Segment Anything Model (SAM)Meta AI's základním modelem pro promptovatelnou segmentaci obrazu na libovolné objekt nebo scénu.

4.8 (5)

Recenzováno Daniel Nikulshyn·Aktualizováno červenec 2026

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

Přehled

Segment Anything Model (SAM) je otevřený systém segmentace obrazu vyvinutý Meta AI Research. Při zadání obrázku a jednoduché promptu, jako je bod, obdélník nebo aproximativní maska, vyprodukává vysoké kvality masky segmentace pro jakýkoli objekt, aniž by bylo potřebné školení v rámci speciálního úkolu. SAM byla školená na datasetu SA-1B, který obsahuje přes miliardu másk přes 11 milionů obrázků, čímž bylo prokázáno silné nulové šoty generalizace. Může být integrován do computer vision pipeline pro úkoly jako například anotace, editace obrázků, lékařské zobrazování, robotika, AR/VR a vědecké analýzy. Model a dataset jsou zpřístupněny pod prozíravé licenční podmínky, což zajišťuje, že se SAM stal běžným zdrojem pro výzkumníky a vývojáře, kteří potřebují flexibilní segmentaci bez školení vlastního modelu z nuly.

Klíčové funkce

Promptovatelná segmentace s body a obdélníky
Automatická generace másek pro celé obrázky
Předškolená ViT-báze image encodera
Nulové šoty transfer do nových domén
Otevřený kód a SA-1B dataset
Integrace s PyTorch a běžnými CV nástroji

Ceník

Model: Freemium
Kategorie: Počítačové vidění
Hodnocení: 4.8 / 5 (5)

Případy užití

Zrychlená anotace datových sad

Pomocí promptovatelné segmentace SAM rychle odrážejte objekty v datové sadech s jednoduchými kliknutími nebo obdélníky, což výrazně zkrátí manuální čas pro přípravu datových sad pro pipelines ML výcviku.

Editace obrázků a kompozice

Generujte přesné másky objektů pro odstranění pozadí, nebo provádějte selektivní úpravy nebo kompozice v výtvarných nástrojích bez školení vlastního modelu segmentace.

Lékařská a vědecká zobrazování a analýza

Použivajte nulové šotové segmentaci pro lékařské scanny nebo vědeckou obrazovou data ke izolaci struktur zvláštního zájmu, což zlevňuje měření a následnou analýzu.

Robotika a AR/VR rozpoznání

Integrujte SAM do vision pipeline pro izolaci objektů v robotické manipulaci nebo rozpoznávání scén v AR/VR pomocí bodů nebo obdélníků.

Pro a proti

Pro

Silná nulová šotová segmentace neviděných objektů
Flexibilní prompts: body, obdélníky nebo másky
Otevřená váha a velké veřejné dataset
Snadno integrace přes oficiální Python knihovnu
Bez nákladnosti modelu
Praktická použití

Proti

Velký model může být těžký pro reálné použití na CPU
Nedělá přiřazení semantických klasifikací
Kvalita klesá u velmi malých nebo jemných struktur
Potřebuje prompts nebo automatickou nastavení generace másek
Zvláštní nastavení

Recenze

4.8

Průměr z 5 hodnocení.

Přihlas se, abys mohl napsat recenzi.

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.

Otázky

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