Sparse SAHI 稀疏推理模式，具体是怎么使用的？

[Tchong1101]

各位作者老师好，我在尝试复现咱的Sparse SAHI 时，出现了以下的问题，还希望您能给指导一下：
首先按照作者您提供的代码：
from ultralytics import YOLO

model = YOLO("yolov8n.pt")

results = model.predict(
source="large_aerial_image.jpg",
sparse_sahi=True,
slice_size=640,
overlap_ratio=0.2,
objectness_threshold=0.15,
)
进行运行调试，发现这个sparse_sahi参数并没有起到实际性的作用。
另外，在test_sahi_compare.py脚本中，通过from sparse_sahi_inference import SparseSAHIPredictor导入，也并不能成功导入。

这块是我使用有错误的地方，还是说咱这块工作并没有开源呢？

[isLinXu]

感谢你细致的反馈！你的使用方式完全正确——这是我们在 7 月版本升级时引入的回归 bug，现已修复。

问题根因

1. sparse_sahi=True 参数静默失效：commit ac87be1（2026-01-03）曾在 ultralytics/engine/predictor.py 实现了 Sparse SAHI（低分辨率全局推理生成 objectness 热图 → 自适应跳过空白区域切片 → 高分辨率 ROI 推理 → 批量 NMS 合并），但在 commit 47a503e（2026-07-20，升级 Ultralytics 8.4.101）合并上游时该实现被误删，而 default.yaml 中的配置键被保留，导致参数能正常传入却不产生任何效果。
2. sparse_sahi_inference 导入失败：该模块是我们在本地开发时使用的 Full SAHI 基线脚本，确实未随仓库开源。scripts/test_sahi_compare.py 对其缺失已有兜底（仅影响基线对比阶段），后续我们会清理相关引用或将其开源。

修复状态

已在 commit 59ad763 中恢复完整的 Sparse SAHI 实现：

• 在 stream_inference 中添加 dispatch，当 sparse_sahi=True 时走稀疏切片路径
• 恢复三个核心方法：_pad_slice、_perform_batched_nms、_run_sparse_sahi_single
• 新增 tests/test_sparse_sahi.py 回归测试（5 个用例）

你现在可以正常使用 README 中的示例代码：

from ultralytics import YOLO 
model = YOLO("yolov8n.pt") 
results = model.predict(source="large_aerial_image.jpg",
												sparse_sahi=True,    
												slice_size=640,    
												overlap_ratio=0.2,    
												objectness_threshold=0.15,)
# 结果会包含 sparse_sahi_metadata 属性
meta = results[0].sparse_sahi_metadata
print(f"激活切片数: {len(meta['slices'])}")
print(f"objectness map 形状: {meta['objectness_map'].shape}")

验证结果

在 bus.jpg (720×1280) 上的测试：

• 标准推理：检出 6 框，无 metadata
• Sparse SAHI（slice=640, overlap=0.2, thresh=0.15）：检出 9 框（3 来自切片精修 + 6 来自全局），激活 4 个切片
• 高阈值（thresh=0.99）：0 切片激活，仅全局框（符合预期）

再次感谢你的反馈，这帮助我们发现了一个重要的回归问题！