YOLOv8改进 | 进阶实战篇 | 利用辅助超推理算法SAHI推理让小目标无所谓遁形（支持视频和图片）_yolov8+sahi

鱼弦：公众号【红尘灯塔】，CSDN博客专家、内容合伙人、新星导师、全栈领域优质创作者 、51CTO(Top红人+专家博主) 、github开源爱好者（go-zero源码二次开发、游戏后端架构 https://github.com/Peakchen）

YOLOv8改进 | 进阶实战篇 | 利用辅助超推理算法SAHI推理让小目标无所谓遁形（支持视频和图片）

介绍

目标检测算法在近年来取得了长足的进步，但在检测小目标方面仍然存在一些挑战。小目标往往由于尺寸较小、特征信息不足等原因，难以被检测算法准确识别。为了解决这一问题，本文提出了一种利用辅助超推理算法SAHI推理让小目标无所谓遁形的方案。

SAHI是一种基于超推理的辅助推理算法，它可以利用相邻图像的信息来增强小目标的特征信息，从而提高检测精度。该算法在多个目标检测数据集上都取得了显著的性能提升。

原理详解

SAHI算法的原理是通过利用相邻图像的信息来增强小目标的特征信息。具体来说，SAHI算法首先将输入图像划分为多个子图像，然后对每个子图像进行特征提取。接着，SAHI算法利用相邻子图像之间的相关性来计算每个子图像的辅助推理权重。最后，SAHI算法将每个子图像的特征与辅助推理权重进行加权融合，得到最终的特征表示。

SAHI算法的优势在于，它可以有效利用相邻图像的信息来增强小目标的特征信息，从而提高检测精度。此外，SAHI算法还可以用于其他任务，例如图像分割和图像分类等。

应用场景解释

SAHI算法可以应用于各种需要检测小目标的场景，例如：

• 交通监控: 检测道路上的行人、车辆和其他物体。
• 医学影像分析