Segment Anything Model (SAM)اكتشف قوة معالجة الصور AI في جوهرنا: نموذج SAM بواسطة ميتا الذكاء الاصطناعي

4.8 (5)

مراجعة بواسطة Daniel Nikulshyn·تم التحديث يوليو 2026

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

نظرة عامة

Segment Anything Model (SAM) هي نظام فصل الصور مفتوح تم تطويره بواسطة Meta AI Research. ومع ذلك، عند تقديم صورة وبإدخال واضح جدًا مثل نقطة أو مربع أو قناع عادي، يمكن أن ينتج نظام الفصل الحالي مستطيلات فصل عالية الجودة للعناصر التي تختارها، دون الحاجة لتدريب معين لاجتهاد. تم تدريب SAM على dataset SA-1B، الذي يحتوي على أكثر من مليار كشف عن الحدود على 11 مليون صورة، مما يؤدي إلى استمراريه الوجهة الذاتية للاستيعاب العام. يمكن دمجه في خطوط رؤية الحاسوب للأنشطة مثل التصنيف، التحرير الصور، الرعاية الصحية، robotics، AR/VR، وتحليل العلوم. تم إصدَر البرنامج والقاعدة البيانات تحت شروط مسالمة ، مما جعل SAM حجر بناءً شائعًا لعالمي البحوث والإنماء الذين يحتاجون إلى تركيب متموج بشكل دائم دون تدريب نموذج خاص من البداية.

الميزات الرئيسية

قاعدة بيانات ذات المصدر المفتوح ونقاط قوة SAM.
دمج مع مكتبات بايثون الرسمية.
قدرات التقسيم الفوري عبر واجهة برمجة التطبيقات.
دعم تنسيقات الترويج بواسطة النقاط أو المربعات.
معالجة على الصورة بأكملها.
معالجة العينات الكبيرة.
وصول إلى أكثر من مليار صورة وملايين الأقنعة.
دعم تنسيقات الصور المتعددة.
وصف الميزات.
التجزئة الصفرية.
قدرة التكيف مع المشاهد الجديدة.
واجهة برمجة تطبيقات Python.
قاعدة بيانات قوية.
معالجة الصور الكاملة.
قدرات التجزئة الفورية.
دعم النقاط.
دعم المربعات.
دعم العينات العالية.
الوصول إلى مليار+ صورة.
الوصول إلى ملايين الأقنعة.
وظيفة واجهة برمجة التطبيقات Python.
قاعدة بيانات مفتوحة المصدر.
وظيفة التجزئة الصفرية.
الإمكانات للتكيف مُفتوحة.
الوصول إلى صور عالية الجودة.
الوصول السريع إلى العينات.
واجهة برمجة التطبيقات سهلة الاستخدام.
قوة عالية.
الوصول إلى قاعدة بيانات كبيرة.
الوصول الفوري.
الوصول إلى صور عالية الجودة.
الوصول السريع.
واجهة برمجة التطبيقات Python.
قاعدة بيانات قوية.
الوصول الفعّال.
الوصول السريع.
واجهة برمجة التطبيقات سهلة الاستخدام.
تتضمن مكتبة Python.
قاعدة بيانات قوية.
الوصول الفوري.
الوصول السهل.
تكامل سلس مع مكتبات Python.
تحسين بدون تدريب.
واجهة برمجة تطبيقات Python.
قاعدة بيانات هائلة.
الوصول السريع.
واجهة برمجة التطبيقات سهلة الاستخدام.
الوصول إلى الصور عالية الجودة.
الوصول السريع.
واجهة برمجة تطبيقات Python.

التسعير

النموذج: Freemium
الفئة: رؤية الحاسوب
التقييم: 4.8 / 5 (5)

حالات الاستخدام

تسريع ت annotation مجموعة البيانات

استخدم تجزئة SAM القابلة للتوجيه لتصنيف الكائنات بسرعة في مجموعات بيانات الصور بنقرات بسيطة أو مربعات، مما يقلل وقت الت annotation اليدوي لخطوط أنابيب تدريب ML.

تحرير الصور وتركيبها

إنشاء أقنعة كائنات دقيقة لإزالة الخلفية، أو التعديلات التحديدية، أو التركيب في أدوات الإبداعية دون تدريب نموذج تجزئة مخصص.

تحليل التصوير الطبي والعلمي

تطبيق تجزئة التصنيف الصفري على فحوصات طبية أو صور علمية لعزل الهياكل محل الاهتمام، مما يساعد في القياس والتحليل النهائي.

الروبوتات وإدراك الواقع المعزز / الواقع الافتراضي

دمج SAM في خطوط أنابيب الرؤية الحاسوبية لعزل الكائنات في معالجة الروبوتات أو فهم مشهد الواقع المعزز / الواقع الافتراضي باستخدام موجهات النقاط أو الصناديق.

المزايا والعيوب

المزايا

تجزئة قوية في التصنيف الصفري على كائنات غير مرئية
موجهات مرنة: النقاط، الصناديق، أو الأقنعة
أوزان مفتوحة ومجموعة بيانات عامة كبيرة
سهل التكامل عبر مكتبة Python الرسمية

العيوب

يمكن أن يكون النموذج الكبير ثقيلًا للاستخدام في الوقت الفعلي على وحدة المعالجة المركزية
لا يخصص تسميات فئات دلالية
جودة الانخفاض على الهياكل الصغيرة جدًا أو الدقيقة
يتطلب إعداد موجهات أو توليد قناع تلقائي

المراجعات

4.8

المتوسط من 5 تقييم.

سجّل الدخول لكتابة مراجعة.

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.

أسئلة وأجوبة

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