结果创建 sv.KeyPoints。

• Added #1138: sv.KeyPoints.from_yolo_nas 允许从 YOLO-NAS 结果创建 sv.KeyPoints。

• Added #1163: sv.mask_to_rle 和 sv.rle_to_mask 允许在掩码和 rle 格式之间轻松转换。

• Changed #1236: sv.InferenceSlicer 允许选择重叠过滤策略 (NONE, NON_MAX_SUPPRESSION 和 NON_MAX_MERGE)。

• Changed #1178: sv.InferenceSlicer 添加了实例分割模型支持。

import cv2
import numpy as np
import supervision as sv
from inference import get_model

model = get_model(model_id="yolov8x-seg-640")
image = cv2.imread(<SOURCE_IMAGE_PATH>)

def callback(image_slice: np.ndarray) -> sv.Detections:
    results = model.infer(image_slice)[0]
    return sv.Detections.from_inference(results)

slicer = sv.InferenceSlicer(callback = callback)
detections = slicer(image)

mask_annotator = sv.MaskAnnotator()
label_annotator = sv.LabelAnnotator()

annotated_image = mask_annotator.annotate(
    scene=image, detections=detections)
annotated_image = label_annotator.annotate(
    scene=annotated_image, detections=detections)

• Changed #1228: sv.LineZone 使其速度提高了 10-20 倍，具体取决于用例。

• Changed #1163: sv.DetectionDataset.from_coco 和 sv.DetectionDataset.as_coco 添加了对 run-length encoding (RLE) 掩码格式的支持。

0.20.0 April 24, 2024

• Added #1128: sv.KeyPoints 以提供对姿态估计和更广泛的关键点检测模型的初始支持。

• Added #1128: sv.EdgeAnnotator 和 sv.VertexAnnotator 以能够渲染关键点检测模型的结果。

import cv2
import supervision as sv
from ultralytics import YOLO

image = cv2.imread(<SOURCE_IMAGE_PATH>)
model = YOLO('yolov8l-pose')

result = model(image, verbose=False)[0]
keypoints = sv.KeyPoints.from_ultralytics(result)

edge_annotators = sv.EdgeAnnotator(color=sv.Color.GREEN, thickness=5)
annotated_image = edge_annotators.annotate(image.copy(), keypoints)

• Changed #1037: sv.LabelAnnotator 添加了一个额外的 corner_radius 参数，允许圆角化边界框的角落。

• Changed #1109: sv.PolygonZone 使初始化 sv.PolygonZone 时不再需要 frame_resolution_wh 参数。

Deprecated

sv.PolygonZone 中的 frame_resolution_wh 参数已被弃用，将在 supervision-0.24.0 中移除。

• Changed #1084: sv.get_polygon_center 以计算更准确的多边形质心。

• Changed #1069: sv.Detections.from_transformers 添加了对 Transformers 分割模型和提取类名值ibouti。

import torch
import supervision as sv
from PIL import Image
from transformers import DetrImageProcessor, DetrForSegmentation

processor = DetrImageProcessor.from_pretrained("facebook/detr-resnet-50-panoptic")
model = DetrForSegmentation.from_pretrained("facebook/detr-resnet-50-panoptic")

image = Image.open(<SOURCE_IMAGE_PATH>)
inputs = processor(images=image, return_tensors="pt")

with torch.no_grad():
    outputs = model(**inputs)

width, height = image.size
target_size = torch.tensor([[height, width]])
results = processor.post_process_segmentation(
    outputs=outputs, target_sizes=target_size)[0]
detections = sv.Detections.from_transformers(results, id2label=model.config.id2label)

mask_annotator = sv.MaskAnnotator()
label_annotator = sv.LabelAnnotator(text_position=sv.Position.CENTER)

annotated_image = mask_annotator.annotate(
    scene=image, detections=detections)
annotated_image = label_annotator.annotate(
    scene=annotated_image, detections=detections)

• Fixed #787: sv.ByteTrack.update_with_detections 之前在跟踪时删除了分割掩码。现在，ByteTrack 可以与分割模型一起使用。

0.19.0 March 15, 2024

• Added #818: sv.CSVSink 允许将图像、视频或流推理结果直接保存到 .csv 文件中。

import supervision as sv
from ultralytics import YOLO

model = YOLO(<SOURCE_MODEL_PATH>)
csv_sink = sv.CSVSink(<RESULT_CSV_FILE_PATH>)
frames_generator = sv.get_video_frames_generator(<SOURCE_VIDEO_PATH>)

with csv_sink:
    for frame in frames_generator:
        result = model(frame)[0]
        detections = sv.Detections.from_ultralytics(result)
        csv_sink.append(detections, custom_data={<CUSTOM_LABEL>:<CUSTOM_DATA>})

• Added #819: sv.JSONSink 允许将图像、视频或流推理结果直接保存到 .json 文件中。

import supervision as sv
from ultralytics import YOLO

model = YOLO(<SOURCE_MODEL_PATH>)
json_sink = sv.JSONSink(<RESULT_JSON_FILE_PATH>)
frames_generator = sv.get_video_frames_generator(<SOURCE_VIDEO_PATH>)

with json_sink:
    for frame in frames_generator:
        result = model(frame)[0]
        detections = sv.Detections.from_ultralytics(result)
        json_sink.append(detections, custom_data={<CUSTOM_LABEL>:<CUSTOM_DATA>})

• Added #847: sv.mask_iou_batch 允许计算两组掩码的 IoU（交并比）。

• Added #847: sv.mask_non_max_suppression 允许对分割预测执行非极大值抑制 (NMS)。

• Added #888: sv.CropAnnotator 允许用户用缩放后的检测作物来注释场景。

import cv2
import supervision as sv
from inference import get_model

image = cv2.imread(<SOURCE_IMAGE_PATH>)
model = get_model(model_id="yolov8n-640")

result = model.infer(image)[0]
detections = sv.Detections.from_inference(result)

crop_annotator = sv.CropAnnotator()
annotated_frame = crop_annotator.annotate(
    scene=image.copy(),
    detections=detections
)

• Changed #827: sv.ByteTrack.reset 允许用户清除跟踪器状态，从而可以连续处理多个视频文件。

• Changed #802: sv.LineZoneAnnotator 允许使用 display_in_count 和 display_out_count 属性隐藏进/出计数。

• Changed #787: 更新了 sv.ByteTrack 的输入参数和文档字符串，以提高可读性和易用性。

Deprecated

sv.ByteTrack 中的 track_buffer, track_thresh, 和 match_thresh 参数已被弃用，将在 supervision-0.23.0 中移除。请使用 lost_track_buffer, track_activation_threshold, 和 minimum_matching_threshold。

• Changed #910: sv.PolygonZone 现在接受一个特定边界框锚点列表，这些锚点必须在区域内才能计入检测。此更新标志着与先前要求（当时所有四个边界框角都必须存在）相比的重大改进。用户现在可以指定一个锚点，例如 sv.Position.BOTTOM_CENTER，或任何其他由 List[sv.Position] 定义的锚点组合。

Deprecated

sv.PolygonZone 中的 triggering_position 参数已被弃用，将在 supervision-0.23.0 中移除。请使用 triggering_anchors。

• Changed #875: Annotators 添加了 Pillow 图像支持。所有 supervision Annotators 现在都可以接受 numpy 数组或 Pillow Image 作为图像。它们会自动检测其类型，绘制注释，并以与输入相同的格式返回输出。

• Fixed #944: sv.DetectionsSmoother 从 sv.Detections 中移除了 tracking_id。

0.18.0 Jan 25, 2024

• Added #720: sv.PercentageBarAnnotator 允许使用表示置信度或其他自定义属性的百分比值来注释图像和视频。

>>> import supervision as sv

>>> image = ...
>>> detections = sv.Detections(...)

>>> percentage_bar_annotator = sv.PercentageBarAnnotator()
>>> annotated_frame = percentage_bar_annotator.annotate(
...     scene=image.copy(),
...     detections=detections
... )

• Added #702: sv.RoundBoxAnnotator 允许用圆角边界框来注释图像和视频。

• Added #770: sv.OrientedBoxAnnotator 允许用 OBB（定向边界框）来注释图像和视频。

import cv2
import supervision as sv
from ultralytics import YOLO

image = cv2.imread(<SOURCE_IMAGE_PATH>)
model = YOLO("yolov8n-obb.pt")

result = model(image)[0]
detections = sv.Detections.from_ultralytics(result)

oriented_box_annotator = sv.OrientedBoxAnnotator()
annotated_frame = oriented_box_annotator.annotate(
    scene=image.copy(),
    detections=detections
)

• Added #696: sv.DetectionsSmoother 允许在视频跟踪中对检测进行多帧平滑。

• Added #769: sv.ColorPalette.from_matplotlib 允许用户从 Matplotlib 调色板创建 sv.ColorPalette 实例。

>>> import supervision as sv

>>> sv.ColorPalette.from_matplotlib('viridis', 5)
ColorPalette(colors=[Color(r=68, g=1, b=84), Color(r=59, g=82, b=139), ...])

• Changed #770: sv.Detections.from_ultralytics 添加了对 OBB（定向边界框）的支持。

• Changed #735: sv.LineZone 现在接受一个特定边界锚点的列表，检测需要穿过这些锚点才能被计数。此更新标志着从先前要求（需要所有四个边界框角）的重大改进。用户现在可以指定一个锚点，例如 sv.Position.BOTTOM_CENTER，或 List[sv.Position] 定义的任何其他锚点组合。

• Changed #756: sv.Color 和 sv.ColorPalette 访问预定义颜色的方法，从基于函数的实现 (sv.Color.red()) 转换为更直观和惯用的基于属性的方法 (sv.Color.RED)。

Deprecated

sv.ColorPalette.default() 已弃用，将在 supervision-0.22.0 中移除。请改用 sv.ColorPalette.DEFAULT。

• Changed #769: sv.ColorPalette.DEFAULT 值，为用户提供更广泛的注释颜色。

• Changed #677: 将 sv.Detections.from_roboflow 重命名为 sv.Detections.from_inference，简化了其功能，使其与 inference pip 包和 Robloflow hosted API 兼容。

Deprecated

Detections.from_roboflow() 已弃用，将在 supervision-0.22.0 中移除。请使用 Detections.from_inference。

• Fixed #735: 修复了 sv.LineZone 的功能，使其能够准确地更新对象从任何方向（包括侧面）穿过线条时的计数器。此增强功能支持更精确的跟踪和分析，例如计算道路每条车道的独立进/出计数。

0.17.0 Dec 06, 2023

• Added #633: sv.PixelateAnnotator 允许像素化图像和视频上的对象。

• Added #652: sv.TriangleAnnotator 允许用三角形标记注释图像和视频。

• Added #602: sv.PolygonAnnotator 允许用分割掩码轮廓注释图像和视频。

>>> import supervision as sv

>>> image = ...
>>> detections = sv.Detections(...)

>>> polygon_annotator = sv.PolygonAnnotator()
>>> annotated_frame = polygon_annotator.annotate(
...     scene=image.copy(),
...     detections=detections
... )

• Added #476: sv.assets 允许下载视频文件，您可以在演示中使用这些文件。

>>> from supervision.assets import download_assets, VideoAssets
>>> download_assets(VideoAssets.VEHICLES)
"vehicles.mp4"

• Added #605: Position.CENTER_OF_MASS 允许将标签放置在分割掩码的质心。

• Added #651: sv.scale_boxes 允许缩放 sv.Detections.xyxy 值。

• Added #637: sv.calculate_dynamic_text_scale 和 sv.calculate_dynamic_line_thickness 允许文本比例和线条粗细与图像分辨率匹配。

• Added #620: sv.Color.as_hex 允许以 HEX 格式提取颜色值。

• Added #572: sv.Classifications.from_timm 允许从 timm 模型加载分类结果。

• Added #478: sv.Classifications.from_clip 允许从 clip 模型加载分类结果。

• Added #571: sv.Detections.from_azure_analyze_image 允许从 Azure Image Analysis 加载检测结果。

• Changed #646: 将 sv.BoxMaskAnnotator 重命名为 sv.ColorAnnotator。

• Changed #606: sv.MaskAnnotator 使其速度 提升 5 倍。

• Fixed #584: 修复了 sv.DetectionDataset.from_yolo 以忽略注释文件中的空行。

• Fixed #555: 修复了 sv.BlurAnnotator 在模糊检测之前裁剪负坐标。

• Fixed #511: 修复了 sv.TraceAnnotator 以尊重轨迹位置。

0.16.0 Oct 19, 2023

• Added #422: sv.BoxMaskAnnotator 允许用 mox 掩码注释图像和视频。

• Added #433: sv.HaloAnnotator 允许用光晕效果注释图像和视频。

>>> import supervision as sv

>>> image = ...
>>> detections = sv.Detections(...)

>>> halo_annotator = sv.HaloAnnotator()
>>> annotated_frame = halo_annotator.annotate(
...     scene=image.copy(),
...     detections=detections
... )

• Added #466: sv.HeatMapAnnotator 允许用热图注释视频。

• Added #492: sv.DotAnnotator 允许用点注释图像和视频。

• Added #449: sv.draw_image 允许在给定场景中绘制图像，具有指定的不透明度和尺寸。

• Added #280: sv.FPSMonitor 用于监视每秒帧数 (FPS) 以评估延迟。

• Added #454: 🤗 Hugging Face Annotators space。

• Changed #482: sv.LineZone.trigger 现在返回 Tuple[np.ndarray, np.ndarray]。第一个数组指示哪些检测从外部交叉到内部。第二个数组指示哪些检测从内部交叉到外部。

• Changed #465: 将 Annotator 参数名称从 color_map: str 更改为 color_lookup: ColorLookup 枚举，以提高类型安全性。

• Changed #426: sv.MaskAnnotator 可实现 2 倍更快的注释。

• Fixed #477: Poetry 环境定义允许正确的本地安装。

• Fixed #430: 修复了 sv.ByteTrack 返回 np.array([], dtype=int) 的情况，当 svDetections 为空时。

Deprecated

sv.Detections.from_yolov8 和 sv.Classifications.from_yolov8 已被 sv.Detections.from_ultralytics 和 sv.Classifications.from_ultralytics 取代。

0.15.0 Oct 5, 2023

• Added #170: sv.BoundingBoxAnnotator 允许用边界框注释图像和视频。

• Added #170: sv.BoxCornerAnnotator 允许仅用边界框角注释图像和视频。

• Added #170: sv.MaskAnnotator 允许用分割掩码注释图像和视频。

• Added #170: sv.EllipseAnnotator 允许用椭圆（体育比赛风格）注释图像和视频。

• Added #386: sv.CircleAnnotator 允许用圆圈注释图像和视频。

• Added #354: sv.TraceAnnotator 允许在视频上绘制移动对象的路径。

• Added #405: sv.BlurAnnotator 允许模糊图像和视频上的对象。

>>> import supervision as sv

>>> image = ...
>>> detections = sv.Detections(...)

>>> bounding_box_annotator = sv.BoundingBoxAnnotator()
>>> annotated_frame = bounding_box_annotator.annotate(
...     scene=image.copy(),
...     detections=detections
... )

• Added #354: Supervision 使用 示例。您现在可以学习如何使用 Supervision 进行交通流量分析。

• Changed #399: sv.Detections.from_roboflow 现在不需要指定 class_list。class_id 值可以直接从 inference 响应中提取。

• Changed #381: sv.VideoSink 现在允许自定义输出编解码器。

• Changed #361: sv.InferenceSlicer 现在可以在多线程模式下运行。

• Fixed #348: 修复了 sv.Detections.from_deepsparse 以允许处理空的 deepsparse 结果对象。

0.14.0 Aug 31, 2023

• Added #282: 支持 SAHI 推理技术，使用 sv.InferenceSlicer。

>>> import cv2
>>> import supervision as sv
>>> from ultralytics import YOLO

>>> image = cv2.imread(SOURCE_IMAGE_PATH)
>>> model = YOLO(...)

>>> def callback(image_slice: np.ndarray) -> sv.Detections:
...     result = model(image_slice)[0]
...     return sv.Detections.from_ultralytics(result)

>>> slicer = sv.InferenceSlicer(callback = callback)

>>> detections = slicer(image)

• Added #297: Detections.from_deepsparse 以实现与 DeepSparse 框架的无缝集成。

• Added #281: sv.Classifications.from_ultralytics 以实现与 Ultralytics 框架的无缝集成。这将使您能够将 supervision 与 Ultralytics 支持的所有 models一起使用。

Deprecated

sv.Detections.from_yolov8 和 sv.Classifications.from_yolov8 已被弃用，将在 supervision-0.16.0 版本中移除。

• Added #341: 第一个 supervision 用法示例脚本，展示了如何使用 YOLOv8 + Supervision 检测和跟踪视频中的对象。

• Changed #296: sv.ClassificationDataset 和 sv.DetectionDataset 现在使用图像路径（而不是图像名称）作为数据集键。

• Fixed #300: 修复了 Detections.from_roboflow 以过滤掉少于 3 个点的多边形。

0.13.0 Aug 8, 2023

• Added #236: 支持使用 sv.MeanAveragePrecision 对对象检测模型进行平均精度 (mAP) 计算。

>>> import supervision as sv
>>> from ultralytics import YOLO

>>> dataset = sv.DetectionDataset.from_yolo(...)

>>> model = YOLO(...)
>>> def callback(image: np.ndarray) -> sv.Detections:
...     result = model(image)[0]
...     return sv.Detections.from_yolov8(result)

>>> mean_average_precision = sv.MeanAveragePrecision.benchmark(
...     dataset = dataset,
...     callback = callback
... )

>>> mean_average_precision.map50_95
0.433

• Added #256: 支持使用 sv.ByteTrack 进行对象跟踪。

• Added #222: sv.Detections.from_ultralytics 以启用与 Ultralytics 框架的无缝集成。这将使您能够将 supervision 与 Ultralytics 支持的所有 models 一起使用。

Deprecated

sv.Detections.from_yolov8 已被弃用，将在 supervision-0.15.0 版本中移除。

• Added #191: sv.Detections.from_paddledet 以启用与 PaddleDetection 框架的无缝集成。

• Added #245: 支持使用 sv.DetectionDataset. 加载 PASCAL VOC 分割数据集。

0.12.0 Jul 24, 2023

Python 3.7. Support Terminated

随着 supervision-0.12.0 版本的发布，我们终止了对 Python 3.7 的官方支持。

• Added #177: 对对象检测模型基准测试的初始支持，使用 sv.ConfusionMatrix。

>>> import supervision as sv
>>> from ultralytics import YOLO

>>> dataset = sv.DetectionDataset.from_yolo(...)

>>> model = YOLO(...)
>>> def callback(image: np.ndarray) -> sv.Detections:
...     result = model(image)[0]
...     return sv.Detections.from_yolov8(result)

>>> confusion_matrix = sv.ConfusionMatrix.benchmark(
...     dataset = dataset,
...     callback = callback
... )

>>> confusion_matrix.matrix
array([
    [0., 0., 0., 0.],
    [0., 1., 0., 1.],
    [0., 1., 1., 0.],
    [1., 1., 0., 0.]
])

• Added #173: Detections.from_mmdetection 以实现与 MMDetection 框架的无缝集成。

• Added #130: 能够以 headless 或 desktop 模式 安装 包。

• Changed #180: 将打包方法从 setup.py 更改为 pyproject.toml。

• Fixed #188: 修复了 sv.DetectionDataset.from_cooc 在没有注释的图像时无法加载的问题。

• Fixed #226: 修复了 sv.DetectionDataset.from_yolo 无法加载背景实例的问题。

0.11.1 Jun 29, 2023

• Fix #165: 修复了 as_folder_structure 在推断结果为 sv.ClassificationDataset 时无法保存的问题。

0.11.0 Jun 28, 2023

• Added #150: 能够使用 as_coco 和 from_coco 方法以 COCO 格式加载和保存 sv.DetectionDataset。

>>> import supervision as sv

>>> ds = sv.DetectionDataset.from_coco(
...     images_directory_path='...',
...     annotations_path='...'
... )

>>> ds.as_coco(
...     images_directory_path='...',
...     annotations_path='...'
... )

• Added #158: 能够使用 merge 方法合并多个 sv.DetectionDataset。

>>> import supervision as sv

>>> ds_1 = sv.DetectionDataset(...)
>>> len(ds_1)
100
>>> ds_1.classes
['dog', 'person']

>>> ds_2 = sv.DetectionDataset(...)
>>> len(ds_2)
200
>>> ds_2.classes
['cat']

>>> ds_merged = sv.DetectionDataset.merge([ds_1, ds_2])
>>> len(ds_merged)
300
>>> ds_merged.classes
['cat', 'dog', 'person']

• Added #162: 向 sv.get_video_frames_generator 添加了额外的 start 和 end 参数，允许仅为视频的选定部分生成帧。

• Fix #157: 从 data.yaml 错误加载 YOLO 数据集类名。

0.10.0 Jun 14, 2023

• Added #125: 能够以文件夹结构格式加载和保存 sv.ClassificationDataset。

>>> import supervision as sv

>>> cs = sv.ClassificationDataset.from_folder_structure(
...     root_directory_path='...'
... )

>>> cs.as_folder_structure(
...     root_directory_path='...'
... )

• Added #125: 支持 sv.ClassificationDataset.split，允许将 sv.ClassificationDataset 分为两部分。

• Added #110: 能够使用 sv.Detections.from_roboflow 从 Roboflow API 结果中提取掩码。

• Added commit hash: Supervision Quickstart notebook，您可以在其中了解有关 Detection、Dataset 和 Video API 的更多信息。

• Changed #135: sv.get_video_frames_generator 文档，以更好地描述实际行为。

0.9.0 Jun 7, 2023

• Added #118: 能够通过索引、索引列表或切片来选择 sv.Detections。以下示例说明了新的选择方法。

>>> import supervision as sv

>>> detections = sv.Detections(...)
>>> len(detections[0])
1
>>> len(detections[[0, 1]])
2
>>> len(detections[0:2])
2

• Added #101: 能够使用 sv.Detections.from_yolov8 从 YOLOv8 结果中提取掩码。以下示例说明了如何从 YOLOv8 模型推理结果中提取布尔掩码。

• Added #122: 能够使用 sv.crop 来裁剪图像。以下示例显示了如何为 sv.Detections 中的每个检测获取单独的裁剪。

• Added #120: 能够使用 sv.ImageSink 将多个图像方便地保存到目录中。以下示例显示了如何将每十个视频帧保存为单独的图像。

>>> import supervision as sv

>>> with sv.ImageSink(target_dir_path='target/directory/path') as sink:
...     for image in sv.get_video_frames_generator(source_path='source_video.mp4', stride=10):
...         sink.save_image(image=image)

• Fixed #106: 修复了 sv.PolygonZone 坐标处理不方便的问题。现在 sv.PolygonZone 接受 [[x1, y1], [x2, y2], ...] 形式的坐标，可以是整数或浮点数。

0.8.0 May 17, 2023

• Added #100: 支持数据集继承。当前的 Dataset 已重命名为 DetectionDataset。现在 DetectionDataset 继承自 BaseDataset。此更改是为了强制未来不同类型计算机视觉数据集 API 的一致性。
• Added #100: 能够使用 DetectionDataset.as_yolo 将数据集保存为 YOLO 格式。

>>> import roboflow
>>> from roboflow import Roboflow
>>> import supervision as sv

>>> roboflow.login()

>>> rf = Roboflow()

>>> project = rf.workspace(WORKSPACE_ID).project(PROJECT_ID)
>>> dataset = project.version(PROJECT_VERSION).download("yolov5")

>>> ds = sv.DetectionDataset.from_yolo(
...     images_directory_path=f"{dataset.location}/train/images",
...     annotations_directory_path=f"{dataset.location}/train/labels",
...     data_yaml_path=f"{dataset.location}/data.yaml"
... )

>>> ds.classes
['dog', 'person']

• Added #102: 支持 DetectionDataset.split，允许将 DetectionDataset 分为两部分。

>>> import supervision as sv

>>> ds = sv.DetectionDataset(...)
>>> train_ds, test_ds = ds.split(split_ratio=0.7, random_state=42, shuffle=True)

>>> len(train_ds), len(test_ds)
(700, 300)

• Changed #100: DetectionDataset.as_yolo 和 DetectionDataset.as_pascal_voc 中 approximation_percentage 参数的默认值从 0.75 更改为 0.0。

0.7.0 May 11, 2023

• Added #91: Detections.from_yolo_nas 以实现与 YOLO-NAS 模型的无缝集成。
• Added #86: 能够使用 Dataset.from_yolo 以 YOLO 格式加载数据集。
• Added #84: Detections.merge 用于将多个 Detections 对象合并在一起。
• Fixed #81: LineZoneAnnotator.annotate 未返回带注释的帧。
• Changed #44: LineZoneAnnotator.annotate 以允许自定义进出标签文本。

0.6.0 April 19, 2023

• Added #71: 初始 Dataset 支持以及将 Detections 保存为 Pascal VOC XML 格式的能力。
• Added #71: 新的 mask_to_polygons, filter_polygons_by_area, polygon_to_xyxy 和 approximate_polygon 工具。
• Added #72: 能够将 Pascal VOC XML 对象检测 数据集加载为 Dataset。
• Changed #70: Detections 属性的顺序，以使其与 __iter__ 元组中的对象顺序一致。
• Changed #71: generate_2d_mask 改为 polygon_to_mask。

0.5.2 April 13, 2023

• Fixed #63: LineZone.trigger 函数期望 4 个值而不是 5 个。

0.5.1 April 12, 2023

• Fixed Detections.__getitem__ 方法未返回选定项目的掩码。
• Fixed Detections.area 因掩码检测而崩溃。

0.5.0 April 10, 2023

• Added #58: Detections.mask 以支持分割。
• Added #58: MaskAnnotator 以允许轻松注释 Detections.mask。
• Added #58: Detections.from_sam 以支持原生的 Segment Anything Model (SAM)。
• Changed #58: Detections.area 的行为，使其不仅可以处理边界框，还可以处理掩码。

0.4.0 April 5, 2023

• Added #46: Detections.empty 以允许轻松创建空的 Detections 对象。
• Added #56: Detections.from_roboflow 以允许从 Roboflow API 推理结果轻松创建 Detections 对象。
• Added #56: plot_images_grid 以允许轻松地将多个图像绘制在单个图上。
• Added #56: 使用 detections_to_voc_xml 方法对 Pascal VOC XML 格式的初始支持。
• Changed #56: 将 show_frame_in_notebook 重构并重命名为 plot_image。

0.3.2 March 23, 2023

• Changed #50: 允许 Detections.class_id 为 None。

0.3.1 March 6, 2023

• Fixed #41: PolygonZone 在对象接触图像底部边缘时抛出异常。
• Fixed #42: Detections.wth_nms 方法在 Detections 为空时抛出异常。
• Changed #36: Detections.wth_nms 支持类别无关和非类别无关情况。

0.3.0 March 6, 2023

• Changed: 允许 Detections.confidence 为 None。
• Added: Detections.from_transformers 和 Detections.from_detectron2 以启用与 Transformers 和 Detectron2 模型的无缝集成。
• Added: Detections.area 以动态计算边界框面积。
• Added: Detections.wth_nms 以使用 NMS 过滤掉重复检测。初始实现为类别无关。

0.2.0 Feb 2, 2023

• Added: 高级的 Detections 过滤，使用类似 pandas 的 API。
• Added: Detections.from_yolov5 和 Detections.from_yolov8 以实现与 YOLOv5 和 YOLOv8 模型的无缝集成。

0.1.0 Jan 19, 2023

欢迎 Supervision 👋