### [Supervision：Roboflow 开源计算机视觉工具库，46.3K+ Stars 让 CV 开发不再重复造轮子](https://www.willai.cc/article/3173)

**Published:** 2026-07-03T05:58:10

**Author:** hiyoho

**Excerpt:** 🔍 Supervision Roboflow 开源计算机视觉工具库 ⭐ 46.3K+ Stars 🍴 4.1K+ Forks 🐍 Python 📜 MIT 许可 📌 项目简介 Supervision 是 Roboflow 团队开发的开源 P

# 🔍 Supervision

Roboflow 开源计算机视觉工具库

⭐ 46.3K+ Stars  
🍴 4.1K+ Forks  
🐍 Python  
📜 MIT 许可

## 📌 项目简介

**Supervision** 是 Roboflow 团队开发的开源 Python 计算机视觉工具库，提供模型无关的检测、跟踪、标注和数据集处理能力。它让你专注于业务场景，而不是重复编写基础 CV 工具函数。

## ✨ 核心特色

### 🔗 模型无关设计

内置 Ultralytics (YOLO)、Transformers、MMDetection、RF-DETR 等主流库的连接器，统一输出 `sv.Detections` 格式，换模型不改代码。

### 🎨 丰富可视化标注

提供 BoxAnnotator、MaskAnnotator、EllipseAnnotator、LabelAnnotator 等多种标注器，高度可定制，一行代码完成结果可视化。

### 📦 数据集处理

支持 COCO、YOLO、Pascal VOC、YOLOv8 Oriented Bounding Box 等格式的加载、拆分、合并、格式转换，一站式数据集管理。

### 📹 视频分析工具

内置目标跟踪（ByteTrack/Norfair）、区域计数、速度估计、驻留时间分析等常见 CV 任务的配套工具，开箱即用。

## ⚙️ 安装要求和过程

### 环境要求

-   **Python** ≥ 3.10
-   **操作系统**：Windows / macOS / Linux 全平台支持
-   **可选依赖**：根据使用的模型后端选择安装（ultralytics / transformers / mmdet 等）

### 快速安装

```
# 使用 pip 安装（推荐）
pip install supervision

# 使用 conda 安装
conda install -c conda-forge supervision

# 从源码安装最新版
pip install git+https://github.com/roboflow/supervision.git
```

💡 安装后可在 [Google Colab](https://colab.research.google.com/github/roboflow/supervision/blob/main/demo.ipynb) 中在线体验，或访问 [HuggingFace Spaces](https://huggingface.co/spaces/Roboflow/Annotators) 体验标注器效果。

## 🚀 典型使用场景

### 场景一：目标检测 + 可视化标注

使用 YOLO 或 RF-DETR 模型进行目标检测，并用 Supervision 的标注器一键可视化结果：

```
import cv2
import supervision as sv
from rfdetr import RFDETRSmall

# 加载模型
model = RFDETRSmall()
image = cv2.imread("image.jpg")

# 推理
detections = model.predict(image, threshold=0.5)

# 可视化
box_annotator = sv.BoxAnnotator()
label_annotator = sv.LabelAnnotator()

annotated = box_annotator.annotate(
    scene=image.copy(), detections=detections
)
annotated = label_annotator.annotate(
    scene=annotated, detections=detections
)

cv2.imwrite("result.jpg", annotated)
```

### 场景二：视频目标跟踪与区域计数

对视频中的目标进行跨帧跟踪，并统计穿越特定区域的目标数量：

```
import supervision as sv

# 定义感兴趣区域（多边形）
ZONE = sv.PolygonZone(
    polygon=sv.Polygon.from_file("zone.json")
)

tracker = sv.ByteTrack()

for frame in sv.get_video_frames_generator("video.mp4"):
    detections = model.predict(frame)
    detections = tracker.update(detections)
    
    # 统计区域内的目标
    zone_count = ZONE.trigger(detections)
    print(f"区域内目标数: {zone_count}")
```

### 场景三：数据集格式转换

在不同标注格式之间自由转换，方便切换训练框架：

```
import supervision as sv

# 从 COCO 格式加载
dataset = sv.DetectionDataset.from_coco(
    images_directory_path="data/train/images",
    annotations_path="data/train/_annotations.coco.json",
)

# 拆分为训练集和验证集
train_ds, val_ds = dataset.split(split_ratio=0.8)

# 保存为 YOLO 格式
train_ds.as_yolo(
    images_directory_path="data/yolo/images/train",
    annotations_directory_path="data/yolo/labels/train",
)
```

## 💡 推荐理由

计算机视觉开发者最头疼的事情之一，就是每次用新的检测模型都要重新写一遍数据预处理、结果解析、可视化标注、数据集转换的代码。**Supervision 把这个痛点彻底解决了。**

它的 **模型无关设计** 是一大亮点——不管你用 YOLOv8、YOLO11、RT-DETR、SAM 还是 Grounding DINO，Supervision 都能以统一的 `sv.Detections` 格式输出结果，让你的下游代码完全不用改。

另一个让人惊喜的地方是**数据集处理工具**。以前 COCO 转 YOLO 要写几十行脚本，现在几行代码就搞定。格式拆分、合并、统计类别分布，全都内置了。

Roboflow 作为计算机视觉领域的头部公司，维护质量和文档完善度都非常高。PyPI 月下载量超百万，社区活跃，Discord 里提问基本当天就有回复。不管是做学术研究还是工业落地，这都是必备工具库。

## 📥 下载地址

[](https://github.com/roboflow/supervision)

🔗 GitHub 仓库

github.com/roboflow/supervision

[](https://supervision.roboflow.com)

📚 官方文档

supervision.roboflow.com

[](https://pypi.org/project/supervision/)

📦 PyPI 安装

pip install supervision

[](https://discord.gg/GbfgXGJ8Bk)

💬 Discord 社区

加入 Roboflow 社区交流

### 📊 项目信息

|     |     |
| --- | --- |
| **GitHub Stars** | ⭐ 46,329+ |
| **Forks** | 🍴 4,106+ |
| **语言** | 🐍 Python |
| **许可** | 📜 MIT License |
| **最新版本** | v0.29.0（要求 Python ≥ 3.10） |
| **创建时间** | 2022-11-28 |
| **维护方** | Roboflow 团队 |

🤖 本文由 AI 自动生成 · 数据来源：[GitHub – roboflow/supervision](https://github.com/roboflow/supervision)

**Tags:** AI, AI开源项目, MIT许可, Python, Roboflow, Supervision, YOLO, 图像识别, 开源, 目标检测

**Categories:** 开源项目

---