别再手写标注代码了Supervision模型无关的视觉工具包支持YOLO、Transformers全系列可视化效果惊艳小伙伴们你是否也经历过这些令人头疼的“造轮子”时刻训练好了一个目标检测模型却还要花半天写代码在图像上画框、标类别、调颜色想统计视频里的人数或车辆结果大部分时间都耗在了追踪算法的调试和区域计数逻辑上换个模型试试效果之前为标注和数据加载写的那套代码又得全部推倒重来。这些计算机视觉领域的基础性、重复性工作正是Supervision要彻底解决的问题。这个由Roboflow团队打造的开源Python库将检测、分割、跟踪、标注、数据集管理等“必做但枯燥”的任务全部打包让你能把精力集中在真正有价值的事情上——应用和模型本身。项目简介计算机视觉的基础设施Supervision定位清晰而务实“We write your reusablecomputer visiontools.”我们为你编写可复用的计算机视觉工具。它是一个模型无关的Python工具包提供从数据加载到实时区域计数的全套基础构件。无论你用的是Ultralytics YOLO、Hugging Face Transformers、MMDetection还是Roboflow自家的InferenceSupervision都能无缝对接。核心功能四大模块覆盖CV全流程1. 模型连接器一行代码适配主流框架Supervision提供丰富的模型连接器将不同框架的推理结果统一为sv.Detections标准格式import supervision as sv from rfdetr import RFDETRSmall from PIL import Image # RF-DETR模型直接返回sv.Detections image Image.open(scene.jpg) model RFDETRSmall() detections model.predict(image, threshold0.5) # detections可直接用于所有sv工具对于Ultralytics、Transformers、MMDetection等框架也有对应的连接器。这种设计让你可以在不同模型之间自由切换而标注、评估、追踪的代码完全不用改。2. 标注器专业级可视化一行代码出图标注是CV工作中最直观的需求也是最容易写出“又长又丑”代码的地方。Supervision提供了高度可定制的标注器import cv2 import supervision as sv image cv2.imread(street.jpg) detections sv.Detections(...) # 一行标注边界框 box_annotator sv.BoxAnnotator() annotated_frame box_annotator.annotate(sceneimage.copy(), detectionsdetections)除了边界框还支持掩膜标注、关键点标注、轨迹绘制、热力图等多种可视化方式效果可直接用于演示和报告。3. 数据集工具加载、分割、合并、转换一键完成处理数据集是CV项目的“脏活累活”。Supervision提供了完整的数据集管理管线# 从COCO格式加载 ds sv.DetectionDataset.from_coco( images_directory_pathf{dataset.location}/train, annotations_pathf{dataset.location}/train/_annotations.coco.json, ) # 分割训练/测试集 train_ds, test_ds ds.split(split_ratio0.7) # 合并多个数据集 merged_ds sv.DetectionDataset.merge([ds_1, ds_2]) # 格式转换YOLO → COCO sv.DetectionDataset.from_yolo(...).as_coco(...)支持COCO、YOLO、PascalVOC三种主流格式之间的互转让不同来源的数据可以无缝整合。4. 高级分析跟踪、计数、速度估计Supervision还内置了视频分析的高级工具•多目标跟踪集成ByteTrack等追踪算法。•区域计数定义任意多边形区域实时统计进入/离开的目标数量。•速度估计结合透视变换估计车辆等目标的移动速度。•停留时间分析分析目标在特定区域内的驻留时长。这些功能已经在官方教程中有了完整的落地案例如车辆速度估计、零售场景的客流分析等。30秒快速上手安装Python ≥ 3.9pip install supervision第一个完整示例import supervision as sv from PIL import Image from rfdetr import RFDETRSmall # 1. 加载模型和图像 image Image.open(车辆.jpg) model RFDETRSmall() # 2. 推理 detections model.predict(image, threshold0.5) # 3. 标注并显示 box_annotator sv.BoxAnnotator() annotated box_annotator.annotate(sceneimage.copy(), detectionsdetections) annotated.show()第一次运行自动加载模型优势对比为何选择Supervision对比维度Supervision自行编写工具函数单一框架内置工具模型兼容性模型无关支持所有主流框架需为每个框架适配仅限特定框架开发效率极高核心功能一行代码低需从零实现中但不可跨框架复用功能覆盖全面从数据到标注到分析视开发者投入而定通常仅包含基础标注维护成本社区持续维护4500提交完全自负跟随框架更新Supervision最大的价值在于解耦——它将标注、数据处理、分析这些“模型之外”的工作抽象出来使你可以自由地选择、替换、升级模型而不必每次都重写周边代码。这种设计理念让它成为CV项目中“一次学习长期受益”的基础投资。写在最后Supervision的出现精准击中了计算机视觉领域一个长期存在的痛点模型越来越易得但让模型产生实际价值的基础工具却严重碎片化。它以一个统一、优雅、模型无关的Python库将CV项目中最枯燥、最重复的部分标准化让开发者能真正专注于创新和应用。无论你是正在入门CV的学生、需要快速交付项目的工程师还是管理着多个模型的生产团队Supervision都是那个值得放进每个项目requirements.txt的必备库。项目地址https://github.com/roboflow/supervision GitHub 48K+星！Supervision：一个Python库写尽所有视觉工具，目标检测、跟踪、标注一行代码搞定！
别再手写标注代码了Supervision模型无关的视觉工具包支持YOLO、Transformers全系列可视化效果惊艳小伙伴们你是否也经历过这些令人头疼的“造轮子”时刻训练好了一个目标检测模型却还要花半天写代码在图像上画框、标类别、调颜色想统计视频里的人数或车辆结果大部分时间都耗在了追踪算法的调试和区域计数逻辑上换个模型试试效果之前为标注和数据加载写的那套代码又得全部推倒重来。这些计算机视觉领域的基础性、重复性工作正是Supervision要彻底解决的问题。这个由Roboflow团队打造的开源Python库将检测、分割、跟踪、标注、数据集管理等“必做但枯燥”的任务全部打包让你能把精力集中在真正有价值的事情上——应用和模型本身。项目简介计算机视觉的基础设施Supervision定位清晰而务实“We write your reusablecomputer visiontools.”我们为你编写可复用的计算机视觉工具。它是一个模型无关的Python工具包提供从数据加载到实时区域计数的全套基础构件。无论你用的是Ultralytics YOLO、Hugging Face Transformers、MMDetection还是Roboflow自家的InferenceSupervision都能无缝对接。核心功能四大模块覆盖CV全流程1. 模型连接器一行代码适配主流框架Supervision提供丰富的模型连接器将不同框架的推理结果统一为sv.Detections标准格式import supervision as sv from rfdetr import RFDETRSmall from PIL import Image # RF-DETR模型直接返回sv.Detections image Image.open(scene.jpg) model RFDETRSmall() detections model.predict(image, threshold0.5) # detections可直接用于所有sv工具对于Ultralytics、Transformers、MMDetection等框架也有对应的连接器。这种设计让你可以在不同模型之间自由切换而标注、评估、追踪的代码完全不用改。2. 标注器专业级可视化一行代码出图标注是CV工作中最直观的需求也是最容易写出“又长又丑”代码的地方。Supervision提供了高度可定制的标注器import cv2 import supervision as sv image cv2.imread(street.jpg) detections sv.Detections(...) # 一行标注边界框 box_annotator sv.BoxAnnotator() annotated_frame box_annotator.annotate(sceneimage.copy(), detectionsdetections)除了边界框还支持掩膜标注、关键点标注、轨迹绘制、热力图等多种可视化方式效果可直接用于演示和报告。3. 数据集工具加载、分割、合并、转换一键完成处理数据集是CV项目的“脏活累活”。Supervision提供了完整的数据集管理管线# 从COCO格式加载 ds sv.DetectionDataset.from_coco( images_directory_pathf{dataset.location}/train, annotations_pathf{dataset.location}/train/_annotations.coco.json, ) # 分割训练/测试集 train_ds, test_ds ds.split(split_ratio0.7) # 合并多个数据集 merged_ds sv.DetectionDataset.merge([ds_1, ds_2]) # 格式转换YOLO → COCO sv.DetectionDataset.from_yolo(...).as_coco(...)支持COCO、YOLO、PascalVOC三种主流格式之间的互转让不同来源的数据可以无缝整合。4. 高级分析跟踪、计数、速度估计Supervision还内置了视频分析的高级工具•多目标跟踪集成ByteTrack等追踪算法。•区域计数定义任意多边形区域实时统计进入/离开的目标数量。•速度估计结合透视变换估计车辆等目标的移动速度。•停留时间分析分析目标在特定区域内的驻留时长。这些功能已经在官方教程中有了完整的落地案例如车辆速度估计、零售场景的客流分析等。30秒快速上手安装Python ≥ 3.9pip install supervision第一个完整示例import supervision as sv from PIL import Image from rfdetr import RFDETRSmall # 1. 加载模型和图像 image Image.open(车辆.jpg) model RFDETRSmall() # 2. 推理 detections model.predict(image, threshold0.5) # 3. 标注并显示 box_annotator sv.BoxAnnotator() annotated box_annotator.annotate(sceneimage.copy(), detectionsdetections) annotated.show()第一次运行自动加载模型优势对比为何选择Supervision对比维度Supervision自行编写工具函数单一框架内置工具模型兼容性模型无关支持所有主流框架需为每个框架适配仅限特定框架开发效率极高核心功能一行代码低需从零实现中但不可跨框架复用功能覆盖全面从数据到标注到分析视开发者投入而定通常仅包含基础标注维护成本社区持续维护4500提交完全自负跟随框架更新Supervision最大的价值在于解耦——它将标注、数据处理、分析这些“模型之外”的工作抽象出来使你可以自由地选择、替换、升级模型而不必每次都重写周边代码。这种设计理念让它成为CV项目中“一次学习长期受益”的基础投资。写在最后Supervision的出现精准击中了计算机视觉领域一个长期存在的痛点模型越来越易得但让模型产生实际价值的基础工具却严重碎片化。它以一个统一、优雅、模型无关的Python库将CV项目中最枯燥、最重复的部分标准化让开发者能真正专注于创新和应用。无论你是正在入门CV的学生、需要快速交付项目的工程师还是管理着多个模型的生产团队Supervision都是那个值得放进每个项目requirements.txt的必备库。项目地址https://github.com/roboflow/supervision