Segment Anything Model (SAM)Osnovna AI-ovog modela Meta za podršku za segmentaciju slike prema bilo kojem objektu ili scenariju.

4.8 (5)

Recenzirao Daniel Nikulshyn·Ažurirano srpanj 2026.

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

Pregled

Segment Anything Model (SAM) je otvoreni sustav segmentiranja slika razvijen od strane skupine Meta AI Research. Dodavanjem slike i jednostavnog zapisa, kao što je točka, kutija ili netočna maska, proizvodi kvalitetne Segmentacijske mase za skoro bilo koji objekt bez potrebe za task-specificom obukom. Model SAM je trenutno treniran na postavku SA-1B, koja sadrži više od milijarde maski u 11 milijuna slika, omogućavajući mu snažnu nul-taktnu općenitovalnost. On može biti integrisan u pipeline vizualne procesiranja za zadaće kao što su označavanje, uređivanje slika, medicinska slikoviti, robotika, AR/VR i znanstvena analiza. Model i podaci su objavljeni pod permissivnim uvjetima, čime je SAM često koristan sastavni dio za istraživače i razvijаче koji potrebito imaju fleksibilno razdjeljivanje bez obuke osobnog modela od nule.

Ključne značajke

Prometno segmentiranje s točkama i kutijama
Automatska generacija maske za sve slike
Preobučen ViT- bazirani kod slikovnog uključivača
Ništa-što primjena na novo domene
Otvoreni kod i set SA-1B podataka
Integrira se s PyTorchom i zajedničkim omiljenim CV stackom

Cijene

Model: Freemium
Kategorija: Računarski vid
Ocjena: 4.8 / 5 (5)

Slučajevi uporabe

Usporeni proces annotacije skupova podataka.

Koristi se SAM-ova podržava se segmentaciju da brže obeleži objekte na sferima podataka s lakim klikovima ili kutijama, što skraćuje ručne procese kroz ML usmjerava procese.

Upravljanje slikama i kompozicija.

Generira precize objekte maske za uklanjanje pozadine, selektivne uređivanje ili kompozicije u kreativnom alatu bez potrebne upravljanja za segmentraciji modela.

Medici i znanstveno slika analitski procesi.

Primijeni SAM-u bez štedne segmentaciji na medicinske zaslupnice ili znanstveno sliku da izolođuju strukture koji zainteresirani prilikom mjerenjih i procesima kojii uslijedjuju.

Robotika i AR/VR percepcija.

Integriraj SAM-u u računalne znanstvene sustave koji objekte izolacije u robotike manevarskih ili AR/VR scenariju razumevanja korišćenjem točke ili kutije upita.

Prednosti i nedostaci

Prednosti

Snažna ništa-što segmentacija nepoznatih objekata
Podržane upitnike: točke, kutije ili maske
Slobodno dostupni teži i velik javni setova podataka.
Lakša integracija putem službenog Pythona knjižnice.

Nedostaci

Veći model može biti težak za stvaranje vrijeme real-time uporabu na CPU-u
Ne dodjeljuje semantičke klasifikacijske oznake
Kakovost pada na vrlo male ili slične strukture
Potrebni upitnici ili automatska generacija postavke ušora.

Recenzije

4.8

Prosjek iz 5 ocjena.

Prijavi se za ostavljanje recenzije.

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.

Pitanja

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