Segment Anything Model (SAM)Bases para el modelo de segmentación de imágenes de Meta AI, capaz de segmentar cualquier objeto o escena a partir de un prompt.

4.8 (5)

Reseñado por Daniel Nikulshyn·Actualizado julio de 2026

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

Resumen

Segment Anything Model (SAM) es un sistema de segmentación de imágenes abierto desarrollado por Meta AI Research. Dada una imagen y una solicitud simple, como un punto, caja o máscara aproximada, produce máscaras de segmentación de alta calidad para prácticamente cualquier objeto, sin necesidad de entrenamiento específico para cada tarea. SAM se entrenó con el conjunto de datos SA-1B, que contiene más de mil millones de máscaras en 11 millones de imágenes, lo que le otorga una fuerte generalización de disparo cero. Puede integrarse en canalizaciones de visión por computadora para tareas como anotación, edición de imágenes, imágenes médicas, robótica, AR/ VR y análisis científico. El modelo y el conjunto de datos se lanzan bajo términos permisivos, lo que hace que SAM sea un bloque de construcción común para investigadores y desarrolladores que necesitan segmentación flexible sin entrenar un modelo personalizado desde cero.

Funciones clave

Segmentación con puntos y cajas promatables
Generación automática de máscaras para imágenes completas
Código abierto y base de datos SA-1B
Integrado con PyTorch y pilas de CV comunes
Preentrenado con base en la red ViT de imágenes
Transferencia cero-disparada a nuevos dominios
Código abierto y base de datos SA-1B

Precio

Modelo: Freemium
Categoría: Visión por Computadora
Valoración: 4.8 / 5 (5)

Casos de uso

Annotación acelerada de conjuntos de datos

Usar segmentación de SAM a partir de puntos y cajas promatables para etiquetar rápidamente objetos en conjuntos de datos de imágenes con simples clics o cajas, reduciendo el tiempo de annotación manual para flujos de entrenamiento de ML.

Edición de imágenes y compostición

Generar máscaras de objetos precisas para la eliminación de fondo, editas selectivas o compostición en herramientas creativas sin entrenar un modelo de segmentación personalizado.

Análisis de escaneos de imagen médicos y científicos

Aplicar segmentación cero-disparada a escaneos médicos o de la ciencia para aislados estructuras de interés, ayudando a la medición y análisis posterior.

Percepción de sistemas de manipulación de robots y de comprensión de escenas de realidad aumentada y virtual

Integrar SAM en flujos de visión computacional para aislación de objetos en la manipulación de robots o comprensión de escenas de AR/VR usando prompts de punto o de caja.

Pros y contras

Ventajas

Fuerte segmentación cero-disparada en objetos no vistos
Prompts flexibles: puntos, cajas o máscaras
Peso abierto y gran dataset público
Fácil integración a través de la biblioteca oficial de Python
Codificación abierta y base de datos SA-1B

Contras

El modelo grande puede ser pesado para el uso en tiempo real en CPU
No asigna etiquetas de clase semántica
La calidad disminuye en estructuras muy pequeñas o finas
Requiere configuración de prompts o generación automática de máscara

Historial de batallas

En 1 batalla del Panteón.

1.º

2.º

3.º

Last battle

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

Reseñas

4.8

Promedio de 5 valoraciones.

Inicia sesión para dejar una reseña.

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.

Preguntas y respuestas

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