roboflow-supervision

name	roboflow-supervision
description	Supervision de Roboflow — librería Python para herramientas reutilizables de visión por computador: detección de objetos, tracking, métricas, anotación. Compatible con YOLO, PyTorch, TensorFlow. 42K⭐
url	https://github.com/roboflow/supervision
category	vision
fecha	2026-06-09T00:00:00.000Z

Roboflow Supervision

¿Qué hace?

Librería Python de Roboflow para construir herramientas reutilizables de visión por computador. Proporciona utilidades para detección de objetos, tracking, métricas, anotación de imágenes y procesamiento de vídeo.

Características principales

• Detección de objetos: Soporte para YOLO (v5, v8, v11, v12), Detectron2, y más
• Tracking: Multi-object tracking con asociación de IDs
• Métricas: Cálculo de métricas de evaluación (mAP, precision, recall, F1)
• Anotación: Dibujo de bounding boxes, masks, polygons en imágenes
• Procesamiento de vídeo: Frame-by-frame processing con overlay
• Formatos COCO/Pascal VOC: Import/export de datasets estandarizados

Ecosistema Roboflow

Supervision es parte del ecosistema más amplio de Roboflow:

• supervision — Herramientas de CV (esta librería)
• inference — Inferencia de modelos de ML
• autodistill — Auto-annotación con IA
• maestro — Multi-modal model orchestration
• notebooks — Notebooks de ejemplo y tutoriales

Casos de uso

1. Visualización de detecciones: Dibujar bounding boxes y masks sobre imágenes/vídeo
2. Métricas de evaluación: Calcular mAP, precision, recall de modelos de detección
3. Tracking de objetos: Asignar IDs consistentes a objetos a lo largo de frames
4. Procesamiento por lotes: Procesar miles de imágenes con pipelines reutilizables
5. Integración con YOLO: Uso directo con modelos YOLO de Ultralytics

Snippets útiles

Instalación

pip install supervision

Detección de objetos con YOLO + Supervision

import supervision as sv
from ultralytics import YOLO

# Cargar modelo
model = YOLO('yolov8n.pt')

# Detectar objetos
results = model('image.jpg')

# Procesar resultados con supervision
detections = sv.Detections.from_ultralytics(results[0])

# Dibujar bounding boxes
annotated_image = sv.BoxAnnotator().annotate(
    scene=image.copy(),
    detections=detections
)

# Mostrar
sv.plot_image(annotated_image)

Tracking de objetos

import supervision as sv

# Crear tracker
tracker = sv.ByteTrack()

# Tracker loop
for frame in video_frames:
    detections = model(frame)
    tracked_detections = tracker.update_with_detections(detections)
    
    # Annotate with tracking IDs
    annotator = sv.BoxAnnotator()
    annotated = annotator.annotate(scene=frame, detections=tracked_detections)

Métricas de evaluación

import supervision as sv

# Calcular métricas
metrics = sv.metrics.Calculator(
    iou_threshold=0.5,
    classification_threshold=0.5
)

results = metrics.calculate(
    predictions=predictions,
    ground_truths=ground_truths
)

print(f"mAP: {results.map:.3f}")
print(f"Precision: {results.precision:.3f}")
print(f"Recall: {results.recall:.3f}")

Cómo integrarlo

1. Instalar: pip install supervision
2. Importar: import supervision as sv
3. Convertir resultados: Usar sv.Detections.from_*() para diferentes frameworks
4. Annotar: Usar sv.BoxAnnotator, sv.MaskAnnotator, etc.
5. Métricas: Usar sv.metrics.Calculator para evaluación

Pitfalls

• Requiere numpy y PIL: Dependencias básicas que hay que instalar
• YOLO integration: Solo funciona con Ultralytics YOLO para from_ultralytics()
• Memory para vídeo largo: Procesar vídeo frame a frame puede consumir mucha memoria
• No es un framework de training: Solo para inference, annotation y metrics

Fecha de descubrimiento

2026-06-09 — Trending diario, 42.3K⭐. Nuevo skill (no teníamos)