一年从 3 万星涨到 5.1 万星supervision 的吸星速度藏着 CV 工程化的时代红利【免费下载链接】supervisionWe write your reusable computer vision tools. 项目地址: https://gitcode.com/GitHub_Trending/su/supervision2023 年 1 月Roboflow 在 PyPI 上发布了 supervision 的第一个版本 0.1.0彼时它只是一叠在任何 CV 项目里都用得上的工具函数。三年半后这条增长曲线画出了开源工具库里少见的形状GitHub star 从 3 万冲到 5.1 万PyPI 近一月下载量约 84 万次2026 年 5 月还一度冲上 GitHub Trending 日榜第一。一个不训练模型、不碰推理加速、纯做模型输出之后所有事情的 Python 库凭什么吸星这么快本文基于项目源码、PyPI 发布记录与近一年的社区报道拆三件事增长曲线的关键节点、胶水代码刚需叙事为何成立以及基建型项目的天花板到底在哪里。一、增长曲线3.5 年里几个真实的爬升节点先交代数据的锚点。PyPI 发布记录显示supervision 的 0.1.0 发布于 2023 年 1 月 19 日截至 2026 年 10 月 8 日最新稳定版为 0.30.9仓库中开发版已推进到 0.31.0.dev0。结合 star-history 曲线、社区各期榜单与第三方文章的统计可以拼出如下时间线时间版本 / 事件佐证2023-010.1.0 首发要求 Python ≥ 3.7PyPI 发布记录2023-080.13/0.14 时期开始频繁出现在 GitHub 周热榜与 HelloGitHub 等榜单2023-08 期社区榜单2024-090.24.0 发布再入GitHub 一周热点2024-09 期周榜、CSDN 教程文1.5 万阅读2025-08社区统计 star 超 3 万0.26.0 稳定版落地2025-08 掘金文章标题即30000 star2026-05GitHub Trending 日榜第一当时统计 PyPI 月下载量达 1.1M2026-05 社区文章2026-0646.2K star当月净增 6,459入选月度 Top 102026-06 月榜2026-080.30.0 破坏性大版本移除sv.ByteTrack、keypoint改名为key_pointsdocs/changelog.md、PyPI2026-10star 约 5.1 万PyPI 近一月下载约 84 万次star-history 曲线终点、PyPI 官方统计这条曲线有三个值得注意的形态特征第一起点极早但真正的陡升发生在 2024–2025。项目前 18 个月主要靠好用在中文/英文技术社区被口口相传CSDN 上 2023–2024 年陆续出现的教程文单篇阅读量普遍在 1500–1.5 万之间。2024 年下半年起YOLOv8/RF-DETR/SAM 这条模型爆炸主线带动视觉应用开发量激增supervision 作为模型与业务之间的标准后处理层星数开始进入加速段。第二2026 年 5 月的日榜第一不是孤例而是趋势的延续。那篇社区文章2026-05的作者给出的判断很直接PyPI 月下载量过百万的 Python 包不多要么是基础设施requests、numpy要么是解决了一个极高频的真实痛点。supervision 属于后者。随后 6 月它以 46.2K star 继续留在月榜前十——对一个 2023 年立项的老项目这已经不属于新品红利而是存量盘子里的持续净流入。第三版本发布节奏本身就是增长信号。看 docs/changelog.md 尾部0.30.49 月 17 日→ 0.30.910 月 8 日21 天里连发 6 个补丁版本每个版本 5–9 条修改全部是深水区修复——WebM 无时长元数据导致读不到帧、手机竖拍视频的 EXIF 旋转、mAP 与 pycocotools 的 float64 精度对齐、process_video写帧失败时死锁……这种每周一个补丁、条条是边界条件的维护强度只有真正被大量生产环境使用、被大量 Issue 喂养的库才撑得起。二、吸星速度为什么快它卖的不是功能是标准2.1 胶水代码是每个视觉开发者的固定税社区里流传最广的痛点量化来自一篇 2026 年 5 月的实践文作者统计自己卫星遥感后处理模块里手写的五个工具函数——画框、NMS、结果格式化、手工 IoU 追踪、区域计数——合计约 280 行每个新项目都要复制一遍然后改到对不上。换成 supervision 后是 21 行。这个 280→21 的压缩比不是重点重点是它揭示的结构模型推理之后的后处理工作是纯重复劳动且高度同质化。画框要处理标签不越界、同类同色、跟踪 ID 换色视频要逐帧读、推理、写回区域统计要处理判定点选择、跨线抖动数据集要在 YOLO/COCO/VOC/LabelMe 之间互转。这些代码单看都不难加起来没人想写第二遍。supervision 恰好把这一整层收编成库。2.2sv.Detections一个被整个生态接受的事实标准中间表示增长的引擎是核心数据结构的标准地位。看 src/supervision/detection/core.py 第 116 行起的定义dataclass class Detections: xyxy: npt.NDArray[np.number] mask: npt.NDArray[np.bool_] | CompactMask | None None confidence: npt.NDArray[np.floating] | None None class_id: npt.NDArray[np.integer] | None None tracker_id: npt.NDArray[np.integer] | None None data: _DetectionDataType field(default_factorydict) metadata: _MetadataType field(default_factorydict)七个字段把框、掩码、置信度、类别、跟踪 ID、扩展数据、集合级元数据一次收拢。围绕它同一个文件里排着十余个from_*连接器from_ultralytics、from_transformers、from_detectron2、from_mmdetection、from_inference、from_sam3、from_paddledet、from_ncnn、from_yolo_nas、from_azure_analyze_image、from_vlm——RF-DETR 干脆直接返回Detections省掉转换。这意味着换模型不重写下游业务代码只依赖sv.Detections今天接 YOLO、明天换 RF-DETR、后天接 VLM标注器、跟踪器、区域计数、数据集导出全部原样复用。一篇 2026 年 6 月的深度调研把它总结为一句话——视觉应用正在从模型中心走向管线中心而sv.Detections就是视觉应用自己的中间表示类似大模型应用里的统一 Message/Document 抽象。当一个库的某个数据结构成为事实标准star 增长就从推荐驱动变成了迁移成本锁定。2.3 VLM 时代红利每出一个新模型就长出一层新胶水标题里说的时代红利在源码里看得最清楚的是 src/supervision/detection/vlm.py 的VLM枚举PaliGemma、Florence-2、Qwen2.5-VL、Qwen3-VL、DeepSeek-VL2、Gemini 2.0/2.5/3.5/3.6/3.7、Moondream、Kosmos-2——12 个视觉语言模型的解析器且 docs/changelog.md 的 Unreleased 段显示还在继续加Kosmos-2 grounding、Gemini 3.6/3.7 的结构化 boxpolygon 解析、Qwen 截断响应恢复、Gemini 概率图按 127/255 二值化。这个列表的意义在于开放词表检测 / 视觉 grounding 是当前视觉模型迭代最快的一代而每个新模型输出的格式都五花八门——有的是文本里的 bbox、有的是 PNG 概率图、有的是(caption, entities)对。supervision 的from_vlm把这种异构性消化在连接器层让下游拿到的仍然是Detections。换句话说模型生态越乱这层翻译器的价值越大。2026 年 6 月月榜里把 supervision 和 NVIDIA Cosmos 的 Physical AI 叙事放在一起理由正是如此世界模型、具身智能要落地感知的下游永远需要这一层工程化。2.4 把安装摩擦打到最低增长还有一个常被忽视的底盘依赖极轻。pyproject.toml 里核心依赖只有av、defusedxml、matplotlib、numpy、pillow、pydeprecate、pyyaml、requests、scipy、tqdm——没有 PyTorch甚至现在连 OpenCV 都不是硬依赖了。docs/how_to/opencv_migration.md 明确写道Supervision no longer installs OpenCV取而代之的是 src/supervision/_cv2/ 这套私有兼容层imread、cvtColor、fillPoly、approxPolyDP、透视变换……全部提供 NumPy/Pillow/PyAV 回退实现并且 changelog 显示团队在逐像素对齐 OpenCV 行为连无 OpenCV 时画框比 OpenCV 每边小 1 像素这种差异都修了。对下载量而言这是直接的装 supervision 不再拖出一整套 OpenCV 冲突服务器、容器、边缘设备随便pip install。2026 年 10 月 PyPI 的实时数据——近一日 4.5 万、近一周 23.8 万、近一月 84 万次——与 2026 年 5 月社区报道的月下载峰值 1.1M 放在一起看下载盘不但没缩还在 VLM 浪潮里持续扩张。2.5 示例即刚需仓库 examples 目录就是一份业务需求清单仓库 examples/ 的组织方式本身就说明了刚需长什么样count_people_in_zone区域人数统计零售/客流、traffic_analysis交通流分析README 里直接给了 RF-DETR/YOLO/Inference 三套变体、speed_estimation车速估计、time_in_zone滞留时长含推流/文件两种接入、tracking多目标跟踪、heatmap_and_track。这些不是 demo而是一线视觉交付场景的目录——每一个对应一个可以收钱的行业需求。2026 年 8–9 月 CSDN 上两篇高信息密度的实战文可视化区域统计、VLM 对接也几乎完全按这套场景展开中文社区的内容供给反过来又喂给了增长飞轮。下图是 supervision 图像拼贴tile工具输出的测试资产数据集与批量可视化是这个库被低估的一面配套的DetectionDataset支持 YOLO/COCO/Pascal VOC/LabelMe/Createml 五种格式的加载、合并、划分与导出加上 mAP、mAR、Precision/Recall、F1、混淆矩阵等指标模块把一个 CV 项目里最碎的两块——数据格式与模型评估——也一并标准化了。三、基建型项目的天花板在哪里给基建下定义它不和模型竞争接住模型输出向上服务业务系统。按这个定义supervision 的天花板可以拆成从业者基数 × 渗透率两个变量。基数侧红利还在兑现。视觉模型的代际更替从未停传统检测器 → SAM 系列 → 开放词表/VLM → 世界模型。每一代新模型都制造一批新的胶水需求而VLM枚举从 PaliGemma 加到 Qwen3-VL/Gemini 3.7 的过程证明了这个库在跟随模型代际扩张 TAM。只要模型输出格式千差万别这个物理事实不变这层中间表示的需求就存在。渗透率侧有三个真实的制动力值得写进判断上游框架吸收。Ultralytics 等框架早已内置results.plot()和.track()对只用 YOLO的用户supervision 的必要性被部分稀释。supervision 的护城河在于多模型混用与模型无关的管线而不在于单模型场景。LLM 编码助手的替代效应。这是把双刃剑一方面社区已经在流行在 CLAUDE.md 里告诉编码助手 CV 任务优先用 supervision的做法AI 助手反而成了分发渠道另一方面简单胶水代码确实可以被大模型现场生成280 行手写工具的未来可能不是被库替代而是被模型生成替代。supervision 的回应是往生成代码难以自证正确的方向走——_cv2逐像素对齐、mAP 与 pycocotools 的 float64 对齐、0.30.x 连续六周的边界条件修复这些正确性长尾是生成式代码给不了的。曲线形态本身。star-history 曲线在 2024 年后斜率明显放缓从指数进入线性段2026 年 6 月的月净增约 6.5K对比 3.5 年累计 5 万的存量这已是典型的平台期增速。净判断supervision 不是昙花但也不再是火箭。它的 star 增量未来大概率维持每年 1–1.5 万的线性节奏而非翻倍真正的价值锚点不是 star 数而是sv.Detections作为视觉管线事实标准的地位——这个地位已经形成RFDettr 直接返回它、跟踪器生态围绕它构建、0.30.0 敢于移除ByteTrack把跟踪拆去独立trackers包正是标准拥有者的动作。对使用者最务实的启示是三条生产环境锁定版本、盯紧 docs/changelog.md0.30 是一次真正的破坏性分界、把模型输出第一时间收敛到Detections——这一层抽象已经过 3.5 年、30 个版本、84 万月下载的验证。计算机视觉领域最有工程价值的贡献不一定是更强的模型也可以是更结实的胶水。supervision 用一条 3.5 年的曲线证明了这句话也恰好卡在 VLM 与 Physical AI 重新抬高这层价值的时间点上。【免费下载链接】supervisionWe write your reusable computer vision tools. 项目地址: https://gitcode.com/GitHub_Trending/su/supervision创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考 一年从 3 万星涨到 5.1 万星：supervision 的吸星速度藏着 CV 工程化的时代红利
一年从 3 万星涨到 5.1 万星supervision 的吸星速度藏着 CV 工程化的时代红利【免费下载链接】supervisionWe write your reusable computer vision tools. 项目地址: https://gitcode.com/GitHub_Trending/su/supervision2023 年 1 月Roboflow 在 PyPI 上发布了 supervision 的第一个版本 0.1.0彼时它只是一叠在任何 CV 项目里都用得上的工具函数。三年半后这条增长曲线画出了开源工具库里少见的形状GitHub star 从 3 万冲到 5.1 万PyPI 近一月下载量约 84 万次2026 年 5 月还一度冲上 GitHub Trending 日榜第一。一个不训练模型、不碰推理加速、纯做模型输出之后所有事情的 Python 库凭什么吸星这么快本文基于项目源码、PyPI 发布记录与近一年的社区报道拆三件事增长曲线的关键节点、胶水代码刚需叙事为何成立以及基建型项目的天花板到底在哪里。一、增长曲线3.5 年里几个真实的爬升节点先交代数据的锚点。PyPI 发布记录显示supervision 的 0.1.0 发布于 2023 年 1 月 19 日截至 2026 年 10 月 8 日最新稳定版为 0.30.9仓库中开发版已推进到 0.31.0.dev0。结合 star-history 曲线、社区各期榜单与第三方文章的统计可以拼出如下时间线时间版本 / 事件佐证2023-010.1.0 首发要求 Python ≥ 3.7PyPI 发布记录2023-080.13/0.14 时期开始频繁出现在 GitHub 周热榜与 HelloGitHub 等榜单2023-08 期社区榜单2024-090.24.0 发布再入GitHub 一周热点2024-09 期周榜、CSDN 教程文1.5 万阅读2025-08社区统计 star 超 3 万0.26.0 稳定版落地2025-08 掘金文章标题即30000 star2026-05GitHub Trending 日榜第一当时统计 PyPI 月下载量达 1.1M2026-05 社区文章2026-0646.2K star当月净增 6,459入选月度 Top 102026-06 月榜2026-080.30.0 破坏性大版本移除sv.ByteTrack、keypoint改名为key_pointsdocs/changelog.md、PyPI2026-10star 约 5.1 万PyPI 近一月下载约 84 万次star-history 曲线终点、PyPI 官方统计这条曲线有三个值得注意的形态特征第一起点极早但真正的陡升发生在 2024–2025。项目前 18 个月主要靠好用在中文/英文技术社区被口口相传CSDN 上 2023–2024 年陆续出现的教程文单篇阅读量普遍在 1500–1.5 万之间。2024 年下半年起YOLOv8/RF-DETR/SAM 这条模型爆炸主线带动视觉应用开发量激增supervision 作为模型与业务之间的标准后处理层星数开始进入加速段。第二2026 年 5 月的日榜第一不是孤例而是趋势的延续。那篇社区文章2026-05的作者给出的判断很直接PyPI 月下载量过百万的 Python 包不多要么是基础设施requests、numpy要么是解决了一个极高频的真实痛点。supervision 属于后者。随后 6 月它以 46.2K star 继续留在月榜前十——对一个 2023 年立项的老项目这已经不属于新品红利而是存量盘子里的持续净流入。第三版本发布节奏本身就是增长信号。看 docs/changelog.md 尾部0.30.49 月 17 日→ 0.30.910 月 8 日21 天里连发 6 个补丁版本每个版本 5–9 条修改全部是深水区修复——WebM 无时长元数据导致读不到帧、手机竖拍视频的 EXIF 旋转、mAP 与 pycocotools 的 float64 精度对齐、process_video写帧失败时死锁……这种每周一个补丁、条条是边界条件的维护强度只有真正被大量生产环境使用、被大量 Issue 喂养的库才撑得起。二、吸星速度为什么快它卖的不是功能是标准2.1 胶水代码是每个视觉开发者的固定税社区里流传最广的痛点量化来自一篇 2026 年 5 月的实践文作者统计自己卫星遥感后处理模块里手写的五个工具函数——画框、NMS、结果格式化、手工 IoU 追踪、区域计数——合计约 280 行每个新项目都要复制一遍然后改到对不上。换成 supervision 后是 21 行。这个 280→21 的压缩比不是重点重点是它揭示的结构模型推理之后的后处理工作是纯重复劳动且高度同质化。画框要处理标签不越界、同类同色、跟踪 ID 换色视频要逐帧读、推理、写回区域统计要处理判定点选择、跨线抖动数据集要在 YOLO/COCO/VOC/LabelMe 之间互转。这些代码单看都不难加起来没人想写第二遍。supervision 恰好把这一整层收编成库。2.2sv.Detections一个被整个生态接受的事实标准中间表示增长的引擎是核心数据结构的标准地位。看 src/supervision/detection/core.py 第 116 行起的定义dataclass class Detections: xyxy: npt.NDArray[np.number] mask: npt.NDArray[np.bool_] | CompactMask | None None confidence: npt.NDArray[np.floating] | None None class_id: npt.NDArray[np.integer] | None None tracker_id: npt.NDArray[np.integer] | None None data: _DetectionDataType field(default_factorydict) metadata: _MetadataType field(default_factorydict)七个字段把框、掩码、置信度、类别、跟踪 ID、扩展数据、集合级元数据一次收拢。围绕它同一个文件里排着十余个from_*连接器from_ultralytics、from_transformers、from_detectron2、from_mmdetection、from_inference、from_sam3、from_paddledet、from_ncnn、from_yolo_nas、from_azure_analyze_image、from_vlm——RF-DETR 干脆直接返回Detections省掉转换。这意味着换模型不重写下游业务代码只依赖sv.Detections今天接 YOLO、明天换 RF-DETR、后天接 VLM标注器、跟踪器、区域计数、数据集导出全部原样复用。一篇 2026 年 6 月的深度调研把它总结为一句话——视觉应用正在从模型中心走向管线中心而sv.Detections就是视觉应用自己的中间表示类似大模型应用里的统一 Message/Document 抽象。当一个库的某个数据结构成为事实标准star 增长就从推荐驱动变成了迁移成本锁定。2.3 VLM 时代红利每出一个新模型就长出一层新胶水标题里说的时代红利在源码里看得最清楚的是 src/supervision/detection/vlm.py 的VLM枚举PaliGemma、Florence-2、Qwen2.5-VL、Qwen3-VL、DeepSeek-VL2、Gemini 2.0/2.5/3.5/3.6/3.7、Moondream、Kosmos-2——12 个视觉语言模型的解析器且 docs/changelog.md 的 Unreleased 段显示还在继续加Kosmos-2 grounding、Gemini 3.6/3.7 的结构化 boxpolygon 解析、Qwen 截断响应恢复、Gemini 概率图按 127/255 二值化。这个列表的意义在于开放词表检测 / 视觉 grounding 是当前视觉模型迭代最快的一代而每个新模型输出的格式都五花八门——有的是文本里的 bbox、有的是 PNG 概率图、有的是(caption, entities)对。supervision 的from_vlm把这种异构性消化在连接器层让下游拿到的仍然是Detections。换句话说模型生态越乱这层翻译器的价值越大。2026 年 6 月月榜里把 supervision 和 NVIDIA Cosmos 的 Physical AI 叙事放在一起理由正是如此世界模型、具身智能要落地感知的下游永远需要这一层工程化。2.4 把安装摩擦打到最低增长还有一个常被忽视的底盘依赖极轻。pyproject.toml 里核心依赖只有av、defusedxml、matplotlib、numpy、pillow、pydeprecate、pyyaml、requests、scipy、tqdm——没有 PyTorch甚至现在连 OpenCV 都不是硬依赖了。docs/how_to/opencv_migration.md 明确写道Supervision no longer installs OpenCV取而代之的是 src/supervision/_cv2/ 这套私有兼容层imread、cvtColor、fillPoly、approxPolyDP、透视变换……全部提供 NumPy/Pillow/PyAV 回退实现并且 changelog 显示团队在逐像素对齐 OpenCV 行为连无 OpenCV 时画框比 OpenCV 每边小 1 像素这种差异都修了。对下载量而言这是直接的装 supervision 不再拖出一整套 OpenCV 冲突服务器、容器、边缘设备随便pip install。2026 年 10 月 PyPI 的实时数据——近一日 4.5 万、近一周 23.8 万、近一月 84 万次——与 2026 年 5 月社区报道的月下载峰值 1.1M 放在一起看下载盘不但没缩还在 VLM 浪潮里持续扩张。2.5 示例即刚需仓库 examples 目录就是一份业务需求清单仓库 examples/ 的组织方式本身就说明了刚需长什么样count_people_in_zone区域人数统计零售/客流、traffic_analysis交通流分析README 里直接给了 RF-DETR/YOLO/Inference 三套变体、speed_estimation车速估计、time_in_zone滞留时长含推流/文件两种接入、tracking多目标跟踪、heatmap_and_track。这些不是 demo而是一线视觉交付场景的目录——每一个对应一个可以收钱的行业需求。2026 年 8–9 月 CSDN 上两篇高信息密度的实战文可视化区域统计、VLM 对接也几乎完全按这套场景展开中文社区的内容供给反过来又喂给了增长飞轮。下图是 supervision 图像拼贴tile工具输出的测试资产数据集与批量可视化是这个库被低估的一面配套的DetectionDataset支持 YOLO/COCO/Pascal VOC/LabelMe/Createml 五种格式的加载、合并、划分与导出加上 mAP、mAR、Precision/Recall、F1、混淆矩阵等指标模块把一个 CV 项目里最碎的两块——数据格式与模型评估——也一并标准化了。三、基建型项目的天花板在哪里给基建下定义它不和模型竞争接住模型输出向上服务业务系统。按这个定义supervision 的天花板可以拆成从业者基数 × 渗透率两个变量。基数侧红利还在兑现。视觉模型的代际更替从未停传统检测器 → SAM 系列 → 开放词表/VLM → 世界模型。每一代新模型都制造一批新的胶水需求而VLM枚举从 PaliGemma 加到 Qwen3-VL/Gemini 3.7 的过程证明了这个库在跟随模型代际扩张 TAM。只要模型输出格式千差万别这个物理事实不变这层中间表示的需求就存在。渗透率侧有三个真实的制动力值得写进判断上游框架吸收。Ultralytics 等框架早已内置results.plot()和.track()对只用 YOLO的用户supervision 的必要性被部分稀释。supervision 的护城河在于多模型混用与模型无关的管线而不在于单模型场景。LLM 编码助手的替代效应。这是把双刃剑一方面社区已经在流行在 CLAUDE.md 里告诉编码助手 CV 任务优先用 supervision的做法AI 助手反而成了分发渠道另一方面简单胶水代码确实可以被大模型现场生成280 行手写工具的未来可能不是被库替代而是被模型生成替代。supervision 的回应是往生成代码难以自证正确的方向走——_cv2逐像素对齐、mAP 与 pycocotools 的 float64 对齐、0.30.x 连续六周的边界条件修复这些正确性长尾是生成式代码给不了的。曲线形态本身。star-history 曲线在 2024 年后斜率明显放缓从指数进入线性段2026 年 6 月的月净增约 6.5K对比 3.5 年累计 5 万的存量这已是典型的平台期增速。净判断supervision 不是昙花但也不再是火箭。它的 star 增量未来大概率维持每年 1–1.5 万的线性节奏而非翻倍真正的价值锚点不是 star 数而是sv.Detections作为视觉管线事实标准的地位——这个地位已经形成RFDettr 直接返回它、跟踪器生态围绕它构建、0.30.0 敢于移除ByteTrack把跟踪拆去独立trackers包正是标准拥有者的动作。对使用者最务实的启示是三条生产环境锁定版本、盯紧 docs/changelog.md0.30 是一次真正的破坏性分界、把模型输出第一时间收敛到Detections——这一层抽象已经过 3.5 年、30 个版本、84 万月下载的验证。计算机视觉领域最有工程价值的贡献不一定是更强的模型也可以是更结实的胶水。supervision 用一条 3.5 年的曲线证明了这句话也恰好卡在 VLM 与 Physical AI 重新抬高这层价值的时间点上。【免费下载链接】supervisionWe write your reusable computer vision tools. 项目地址: https://gitcode.com/GitHub_Trending/su/supervision创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考