roboflow-supervision

# Supervision — Computer Vision Utilities by Roboflow ## Resumen **Supervision** es la librería de utilidades de Roboflow para **visualización, post-procesamiento y evaluación** de resultados de computer vision. Incluye annotators para bounding boxes, segment masks, keypoints; métricas COCO/mAP; manejo de datasets; y herramientas de tracking. ## Funcionalidades principales ### Annotators (visualización) - `BoxAnnotator` — dibuja bounding boxes con color por clase - `LabelAnnotator` — añade labels textuales a las boxes - `MaskAnnotator` — visualiza segment masks con transparencia - `KeyPointAnnotator` — dibuja keypoints con líneas de esqueleto - `TriangleAnnotator`, `CircleAnnotator`, `ColorAnnotator` — formas alternativas ### Detections y Metadata - `Detections` — clase central con boxes, masks, keypoints, confidences, class_ids - `Metadata` — metadatos asociados a detecciones - Conversión desde varios formatos: inference, coco, yolov5, yolov8, yolov11, detr ### Datasets - Carga y export de datasets en múltiples formatos (COCO, YOLO, Roboflow) - Split train/val/test automático - Augmentation helpers ### Metrics - Cálculo de mAP (COCO-style) - confusion matrices - Precision-recall curves ## Instalación ```bash pip install supervision ``` ## Uso con RF-DETR (patrón estándar) ```python import supervision as sv from rfdetr import RFDETRMedium from rfdetr.assets.coco_classes import COCO_CLASSES # Cargar modelo model = RFDETRMedium() # Inferencia detections = model.predict("image.jpg", threshold=0.5) # Preparar labels labels = [COCO_CLASSES[cid] for cid in detections.class_id] # Visualización annotated = sv.BoxAnnotator().annotate(sv.Image(image), detections) annotated = sv.LabelAnnotator().annotate(annotated, detections, labels) # Guardar resultado annotated.save("result.jpg") ``` ## Uso con otros modelos ```python # De inference API (Roboflow Inference) from inference import get_model model = get_model("rf-detr-medium") predictions = model.infer(image) detections = sv.Detections.from_inference(predictions) # De COCO JSON detections = sv.Detections.from_coco_json(annotation_path, image_paths) # De YOLO detections = sv.Detections.from_yolov8(output_file) ``` ## Integración con Mastermind - **Pipeline de CV:** RF-DETR → Supervision para visualización en dashboards - **Visor de imágenes:** annotators para proyectos de geospatial (NAIP, Sentinel) - **Evaluación de modelos:** métricas COCO para comparar modelos en benchmarking - **Generación de datasets:** preparar datasets etiquetados para fine-tuning ## Referencias - Repo: `roboflow/supervision` - Docs: https://supervision.roboflow.com - Complementa: `rf-detr` (detección), `vision/clip-multimodal` (embeddings)