Supervision (Roboflow) [Wiki]

Tato stránka je pouze pro čtení. Můžete si pouze prohlédnout zdrojový kód, ale ne ho měnit. Zeptejte se správce, pokud si myslíte, že něco není v pořádku.
====== Supervision (Roboflow) ======

//Vytvořeno: **7.7.2026** | Aktualizováno: **~~LASTMOD~~**//

[[https://github.com/roboflow/supervision|Supervision]] je open-source Python knihovna od Roboflow pro stavbu aplikací v oblasti počítačového vidění. Poskytuje opakovaně použitelné nástroje pro práci s detekcemi, anotacemi, trackingem, zónami, datasety a vyhodnocováním modelů, aby se kolem modelů dal rychleji stavět aplikační kód.

===== K čemu slouží =====

Podle [[https://supervision.roboflow.com/latest/|oficiální dokumentace]] je Supervision zaměřený na produkční i experimentální computer vision workflow. Není to model ani trénovací framework, ale pomocná vrstva kolem modelů a jejich výstupů.

Typické použití:

  * sjednocení výstupů modelů přes objekt ''sv.Detections'',
  * anotace obrázků a videa pomocí bounding boxů, masek a labelů,
  * tracking objektů napříč snímky s perzistentními ID,
  * filtrování a počítání detekcí v polygonových nebo liniových zónách,
  * načítání, převod a ukládání datasetů ve formátech YOLO, COCO a Pascal VOC,
  * vyhodnocování modelů pomocí metrik jako mAP, recall, precision nebo F1.

Supervision je modelově agnostický. Dokumentace uvádí konvertory nebo podporu pro výstupy z nástrojů jako Ultralytics, Roboflow Inference, Transformers, SAM, Detectron2, MMDetection, YOLO-NAS, PaddleDet, NCNN, Azure AI Vision a VLM parserů.

===== Instalace =====

Základní instalace přes pip:

<code bash>
pip install supervision
</code>

Při práci s konkrétní verzí je dobré zkontrolovat požadovanou verzi Pythonu. Ve [[https://raw.githubusercontent.com/roboflow/supervision/develop/pyproject.toml|vývojovém pyproject.toml]] je pro větev ''develop'' uvedeno ''requires-python = ">=3.10"''. Stránka dokumentace ''latest'' zároveň v instalační části uvádí ''Python>=3.9'', takže rozhodující je konkrétní instalovaná verze balíčku.

Některé ukázky vyžadují volitelné balíčky podle použitého modelu nebo zdroje dat. Například ukázka s RF-DETR v README používá:

<code bash>
pip install pillow rfdetr
</code>

===== Základní workflow =====

Zjednodušený postup práce:

  - Model vytvoří predikce nad obrázkem nebo videem.
  - Výstup se převede na jednotný objekt ''sv.Detections'', případně ho některé integrace vrací přímo.
  - Nad detekcemi se provede anotace, filtrování, tracking, zónové počítání nebo export.

Příklad z README s modelem RF-DETR:

<code python>
import supervision as sv
from PIL import Image
from rfdetr import RFDETRSmall

image = Image.open("path/to/image.jpg")
model = RFDETRSmall()
detections = model.predict(image, threshold=0.5)

len(detections)
</code>

Příklad anotace detekcí do obrázku:

<code python>
import cv2
import supervision as sv

image = cv2.imread("path/to/image.jpg")
detections = sv.Detections(...)

box_annotator = sv.BoxAnnotator()
annotated_frame = box_annotator.annotate(
    scene=image.copy(),
    detections=detections,
)
</code>

===== Práce s datasety =====

Supervision obsahuje utility pro načítání, slučování, dělení a ukládání datasetů. Podle README a dokumentace podporuje hlavně běžné formáty používané v object detection workflow:

  * COCO,
  * YOLO,
  * Pascal VOC.

Příklad načtení COCO datasetu:

<code python>
import supervision as sv

dataset = sv.DetectionDataset.from_coco(
    images_directory_path="path/to/images",
    annotations_path="path/to/_annotations.coco.json",
)

path, image, annotation = dataset[0]
</code>

Příklad rozdělení datasetu:

<code python>
train_dataset, test_dataset = dataset.split(split_ratio=0.7)
test_dataset, valid_dataset = test_dataset.split(split_ratio=0.5)
</code>

===== Kdy se hodí =====

Supervision dává smysl hlavně tehdy, když už existuje model nebo inference služba a je potřeba kolem ní postavit praktické zpracování výstupů.

Typické scénáře:

  * rychlá vizualizace výsledků object detection nebo segmentation modelu,
  * video analytika — tracking objektů, počítání průchodů, práce se zónami,
  * příprava a konverze datasetů mezi běžnými formáty,
  * kontrola kvality anotací a výstupů modelu,
  * prototypování aplikací nad YOLO, RF-DETR, Roboflow Inference nebo jinými modely.

===== Omezení a poznámky =====

  * Supervision nenahrazuje samotný model. Je to aplikační a utility vrstva kolem výstupů modelů.
  * Podpora konkrétních modelových knihoven a konvertorů se může měnit podle verze.
  * U produkčního použití je potřeba hlídat závislosti na OpenCV, NumPy a dalších balíčcích podle cílového prostředí.
  * Pro konkrétní API je lepší vycházet z verzované dokumentace k instalované verzi balíčku, ne pouze z README na vývojové větvi.

===== Zdroje =====

  * [[https://github.com/roboflow/supervision|roboflow/supervision – GitHub repozitář]]
  * [[https://supervision.roboflow.com/latest/|Supervision – oficiální dokumentace]]
  * [[https://raw.githubusercontent.com/roboflow/supervision/develop/pyproject.toml|Supervision – pyproject.toml ve větvi develop]]