Segment Anything Model (SAM)Meta AI:n perusmalli kyselykelpojen kuvien pistekohtaisella segmentoimisella mikä tahansa esineeseesi vaiheessasi.

4.8 (5)

Arvostellut Daniel Nikulshyn·Päivitetty heinäkuu 2026

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

Yleiskatsaus

Segment Anything Model (SAM) on avoin kuvaantuminenjärjestelmä, jonka Meta AI tutkimus on kehittänyt. Kuvalle annetun yksinkertaisen ohjeen, esimerkiksi pisteen, sukkulan tai karkean maskin, se tuottaa korkeat laatuun erittelymaskkeja melkein missä tahansa objektissa ilman tehtävän tarkoitukseen suunnitettua koulutusta. SAM on valmisteltu SA-1B -tiedostoon, joka sisältää över 1 miljardi maskia 11 miljoonan kuvan aikana, antaen sen vahvoja yksityiskohtia, ja yhdenlaisen yleistamisen. Se voidaan integroida tietokoneen näön aiheuttamien tietokoneen näön sisälle työskentelyyn tehtäviin kuten merkinnät, kuva muokkaus, lääkärintutkimus, Robotti ja AR/VR, ja täysimittainen tutkimus. Mallin ja tietokannan julkaisemisessa sovelletaan vapaata lisensointia, mikä tekee SAMin yleisessä käytössä oleväksi tekijöiden hallussa olevaksi rakennusarvoksi tutkijoille ja kehittäjille, jotka tarvitsevat monipuolista segmentaatiota ilman luonnollisen mallin tekemistä alusta loppuun.

Pääominaisuudet

Kyselykelpoinen segmentointi kohteena ja valikoissa
Koko valokuvan automatic maskin luominen
Esikoulutettu ViT- perustuu kuvan koodarin
Nollalukemat siirtyvät uusiin domeeniin
Avoin lähdekoodi ja SA-1B tietokannan avaa
Liittyy PyTorchin ja yleisten tasojen kuva-alat
Sovellustason LLM ja kunnon API- ja SDK-yhteensopivuus

Hinnat

Malli: Freemium
Kategoria: Tietokoneen näkö
Arvio: 4.8 / 5 (5)

Käyttötapaukset

Kiihdytetty datasetin annotointi

Käytä SAM:in kyselykelpoista segmentointia hyödyntääksesi kuvan datasettien nopeasti, yksinkertaisten nappien tai valikoita painamalla kertaa, katettaen manuaalinen annotointia tarviessa ML-traininpipeliä ja tarvitaan kouluttamattoman kuvioon käyttäjälle

Kuvien muokkaus ja yhdistäminen

Generoi tarkkaa kohteen määritelmää kuvakäsittelyssä tai maskin luomisekseen kuvia ja lopputuloksia ja niiden tarkennustarpeita

Lääketieteen ja tieteellisen kuvien analysoiden

Sovittaa nollalukemat segmentointisääntöjä lääketieteellisen kuvien ja tieteellisessä kuvan erottaminen eristämiset tarvikkeita ja sen edellä olevan kertaa, yksilöihin mitattavuus kustanutaan tarvitaan sulkemisesta

Robottien manipuloinnin ja AVR/VR:n havainnoi

Integroida SAM kuvain kuvatunnistuksen loppuvaiheeseen jollekulle sivujen ympäristöä robotiikan hallinnassa tai AVR/VR kohteen kokeillakseen pointtien tai kohdien valikkoina, tarvitaan tarvittaessa

Plussat ja miinukset

Plussat

Voimakas nollalukemat segmentointi ei-ihmisillä esineillä
Flexible kyselyt: kohtia, valikoita tai maskit
Avoin painonappi ja suuri julkaisemassaan tietokannassa
Yleinen yhteyttä Python-työnkavun avulla ja kohdakkain kuviossa
Vastuullinen koulutus

Miinukset

Suuri malli voi olla raskas reaaliaikaisessa käytössä CPU:lla
Ei liitä semanttisia luokittelulabeleja
Laatu heikkenee hyvin pienillä tai hienoilla rakenteilla
Vaatii kehotteita tai automaattisen maskien generoinnin asetukset

Arvostelut

4.8

Keskiarvo 5 arviosta.

Kirjaudu sisään jättääksesi arvostelun.

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.

Kysymykset

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