Segment Anything Model (SAM)A Meta AI alapmodellje a promptolható képszeleteléshez bármely objektum vagy jelenet esetében.

4.8 (5)

Értékelte Daniel Nikulshyn·Frissítve 2026. július

Open Source Computer Vision Image Segmentation Foundation Model Research PyTorch Zero-Shot

Áttekintés

A Segment bármiről való Model (SAM) egy nyílt szabványosító képalkotó rendszer, amelyet a Meta AI Kutatás és Fejlesztés kidolgozott. Adott képet és egyszerű megadott promptot, például egy pontot, csatolót vagy villás maszkot, olyan magas minőségű szegmenseket hoz létre, amelyek bármely objektumra vonatkoznak, feladat-specifikus tréningen kívül. A SAM-t a SA-1B adatbázis tanítási adataival etették fel, amelyben több mint 1 milliárd mask-et tartalmazó 11 milliós képtár található, ami nagyon erős nulla-shot általánosítási feladatra ad lehetőséget. Például integrálható a gépi látási folyamatokba feladatokhoz, például jelöléshez, kép szerkesztéshez, orvosi képalkottatáshoz, robotizáláshoz, virtuális/látszó valósághoz és tudományos elemzéshez. A model és adatbázis permisszív feltételek mellett kerül kipostásolásra, amivel SAM a kutatók és fejlesztők kedvelt alapalkotó elemévé vált, akiknek nincs szükségük arra, hogy saját modellel kezdjenek el kézi edzést.

Fő funkciók

Promptolható szegmenció a pontok és dobozok segítségével
Automatikus maszkgenerálás az egész képekhez
Előre képzett ViT-alapú képkódoló
Nulla-lövés átadás új tartományokba
Nyílt forráskód és SA-1B adathalmaz
Integrálódik a PyTorch és a közös CV-veremekbe

Árazás

Modell: Freemium
Kategória: Számítógépes látás
Értékelés: 4.8 / 5 (5)

Felhasználási esetek

Gyorsított adatkészlet-jelölés

Használja a SAM promptolható szegmencióját az objektumok gyors jelöléséhez képadatbázisokban egyszerű kattintásokkal vagy dobozokkal, csökkentve a kézi jelölési időt a gépi tanulási pipeline-okban.

Képszerkesztés és komponálás

Hozzon létre pontos objektummaszkokat a háttér eltávolításához, szelektív szerkesztésekhez vagy komponáláshoz kreatív eszközökben anélkül, hogy egyéni szegmenciómodellt kellene képezni.

Orvosi és tudományos képalkotás elemzés

Alkalmazza a nulla-lövés szegmenciót orvosi vizsgálatokra vagy tudományos képekre az érdeklődésre számot tartó szerkezetek elszigeteléséhez, ami segíti a mértékegységet és a további elemzést.

Robotika és AR/VR észlelés

Integrálja a SAM-ot a számítógépes látás pipeline-ba az objektumok elszigeteléséhez a robotika manipulálásában vagy az AR/VR jelenetszemléletben pont- vagy dobozpromptok segítségével.

Előnyök és hátrányok

Előnyök

Erős nulla-lövés szegmenció láthatatlan objektumokon
Flexibilis promptok: pontok, dobozok vagy maszkok
Nyílt súlyok és nagy nyilvános adathalmaz
Könnyen integrálható hivatalos Python-könyvtár segítségével

Hátrányok

A nagy modell valós idejű használatra nehezen kezelhető CPU-n
Nem rendel hozzá szemantikai osztálycímkeket
A minőség romlik a nagyon kis vagy finom szerkezeteknél
Promptok vagy automatikus maszkgenerálás beállítást igényel

Értékelések

4.8

Átlag 5 értékelésből.

Jelentkezz be értékelés írásához.

Aaliyah Johnson

Apr 5, 2026

Years in this space

I've evaluated a lot of these over the years. What stands out here is pretrained ViT-based image encoder — handled better than most — and strong zero-shot segmentation on unseen objects. Worth the time if this is your use case.

Margaret Whitfield

Mar 5, 2026

Years in this space

I've evaluated a lot of these over the years. What stands out here is promptable segmentation with points and boxes — handled better than most — and flexible prompts: points, boxes, or masks. Worth the time if this is your use case.

Hannah Goldberg

Oct 15, 2025

Use it every day

Honestly didn't expect to like it this much. Integrates with PyTorch and common CV stacks is exactly what I needed, and easy to integrate via official Python library. I do wish requires prompts or automatic mask generation setup, but I reach for it almost every day now and it just clicks.

Olga Ivanova

Jul 10, 2025

Skeptical, then convinced

I went in skeptical — most tools in this space overpromise. It actually delivers on zero-shot transfer to new domains, and strong zero-shot segmentation on unseen objects caught me off guard. Requires prompts or automatic mask generation setup is why this isn't a perfect score, still, I'd recommend giving it a real trial.

Linda Petersen

May 29, 2025

Skeptical, then convinced

I went in skeptical — most tools in this space overpromise. It actually delivers on automatic mask generation for entire images, and open weights and large public dataset caught me off guard. still, I'd recommend giving it a real trial.

Kérdések

Does SAM provide semantic class labels for the segmented objects?

No, SAM outputs binary masks only; it does not assign semantic class labels, so you would need an additional classifier if label information is required.

Asked by Giulia Conti · Mar 23, 2026

Can SAM be used for real‑time applications on CPU‑only hardware?

Because SAM’s ViT‑based encoder is large, it runs efficiently on GPUs but can be slow on CPUs, making real‑time CPU‑only deployment challenging for high‑throughput use cases.

Asked by Tariq Aziz · Feb 22, 2026

What input prompts does SAM accept for generating segmentation masks?

SAM can take point clicks, bounding boxes, or rough masks as prompts, and it also offers an automatic mode that generates masks for all objects in an image without any user input.

Asked by Salome Beridze · Dec 22, 2025