对于day-1，算是一个简要的supervision的使用方法，但对于大部分内容本人还是一知半解，因此我查看官方文档，对照着官方文档来进行supervision的详细学习，并对其中一些重要的方法和属性进行解释
Detections and Segmentation-检测与分割
一、Detections 类
supervision是这样描述Detections类的：
Supervision 库中的 sv.Detections 类将来自各种目标检测和分割模型的结果标准化为一致的格式。这个类简化了数据的操作和过滤，提供了一个统一的 API，以便与 Supervision 的跟踪器（tracker）、注释器（annotator）和工具集成。
1.属性
- xyxy：检测框的左上角坐标和右下角坐标
- confidence：置信度
- class_id：检测的物体对应的索引
- data：对应的类名
- tracker_id：跟踪器的id
- mask：图像分割产生的掩膜，如果不是图像分割，则会是None
- box_area：返回每个检测框的面积
- area：如果Detections类定义了掩膜，则返回掩膜的面积值，否则返回检测框的面积值
2.重要方法
-
from_ultralytics(ultralytics_results)：
- ultralytics_results:yolo的推理结果
通过这个方法能够将YOLO的推理结果ultralytics_results转换为sv.Detections的实例
还有很多其他的from_xxx的方法，将其他的推理结果转换为Detections的实例，这里就不一一列举了 -
with_nms(threshold=0.5, class_agnostic=False)：
- threshold：设定的IoU的阈值，默认为0.5
- class_agnostic：执行的非极大值抑制是否与类无关，默认为False表示有关
对于一个图片，可能会出现一个物体同时被识别成两种类型，如下图
如图，虽然画面上只显示了三个框，但实际上，后方的车即被识别成了car类，又被识别成了truck类，可见下方的detections内容
with_nms采用了nms，即非极大值抑制的方法，用以解决多个框重叠的问题，该方法会计算某个框与其他框的IoU(相当于相交比)，对于IoU大于阈值的两个框，会舍弃掉其中置信度较小的框，保留置信度更大的从而达到减少框重叠的功能
import cv2
import supervision as sv
from ultralytics import YOLO
cv2.namedWindow('img1',cv2.WINDOW_NORMAL)
model=YOLO('yolo11n.pt')
image=cv2.imread('images/dog_bike.jpeg')
result=model(image)[0]
detections=sv.Detections.from_ultralytics(result)
#detections调用with_nms方法，设定阈值为0.5，类无关的非极大值抑制
detections=detections.with_nms(0.5,True)
box_annotator=sv.BoxAnnotator()
box_annotator.annotate(scene=image,detections=detections)
labels=[
f'{class_name} {confidence:.2f}'
for class_name,confidence
in zip(detections['class_name'], detections.confidence)
]
label_annotator=sv.LabelAnnotator()
label_annotator.annotate(scene=image,detections=detections,labels=labels)
cv2.imshow('img1',image)
cv2.waitKey(0)
可见，后方的车辆最终被识别成了car类型，truck类被去除了
-
with_nmm(threshold=0.5,class-agnostic=False)
与with_nms功能基本一致，只不过nmm采用的是非极大值合并的方法