Segment Anything Model (SAM)Meta-AIs Basismodel für promptfähige Bildsegmentierung über jede Objekt oder Szene hinweg.

4.8 (5)

Geprüft von Daniel Nikulshyn·Aktualisiert Juli 2026

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

Übersicht

Segment Anything Model (SAM) ist ein offenes Bildsegmentierungssystem, das von Meta AI Research entwickelt wurde. Bei einem Bild und einer einfachen Eingabe wie einem Punkt, einer Box oder einer groben Maske erzeugt es hochqualitative Segmentierungsmasken für praktisch jedes Objekt, ohne dass eine aufgabenspezifische Schulung erforderlich ist. SAM wurde anhand des SA-1B-Datensatzes trainiert, der über eine Milliarde Masken auf 11 Millionen Bildern enthält, was ihm eine starke Zero-Shot-Generalisierung verleiht. Es kann in Computer-Vision-Pipelines für Aufgaben wie Annotation, Bildbearbeitung, medizinische Bildgebung, Robotik, AR/VR und wissenschaftliche Analyse integriert werden. Das Modell und der Datensatz werden unter permissiven Bedingungen veröffentlicht, wodurch SAM ein gängiger Baustein für Forscher und Entwickler ist, die eine flexible Segmentierung benötigen, ohne ein benutzerdefiniertes Modell von Grund auf trainieren zu müssen.

Hauptfunktionen

Promptfähige Segmentationen mit Punkten und Rechtecken
Automatische Maskegenerierung für die gesamten Bilder
Vortrainierte ViT-basierte Bildencoder
Zero-Shot-Übertragung auf neue Domänen
Quellcode und SA-1B-Datensatz unter offener Lizenz
Integriert sich mit PyTorch und gängigen CV-Stapeln

Preise

Modell: Freemium
Kategorie: Computervision
Bewertung: 4.8 / 5 (5)

Anwendungsfälle

Geschnürtes Dataset-Annotation

Verwenden Sie die promptfähige Segmentation von SAM, um mit einfachen Klicks oder Rechtecken Objekte in Bild-Datensätzen zu markieren und so die manuelle Annotation für ML-Trainingspipeline zu erheblich verringern.

Bildbearbeitung und compositing

Erzeugen Sie präzise Objektmasken für Hintergrundentfernung, selektive Anpassungen oder compositing in kreativen Werkzeugen ohne einen Custom-Segmentation-Model von vorne zu trainieren.

Medizinische und wissenschaftliche Bildanalyse

Wenden Sie die zero-Shot-Segmentation auf medizinische Röntgenbilder oder wissenschaftliches Bildmaterial an, um Strukturen zu isolieren und damit Messungen und Folgearbeiten zu erleichtern.

Robotik und AR/VR-Erkennung

Integrieren Sie SAM in Computer-Vision-Pipelines für die Objekterkennung in Roboter-Manipulation oder AR/VR-Szenenerkennung für Punkte- oder Rechteck-Aufforderungen.

Pro & Contra

Pro

Starke zero-Shot-Segmentierung auf nicht gesehenen Objekten
Flexible Aufforderungen: Punkte, Rechtecke oder Masken
Öffentliche Gewichte und große öffentliche Datensätze
Einfach mit offiziellem Python-Bibliothek zu integrieren

Contra

Großes Modell kann für Realtime-Anwendung auf CPU zu aufwändig sein
Weist keine semantischen Klasseetiketten zu
Qualität abnimmt bei sehr kleinen oder feinen Strukturen
Benötigt Aufforderungen bzw. automatische Maskegenerierung einrichten

Schlacht-Bilanz

Aus 1 Schlacht im Pantheon.

Last battle

#2
Computer Vision Showdown — February 5, 2024
Feb 5, 2024 · #2 of 8

Bewertungen

4.8

Durchschnitt aus 5 Bewertungen.

Melde dich an, um eine Bewertung abzugeben.

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.

Fragen & Antworten

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