Supervision: Toolkit Computer Vision dari Roboflow

# Supervision: Toolkit Computer Vision dari Roboflow Dalam proyek computer vision, setelah model mendeteksi objek, Anda masih perlu melakukan banyak hal: **menggambar bounding box, memfilter deteksi,...

By Ruby Abdullah · · tutorial
SupervisionComputer VisionObject DetectionRoboflowPython

Supervision: Toolkit Computer Vision dari Roboflow

Dalam proyek computer vision, setelah model mendeteksi objek, Anda masih perlu melakukan banyak hal: menggambar bounding box, memfilter deteksi, menghitung objek, dan melacak pergerakan. Semua ini membutuhkan kode yang cukup banyak dan repetitif jika ditulis dari nol.

Supervision dari Roboflow hadir sebagai toolkit Python yang menyederhanakan semua pekerjaan pasca-deteksi ini. Dengan API yang konsisten, Supervision bekerja dengan berbagai model deteksi seperti YOLO, Detectron2, dan SAM, memungkinkan Anda fokus pada logika aplikasi bukan boilerplate code.

Apa Itu Supervision?

Supervision adalah library Python open-source dari Roboflow untuk memudahkan pekerjaan computer vision. Fitur utamanya meliputi:

  • Detections Object: Representasi universal untuk hasil deteksi dari berbagai model
  • Annotators: Berbagai tipe annotator visual (bounding box, mask, label, trace, halo)
  • Filtering: Filter deteksi berdasarkan confidence, kelas, zona, dan kriteria lainnya
  • Polygon Zones: Definisi zona poligon untuk counting dan analisis area
  • Line Counters: Penghitung objek yang melewati garis virtual
  • Object Tracking: Integrasi ByteTrack untuk pelacakan objek lintas frame
  • Video Processing: Utilitas untuk memproses video frame-by-frame
  • FPS Monitor: Monitoring performa real-time

Instalasi

Instalasi Dasar

pip install supervision

Instalasi dengan Dependensi Model

# Dengan YOLO (Ultralytics)

pip install supervision ultralytics



Dengan Detectron2


pip install supervision detectron2



Dengan SAM (Segment Anything)


pip install supervision segment-anything

Verifikasi Instalasi

import supervision as sv

print(f"Supervision version: {sv.version}")

Detections Object

sv.Detections adalah objek inti di Supervision yang merepresentasikan hasil deteksi secara universal.

Membuat Detections dari Berbagai Model

import supervision as sv

import numpy as np



Dari Ultralytics YOLO


from ultralytics import YOLO



model = YOLO("yolov8n.pt")


results = model("image.jpg")


detections = sv.Detections.fromultralytics(results[0])



print(f"Jumlah deteksi: {len(detections)}")


print(f"Bounding boxes: {detections.xyxy}")


print(f"Confidence: {detections.confidence}")


print(f"Class IDs: {detections.classid}")

Dari Detectron2

from detectron2.engine import DefaultPredictor

from detectron2.config import getcfg



cfg = getcfg()


cfg.mergefromfile("config.yaml")


predictor = DefaultPredictor(cfg)



outputs = predictor(image)


detections = sv.Detections.fromdetectron2(outputs)

Dari SAM (Segment Anything)

from segmentanything import sammodelregistry, SamAutomaticMaskGenerator


sam = sammodelregistryvith.pth"">"vith"


maskgenerator = SamAutomaticMaskGenerator(sam)



masks = maskgenerator.generate(image)


detections = sv.Detections.fromsam(masks)

Membuat Detections Manual

# Buat detections secara manual

detections = sv.Detections(


    xyxy=np.array([


        [100, 200, 300, 400],


        [150, 250, 350, 450]


    ]),


    confidence=np.array([0.95, 0.87]),


    classid=np.array([0, 1])


)

Annotators: Visualisasi Deteksi

Supervision menyediakan berbagai annotator untuk memvisualisasikan hasil deteksi.

Bounding Box Annotator

import supervision as sv

import cv2



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



Annotator bounding box


bboxannotator = sv.BoxAnnotator(


    thickness=2,


    color=sv.ColorPalette.fromhex(["#FF0000", "#00FF00", "#0000FF"])


)



annotatedimage = bboxannotator.annotate(


    scene=image.copy(),


    detections=detections


)



cv2.imwrite("annotatedbbox.jpg", annotatedimage)

Artikel Terkait