diff --git a/docs/zh/cli.md b/docs/zh/cli.md
new file mode 100644
index 000000000..dd4db4dd6
--- /dev/null
+++ b/docs/zh/cli.md
@@ -0,0 +1,361 @@
+# CLI 命令
+
+SAHI 提供了一套全面的命令行工具用于目标检测任务。本指南涵盖所有可用命令，附有详细的示例和选项说明。
+
+## `predict` 命令用法
+
+对图像或视频执行切片推理，以更好地检测小目标。
+
+### 基本用法
+
+```bash
+sahi predict --source image/file/or/folder --model_path path/to/model --model_config_path path/to/config
+```
+
+该命令会使用默认参数进行切片推理，并将预测可视化结果导出到 `runs/predict/exp` 文件夹。
+
+### 视频输入支持
+
+SAHI 支持使用相同的命令结构进行视频推理：
+
+```bash
+sahi predict --model_path yolo26s.pt --model_type ultralytics --source video.mp4
+```
+
+#### 实时视频可视化
+
+使用 `--view_video` 参数在推理过程中查看视频渲染：
+
+```bash
+sahi predict --model_path yolo26s.pt --model_type ultralytics --source video.mp4 --view_video
+```
+
+**键盘控制：**
+
+- **`D`** - 前进 100 帧
+- **`A`** - 后退 100 帧
+- **`G`** - 前进 20 帧
+- **`F`** - 后退 20 帧
+- **`Esc`** - 退出查看器
+
+> **提示：** 如果 `--view_video` 运行较慢，可以添加 `--frame_skip_interval=20` 来跳过 20 帧的间隔。
+
+### 高级切片参数
+
+自定义切片行为以获得最佳检测效果：
+
+```bash
+sahi predict --slice_width 512 --slice_height 512 \
+ --overlap_height_ratio 0.1 --overlap_width_ratio 0.1 \
+ --model_confidence_threshold 0.25 \
+ --source image/file/or/folder \
+ --model_path path/to/model \
+ --model_config_path path/to/config
+```
+
+#### 模型配置
+
+**检测框架：**
+
+- `--model_type mmdet` - 用于 MMDetection 模型
+- `--model_type ultralytics` - 用于 Ultralytics/YOLOv5/YOLO11 模型
+- `--model_type huggingface` - 用于 HuggingFace 模型
+- `--model_type torchvision` - 用于 Torchvision 模型
+
+**置信度阈值：**
+
+- `--model_confidence_threshold 0.25` - 设置检测的最低置信度
+
+#### 后处理选项
+
+**后处理类型：**
+
+- `--postprocess_type GREEDYNMM` - 贪心非最大合并（默认）
+- `--postprocess_type NMS` - 标准非最大抑制
+
+**匹配指标：**
+
+- `--postprocess_match_metric IOS` - 交集与较小面积之比
+- `--postprocess_match_metric IOU` - 交并比（默认）
+
+**其他选项：**
+
+- `--postprocess_match_threshold 0.5` - 设置匹配阈值
+- `--postprocess_class_agnostic` - 后处理时忽略类别 ID
+
+#### 导出选项
+
+**可视化导出：**
+
+- `--novisual` - 禁用预测可视化导出
+- `--visual_export_format JPG` - 设置导出格式（JPG、PNG 等）
+
+**数据导出：**
+
+- `--export_pickle` - 导出预测 pickle 文件
+- `--export_crop` - 导出裁剪后的检测结果
+
+#### 推理模式
+
+默认情况下，SAHI 执行多阶段推理（同时进行标准推理和切片推理）：
+
+- `--no_sliced_prediction` - 禁用切片推理（仅标准推理）
+- `--no_standard_prediction` - 禁用标准推理（仅切片推理）
+
+### COCO 数据集评估
+
+使用 COCO 标注文件进行预测评估：
+
+```bash
+sahi predict --dataset_json_path dataset.json \
+ --source path/to/coco/image/folder \
+ --model_path path/to/model
+```
+
+预测结果会以 COCO JSON 格式导出到 `runs/predict/exp/results.json`。之后你可以使用：
+
+- `sahi coco evaluate` - 计算 COCO 评估指标
+- `sahi coco analyse` - 生成详细的误差分析图
+
+### 进度报告
+
+启用进度条来跟踪推理进度：
+
+```bash
+sahi predict --model_path path/to/model --source images/ \
+ --slice_width 512 --slice_height 512 --progress_bar
+```
+
+> **注意：** `--progress_bar` 参数控制 CLI 的可视化进度（tqdm）。`progress_callback` 参数仅在 Python API 中可用，不作为 CLI 选项暴露。
+
+---
+
+## `predict-fiftyone` 命令用法
+
+执行切片推理并使用 FiftyOne App 交互式可视化结果。
+
+### 基本用法
+
+```bash
+sahi predict-fiftyone --image_dir image/file/or/folder \
+ --dataset_json_path dataset.json \
+ --model_path path/to/model \
+ --model_config_path path/to/config
+```
+
+该命令会使用默认参数进行切片推理，并启动 FiftyOne App 进行交互式探索。
+
+### 其他参数
+
+支持 [`sahi predict`](#predict-命令用法) 命令的所有参数。
+
+---
+
+## `coco fiftyone` 命令用法
+
+使用 FiftyOne UI 在 COCO 数据集上可视化和比较多个检测结果。
+
+### 基本用法
+
+你需要先将预测结果转换为 [COCO result JSON 格式](https://cocodataset.org/#format-results)。可以使用 [`sahi predict`](#predict-命令用法) 来生成该格式。
+
+```bash
+sahi coco fiftyone --image_dir dir/to/images \
+ --dataset_json_path dataset.json \
+ cocoresult1.json cocoresult2.json
+```
+
+该命令会打开 FiftyOne 应用，可视化数据集并按误检排序比较两个检测结果。
+
+### 选项
+
+- `--iou_threshold 0.5` - 设置用于 FP/TP 分类的 IOU 阈值
+
+---
+
+## `coco slice` 命令用法
+
+将大图像及其 COCO 格式标注切片为更小的块。
+
+### 基本用法
+
+```bash
+sahi coco slice --image_dir dir/to/images \
+ --dataset_json_path dataset.json
+```
+
+对图像和 COCO 标注进行切片，并导出到输出文件夹。
+
+### 参数
+
+**切片尺寸：**
+
+- `--slice_size 512` - 设置切片的高度和宽度（默认：512）
+
+**重叠率：**
+
+- `--overlap_ratio 0.2` - 设置高度/宽度的重叠比例（默认：0.2）
+
+**过滤：**
+
+- `--ignore_negative_samples` - 排除没有标注的图像
+
+**输出：**
+
+- `--out_dir output/folder` - 指定输出目录
+
+---
+
+## `coco yolo` 命令用法
+
+将 COCO 格式数据集转换为 YOLO 格式，用于 Ultralytics 训练。
+
+> **Windows 用户：** 请以**管理员身份**打开 Anaconda prompt 或 Windows CMD，以正确创建符号链接。
+
+### 基本用法
+
+```bash
+sahi coco yolo --image_dir dir/to/images \
+ --dataset_json_path dataset.json \
+ --train_split 0.9
+```
+
+将 COCO 数据集转换为 YOLO 格式，并导出到 `runs/coco2yolo/exp` 文件夹。
+
+### 参数
+
+- `--train_split 0.9` - 设置训练集划分比例（默认：0.9）
+- `--out_dir output/folder` - 指定输出目录
+
+---
+
+## `coco evaluate` 命令用法
+
+计算预测结果的 COCO 评估指标（mAP、mAR）。
+
+### 基本用法
+
+你需要先将预测结果转换为 [COCO result JSON 格式](https://cocodataset.org/#format-results)。可以使用 [`sahi predict`](#predict-命令用法) 来生成该格式。
+
+```bash
+sahi coco evaluate --dataset_json_path dataset.json \
+ --result_json_path result.json
+```
+
+计算 COCO 评估指标并将结果导出到输出文件夹。
+
+### 参数
+
+**指标类型：**
+
+- `--type bbox` - 评估边界框检测（默认）
+- `--type mask` - 评估实例分割掩码
+
+**评分选项：**
+
+- `--classwise` - 除整体指标外，额外计算每个类别的分数
+
+**检测数量限制：**
+
+- `--proposal_nums "[10 100 500]"` - 设置每张图像的最大检测数（默认：[100, 300, 1000]）
+
+**IOU 阈值：**
+
+- `--iou_thrs 0.5` - 指定 IOU 阈值（默认：0.50:0.95 和 0.5）
+
+**输出：**
+
+- `--out_dir output/folder` - 指定输出目录
+
+---
+
+## `coco analyse` 命令用法
+
+生成 COCO 预测的详细误差分析图。
+
+### 基本用法
+
+你需要先将预测结果转换为 [COCO result JSON 格式](https://cocodataset.org/#format-results)。可以使用 [`sahi predict`](#predict-命令用法) 来生成该格式。
+
+```bash
+sahi coco analyse --dataset_json_path dataset.json \
+ --result_json_path result.json \
+ --out_dir output/directory
+```
+
+生成全面的误差分析图并导出到指定文件夹。
+
+### 参数
+
+**分析类型：**
+
+- `--type bbox` - 分析边界框检测（默认）
+- `--type segm` - 分析实例分割掩码
+
+**附加图表：**
+
+- `--extraplots` - 生成额外的 mAP 柱状图和标注面积统计
+
+**面积区间：**
+
+- `--areas "[1024 9216 10000000000]"` - 定义分析的面积区间（默认：COCO 的小/中/大面积）
+
+---
+
+## `env` 命令用法
+
+显示与 SAHI 相关的已安装包版本。
+
+### 用法
+
+```bash
+sahi env
+```
+
+### 输出示例
+
+```text
+06/19/2022 21:24:52 - INFO - sahi.utils.import_utils - torch version 2.1.2 is available.
+06/19/2022 21:24:52 - INFO - sahi.utils.import_utils - torchvision version 0.16.2 is available.
+06/19/2022 21:24:52 - INFO - sahi.utils.import_utils - ultralytics version 8.3.86 is available.
+06/19/2022 21:24:52 - INFO - sahi.utils.import_utils - transformers version 4.49.0 is available.
+06/19/2022 21:24:52 - INFO - sahi.utils.import_utils - timm version 0.9.1 is available.
+06/19/2022 21:24:52 - INFO - sahi.utils.import_utils - fiftyone version 0.14.2 is available.
+```
+
+---
+
+## `version` 命令用法
+
+显示当前安装的 SAHI 版本。
+
+### 用法
+
+```bash
+sahi version
+0.11.22
+```
+
+---
+
+## 自定义脚本
+
+所有脚本都可以从 [scripts 目录](https://github.com/obss/sahi/tree/main/scripts) 下载，并根据你的需求进行修改。
+
+通过 pip 安装 SAHI 后，所有脚本都可以从任意目录调用：
+
+```bash
+python script_name.py
+```
+
+---
+
+## 更多资源
+
+想要深入了解？以下是一些有用的资源：
+
+- **[预测工具文档](predict.md)** - 预测参数和可视化的详细说明
+- **[切片工具指南](slicing.md)** - 切片操作的深入探索
+- **[COCO 工具文档](coco.md)** - COCO 格式操作的全面示例
+- **[交互式示例 Notebook](../../demo/)** - CLI 命令的实践示例
+- **[模型文档](../models/)** - 各框架的模型集成指南
diff --git a/docs/zh/coco.md b/docs/zh/coco.md
index 76fd42bde..55098ec23 100644
--- a/docs/zh/coco.md
+++ b/docs/zh/coco.md
@@ -207,7 +207,6 @@ coco = Coco.from_coco_dict_or_path("coco.json")
area_filtered_coco = coco.get_area_filtered_coco(min=50)
# 过滤掉包含面积小于50大于10000的标注图像
area_filtered_coco = coco.get_area_filtered_coco(min=50, max_val=10000)
-过滤掉
# 根据每个类别独立的面积区间来筛选图像
intervals_per_category = {
"human": {"min": 20, "max": 10000},
diff --git a/docs/zh/fiftyone.md b/docs/zh/fiftyone.md
index 13a6a1cd6..1ae108d34 100644
--- a/docs/zh/fiftyone.md
+++ b/docs/zh/fiftyone.md
@@ -1,8 +1,8 @@
# Fiftyone 工具
-- 通过 FiftyOne 应用来探索COCO数据集：
+## 通过 FiftyOne 应用探索 COCO 数据集
-支持版本： `pip install fiftyone>=0.14.2<0.15.0`
+支持版本：`pip install fiftyone>=0.14.2<0.15.0`
```python
from sahi.utils.fiftyone import launch_fiftyone_app
@@ -14,7 +14,7 @@ session = launch_fiftyone_app(coco_image_dir, coco_json_path)
session.close()
```
-- 将预测结果转换为 FiftyOne 检测格式：
+## 将预测结果转换为 FiftyOne 检测格式：
```python
from sahi import get_sliced_prediction
@@ -33,12 +33,12 @@ result = get_sliced_prediction(
fiftyone_detections = result.to_fiftyone_detections()
```
-- 在 Fiftyone UI 中探索检测结果：
+## 在 Fiftyone UI 中探索检测结果
```bash
sahi coco fiftyone --image_dir dir/to/images --dataset_json_path dataset.json cocoresult1.json cocoresult2.json
```
-该操作将打开一个 FiftyOne 应用，用于可视化给定的数据集和 2 个检测结果
+该操作将打开一个 FiftyOne 应用，用于可视化给定的数据集和 2 个检测结果。
使用 `--iou_threshold 0.5` 参数来指定用于判断 FP/TP 的 IOU 阈值。
diff --git a/docs/zh/index.md b/docs/zh/index.md
index f64e417d8..04a140623 100644
--- a/docs/zh/index.md
+++ b/docs/zh/index.md
@@ -40,12 +40,12 @@ hide:
SAHI（Slicing Aided Hyper Inference，切片辅助超推理）是一个提供了通用的切片辅助推理与微调流程，专门用于小目标检测的开源框架。
在监控等应用场景中，检测小目标或远处物体是一项重大挑战，因为它们仅由少量像素表示，缺乏足够的细节，传统检测器难以识别。
-SAHI 通过一种独特的方法解决了这一问题，该方法可以与任意目标检测器结合使用，而无需额外的微调。
+SAHI 通过一种独特的方法解决了这一问题，该方法可以与任意目标检测器结合使用，而无需额外的微调。
在 Visdrone 和 xView 航拍目标检测数据集上的实验评估表明，SAHI 可以使 FCOS、VFNet 和 TOOD 检测器的 AP 分别提高 6.8%、5.1% 和 5.3%。在结合切片辅助微调后，精度可进一步提升，累计提升分别达到 12.7%、13.4% 和 14.5%。该技术已成功集成到 Detectron2、MMDetection 和 YOLOv5 等模型中。
-- ⏱️ **快速开始**
+- :material-clock-fast:{ .lg .middle } **快速开始**
***
@@ -53,9 +53,9 @@ SAHI 通过一种独特的方法解决了这一问题，该方法可以与任意
***
- [➡️ 快速开始](quick-start.md)
+ [:octicons-arrow-right-24: 快速开始](quick-start.md)
-- 🖼️ **预测**
+- :material-image:{ .lg .middle } **预测**
***
@@ -63,9 +63,9 @@ SAHI 通过一种独特的方法解决了这一问题，该方法可以与任意
***
- [➡️ 了解更多](predict.md)
+ [:octicons-arrow-right-24: 了解更多](predict.md)
-- ✂️ **切片**
+- :material-content-cut:{ .lg .middle } **切片**
***
@@ -73,9 +73,9 @@ SAHI 通过一种独特的方法解决了这一问题，该方法可以与任意
***
- [➡️ 了解更多](slicing.md)
+ [:octicons-arrow-right-24: 了解更多](slicing.md)
-- 🗂️ **COCO 工具**
+- :material-database:{ .lg .middle } **COCO 工具**
***
@@ -83,9 +83,9 @@ SAHI 通过一种独特的方法解决了这一问题，该方法可以与任意
***
- [➡️ 了解更多](coco.md)
+ [:octicons-arrow-right-24: 了解更多](coco.md)
-- 💻 **命令行工具**
+- :material-console:{ .lg .middle } **命令行工具**
***
@@ -93,7 +93,7 @@ SAHI 通过一种独特的方法解决了这一问题，该方法可以与任意
***
- [➡️ 了解更多](cli.md)
+ [:octicons-arrow-right-24: 了解更多](cli.md)
@@ -103,7 +103,7 @@ SAHI 通过一种独特的方法解决了这一问题，该方法可以与任意
-- 📓 **切片**
+- :material-notebook:{ .lg .middle } **切片**
***
@@ -111,9 +111,9 @@ SAHI 通过一种独特的方法解决了这一问题，该方法可以与任意
***
- [➡️ 打开 Notebook](../notebooks/slicing.ipynb/)
+ [:octicons-arrow-right-24: 打开 Notebook](../notebooks/slicing.ipynb)
-- 📓 **Ultralytics**
+- :material-notebook:{ .lg .middle } **Ultralytics**
***
@@ -121,9 +121,9 @@ SAHI 通过一种独特的方法解决了这一问题，该方法可以与任意
***
- [➡️ 打开 Notebook](../notebooks/inference_for_ultralytics.ipynb)
+ [:octicons-arrow-right-24: 打开 Notebook](../notebooks/inference_for_ultralytics.ipynb)
-- 📓 **YOLOv5**
+- :material-notebook:{ .lg .middle } **YOLOv5**
***
@@ -131,9 +131,9 @@ SAHI 通过一种独特的方法解决了这一问题，该方法可以与任意
***
- [➡️ 打开 Notebook](../notebooks/inference_for_yolov5.ipynb)
+ [:octicons-arrow-right-24: 打开 Notebook](../notebooks/inference_for_yolov5.ipynb)
-- 📓 **MMDetection**
+- :material-notebook:{ .lg .middle } **MMDetection**
***
@@ -141,9 +141,9 @@ SAHI 通过一种独特的方法解决了这一问题，该方法可以与任意
***
- [➡️ 打开 Notebook](../notebooks/inference_for_mmdetection.ipynb)
+ [:octicons-arrow-right-24: 打开 Notebook](../notebooks/inference_for_mmdetection.ipynb)
-- 📓 **HuggingFace**
+- :material-notebook:{ .lg .middle } **HuggingFace**
***
@@ -151,9 +151,9 @@ SAHI 通过一种独特的方法解决了这一问题，该方法可以与任意
***
- [➡️ 打开 Notebook](../notebooks/inference_for_huggingface.ipynb)
+ [:octicons-arrow-right-24: 打开 Notebook](../notebooks/inference_for_huggingface.ipynb)
-- 📓 **TorchVision**
+- :material-notebook:{ .lg .middle } **TorchVision**
***
@@ -161,9 +161,9 @@ SAHI 通过一种独特的方法解决了这一问题，该方法可以与任意
***
- [➡️ 打开 Notebook](../notebooks/inference_for_torchvision.ipynb)
+ [:octicons-arrow-right-24: 打开 Notebook](../notebooks/inference_for_torchvision.ipynb)
-- 📓 **RT-DETR**
+- :material-notebook:{ .lg .middle } **RT-DETR**
***
@@ -171,6 +171,6 @@ SAHI 通过一种独特的方法解决了这一问题，该方法可以与任意
***
- [➡️ 打开 Notebook](../notebooks/inference_for_rtdetr.ipynb)
+ [:octicons-arrow-right-24: 打开 Notebook](../notebooks/inference_for_rtdetr.ipynb)
diff --git a/docs/zh/predict.md b/docs/zh/predict.md
index bcfe629fb..b96b684d7 100644
--- a/docs/zh/predict.md
+++ b/docs/zh/predict.md
@@ -11,6 +11,10 @@ detection_model = AutoDetectionModel.from_pretrained(model_type='mmdet',...) # f
detection_model = AutoDetectionModel.from_pretrained(model_type='ultralytics',...) # for YOLOv8/YOLO11/YOLO12 models
detection_model = AutoDetectionModel.from_pretrained(model_type='huggingface',...) # for HuggingFace detection models
detection_model = AutoDetectionModel.from_pretrained(model_type='torchvision',...) # for Torchvision detection models
+detection_model = AutoDetectionModel.from_pretrained(model_type='rtdetr',...) # for RT-DETR models
+detection_model = AutoDetectionModel.from_pretrained(model_type='yoloe',...) # for YOLOE models
+detection_model = AutoDetectionModel.from_pretrained(model_type='yolov5',...) # for YOLOv5 models
+detection_model = AutoDetectionModel.from_pretrained(model_type='yolo-world',...) # for YOLOWorld models
# get sliced prediction result
result = get_sliced_prediction(
@@ -66,9 +70,46 @@ result = predict(
overlap_width_ratio=0.2,
export_pickle=False,
export_crop=False,
+ progress_bar=False,
)
```
+
+## 进度条
+
+提供了两个选项来控制和接收切片推理过程中的进度更新：
+
+- `progress_bar` (bool)：设为 True 时，在切片处理过程中显示 tqdm 进度条。适用于终端和 notebook 中的可视化反馈。默认为 False。
+- `progress_callback` (callable)：一个回调函数，在每个切片（或切片组）处理完成后被调用。该回调接收两个整数参数：`(current_slice_index, total_slices)`。可用于集成自定义进度报告（例如，更新 GUI 元素或将进度记录到文件）。
+
+使用回调的示例：
+
+```python
+from sahi.predict import get_sliced_prediction
+from sahi import AutoDetectionModel
+
+# 初始化模型
+detection_model = AutoDetectionModel.from_pretrained(...)
+
+def my_progress_callback(current, total):
+ print(f"已处理 {current}/{total} 个切片")
+
+result = get_sliced_prediction(
+ image,
+ detection_model,
+ slice_height=512,
+ slice_width=512,
+ overlap_height_ratio=0.2,
+ overlap_width_ratio=0.2,
+ progress_bar=False, # 禁用 tqdm 进度条
+ progress_callback=my_progress_callback, # 使用回调接收进度更新
+)
+```
+
+!!! tip "提示"
+ - `progress_bar` 和 `progress_callback` 可以同时使用。当两者都提供时，tqdm 进度条会显示，同时回调函数也会在每个切片组处理后被调用。
+ - `progress_callback` 使用从 1 开始的索引（即第一次调用为 `(1, total)`）。
+
- 在推理时排除自定义类别:
```python
diff --git a/docs/zh/quick-start.md b/docs/zh/quick-start.md
index 93b2ce4c3..ad5726046 100644
--- a/docs/zh/quick-start.md
+++ b/docs/zh/quick-start.md
@@ -5,77 +5,80 @@ hide:
# 快速开始
-欢迎来到SAHI！本指南将帮助你快速上手库的核心功能，包括安装、进行预测以及使用命令行工具。
+欢迎来到 SAHI！本指南将帮助你快速上手库的核心功能，包括安装、进行预测以及使用命令行工具。
-# 1. 安装
+## 1. 安装
-```
-# 安装 SAHI
+通过 pip 安装 SAHI。如果你需要做目标检测，建议同时安装 `ultralytics`。
-通过 pip 安装 SAHI。如果你需要做目标检测，建议同时安装’ultralytics‘。
-```
-
+!!! example "安装"
-## 1.1 Pip 安装（推荐）
+ 
-安装或更新 `sahi`：
+ === "Pip 安装（推荐）"
-```bash
-pip install sahi
-```
+ 安装或更新 `sahi` 包，运行 `pip install -U sahi`。更多详情请访问 [Python Package Index (PyPI)](https://pypi.org/project/sahi/)。
-更多详情请访问 [Python Package Index (PyPI)](https://pypi.org/project/sahi/)。
+ [](https://pypi.org/project/sahi/)
+ [](https://www.pepy.tech/projects/sahi)
-[](https://pypi.org/project/sahi/) [](https://www.pepy.tech/projects/sahi)
+ ```bash
+ # 从 PyPI 安装 sahi 包
+ pip install sahi
+ ```
-你也可以直接从 GitHub 安装最新开发版本（确保已安装 Git 命令行工具）：
+ 你也可以直接从 [Sahi GitHub 仓库](https://github.com/obss/sahi) 安装最新开发版本。确保已安装 Git 命令行工具，然后运行：
-```bash
-pip install git+https://github.com/obss/sahi.git@main
-```
+ ```bash
+ # 从 GitHub 安装 sahi 包
+ pip install git+https://github.com/obss/sahi.git@main
+ ```
-## 1.2 Conda 安装
+ === "Conda 安装"
-Conda 也可以作为 pip 的替代工具：
+ Conda 可以作为 pip 的替代包管理器。更多详情请访问 [Anaconda](https://anaconda.org/conda-forge/sahi)。用于更新 conda 包的 Sahi feedstock 仓库位于 [GitHub](https://github.com/conda-forge/sahi-feedstock/)。
-```bash
-conda install -c conda-forge sahi
-```
+ [](https://anaconda.org/conda-forge/sahi)
+ [](https://anaconda.org/conda-forge/sahi)
+ [](https://anaconda.org/conda-forge/sahi)
+ [](https://anaconda.org/conda-forge/sahi)
-更多详情请访问 [Anaconda](https://anaconda.org/conda-forge/sahi)。 | 更新 Conda 包的 feedstock 仓库：[GitHub](https://github.com/conda-forge/sahi-feedstock/)。
+ ```bash
+ # 使用 conda 安装 sahi 包
+ conda install -c conda-forge sahi
+ ```
-> ⚠️ 注意
-> 如果你在 CUDA 环境下安装，建议同时安装 `ultralytics`、`pytorch` 和 `pytorch-cuda`，这样 Conda 可以自动解决依赖冲突。或者在必要时最后安装 `pytorch-cuda` 来覆盖 CPU 版本的 `pytorch`：
->
-> ```bash
-> conda install -c pytorch -c nvidia -c conda-forge pytorch torchvision pytorch-cuda=11.8 ultralytics
-> ```
+ !!! note
-## 1.3 Git 克隆（开发或尝试最新版）
+ 如果你在 CUDA 环境下安装，建议在同一条命令中安装 `ultralytics`、`pytorch` 和 `pytorch-cuda`，这样 conda 可以自动解决依赖冲突。或者在必要时最后安装 `pytorch-cuda` 来覆盖 CPU 版本的 `pytorch`。
+ ```bash
+ # 使用 conda 同时安装所有包
+ conda install -c pytorch -c nvidia -c conda-forge pytorch torchvision pytorch-cuda=11.8 ultralytics
+ ```
-如果你想参与开发或尝试最新源码：
+ === "Git 克隆"
-```bash
-git clone https://github.com/obss/sahi
-cd sahi
-pip install -e .
-```
+ 如果你想参与开发或尝试最新源代码，请克隆 [Sahi GitHub 仓库](https://github.com/obss/sahi)。克隆后，进入目录并使用 pip 的 `-e` 选项以可编辑模式安装。
+
+ [](https://github.com/obss/sahi)
+ [](https://github.com/obss/sahi/commits/main)
+ [](https://github.com/obss/sahi/graphs/contributors)
+
+ ```bash
+ # 克隆 sahi 仓库
+ git clone https://github.com/obss/sahi
-
-
- 
-
-
- 
-
-
- 
-
-
+ # 进入克隆的目录
+ cd sahi
-更多依赖信息请查看 [pyproject.toml](https://github.com/obss/sahi/blob/main/pyproject.toml)。
+ # 以可编辑模式安装，用于开发
+ pip install -e .
+ ```
-# 2. 使用 Python 的切片预测
+
+更多依赖信息请查看 `sahi` 的 [pyproject.toml](https://github.com/obss/sahi/blob/main/pyproject.toml) 文件。
+
+## 2. 使用 Python 的切片预测
切片推理（Sliced Inference）是 SAHI 的核心功能，可以在大图像中检测小目标。以下是使用 Python API 的简单示例：
@@ -107,20 +110,22 @@ result.export_visuals(export_dir="demo_data/")
# 获取预测对象列表
predictions = result.object_prediction_list
```
-# 3. 使用命令行的切片预测
+
+## 3. 使用命令行进行预测
SAHI 还提供了功能强大的命令行工具，可以无需编写任何 Python 代码即可快速进行预测。
```bash
sahi predict --model_path yolo26n.pt --model_type ultralytics --source /path/to/images/ --slice_height 512 --slice_width 512
```
+
该命令会对指定目录下的所有图片进行切片推理，并保存预测结果。
-# 下一步
+## 下一步
你现在已经了解了 SAHI 的基础用法！想要深入学习，可以参考以下资源：
* **预测深入**：更多高级预测选项，请参见[预测工具指南](predict.md)。
-* **演示示例**：在 [demo目录](../../demo/) 中查看交互式 notebook，实践不同模型的使用。
-* **COCO 工具**： 学习如何创建、操作和转换数据集，请参见[COCO 工具指南](coco.md)。
-* **所有 CLI 命令**： 完整命令列表请参见[CLI 文档](cli.md)。
\ No newline at end of file
+* **演示示例**：在 [demo 目录](../../demo/) 中查看交互式 notebook，实践不同模型的使用。
+* **COCO 工具**：学习如何创建、操作和转换数据集，请参见 [COCO 工具指南](coco.md)。
+* **所有 CLI 命令**：完整命令列表请参见 [CLI 文档](cli.md)。
+ 
+ 
@@ -36,23 +37,23 @@ SAHI 通过启用**切片推理**来检测大图像中的小物体，从而帮
-请在 [CLI 文档](docs/cli.md#predict-command-usage) 中查找关于使用 `sahi predict` 命令的详细信息，并查阅 [prediction API](docs/predict.md) 以了解高级用法。
+请在 [CLI 文档](cli.md#predict-command-usage) 中查找关于使用 `sahi predict` 命令的详细信息，并查阅 [预测 API](predict.md) 以了解高级用法。
请在 [视频推理教程](https://github.com/obss/sahi/discussions/626) 中查找关于视频推理的详细信息。
@@ -191,13 +192,11 @@ pip install inference>=0.51.5 rfdetr>=1.6.2
-探索 [FiftyOne 集成](docs/fiftyone.md) 以实现交互式可视化与检查。
+探索 [FiftyOne 集成](fiftyone.md) 以实现交互式可视化与检查。
### 其他实用工具
-请查阅全面的 COCO 工具指南，了解 YOLO 格式转换、数据集切片、子采样、筛选、合并与分割等操作。
-
-请查阅 [完整的 COCO 工具指南](docs/coco.md) 了解 YOLO 格式转换、数据集切片、子采样、筛选、合并与分割等操作。了解更多关于 [切片工具](docs/slicing.md) ，以实现对图像和数据集切片参数的精细控制。
+请查阅 [完整的 COCO 工具指南](coco.md) 了解 YOLO 格式转换、数据集切片、子采样、筛选、合并与分割等操作。了解更多关于 [切片工具](slicing.md) ，以实现对图像和数据集切片参数的精细控制。
##