Segment Anything Model (SAM)Modello fondazionale Meta AI per la segmentazione di immagini tramite punti e scritte di comando su oggetti o scene di qualsiasi tipo.

4.8 (5)

Recensito da Daniel Nikulshyn·Aggiornato luglio 2026

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

Panoramica

Segment Anything Model (SAM) è un sistema di segmentazione immagini aperto sviluppato da Meta AI Research. Data un'immagine e un semplice prompt come un punto, una casella o una maschera approssimativa, produce maschere di segmentazione di alta qualità per praticamente qualsiasi oggetto, senza richiedere un addestramento specifico per il compito. SAM è stato addestrato sul dataset SA-1B, che contiene oltre un miliardo di maschere su 11 milioni di immagini, fornendogli una forte generalizzazione zero-shot. Può essere integrato in pipeline di visione artificiale per attività come annotazione, editing di immagini, imaging medico, robotica, AR/VR e analisi scientifica. Il modello e il set di dati sono rilasciati con termini permissivi, rendendo SAM un elemento comune per ricercatori e sviluppatori che necessitano di una segmentazione flessibile senza dover addestrare un modello personalizzato da zero.

Funzionalità chiave

Segmentazione tramite punti e scritte di comando
Generazione automatica di maschere per intere immagini
Encoder di immagini basato su ViT
Trasferimento zero-shot nei nuovi domini
Codice open source e dataset SA-1B
Integrazione con PyTorch e pila CV comuni

Prezzi

Modello: Freemium
Categoria: Visione Artificiale
Valutazione: 4.8 / 5 (5)

Casi d’uso

Annotazione accelerata dei dati di settaggio

Utilizza la segmentazione promiscibile del SAM per etichettare rapidamente oggetti negli insiemi di dati di immagini con semplici clic o quadri, tagliando il tempo di annotazione manuale per i flussi di training ML.

Modifica di immagini e composizione

Genera maschere precise degli oggetti per la rimozione di sfondo, modifiche selettive o composizione nelle herramienta creative senza dover training di un modello di segmentazione personalizzato.

Analisi di immagini mediche e scientifiche

Applica la segmentazione zero-shot a scansioni mediche o immagini scientifiche per isolare le strutture di interesse, aiutando le misurazioni e l'analisi downstream.

Percezione per robotica e AR/VR

Integra SAM nei flussi di visone computazionale per isolare gli oggeti nella manipolazione dei roboti o nella comprensione dei scene AR/VR utilizzando punti o prompiti rettangolari.

Pro & contro

Pro

Struttura dei contenuti di segmentazione zero-shot forte
Promt flessibili: punti, caselle o maschere
Pesi aperti ed ampio dataset pubblico
Impiego facile mediante library Python ufficiale
cons
:
Modello grande può essere pesante per l'uso in tempo reale su CPU,Non assegna etichetta classi semantiche,Qualità scende su strutture molto piccole o fini,Hai bisogno di scritte di comando o impegno per la generazione di maschere automatiche,useCases,:,[object Object],[object Object],[object Object]

Contro

Il modello grande può essere pesante per l'uso in tempo reale su CPU
Non assegna etichette semantiche di classe
La qualità diminuisce su strutture molto piccole o fini
Richiede impostazione della configurazione di generazione del maschera o richiesta di prompt

Recensioni

4.8

Media su 5 valutazioni.

Accedi per lasciare una recensione.

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.

Domande e risposte

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