Segment Anything Model (SAM)მეტა აი-ს ფონდაციული მოდელი სასწავლო სურათი სეგმენტირების სრულად ნებისმიერი ნივთი ორობითი სცენაში

4.8 (5)

შეფასებული Daniel Nikulshyn·განახლდა ივლისი, 2026

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

მიმოხილვა

Segment Anything Model (SAM) არის ღია სურათებში სეგმენტაციის სისტემა, რომელიაც შექმნილია Meta AI Research კვლევითმა ჯგუფმა. მიწოდებული სურათისა და პრომპტის მინიმალური წერილი, როგორიცაა წერტილი, ქვემოთა სვეტი ან რესტრირებული მასკა, ის წარმოქმნის ინტენსიური სეგმენტაციის მასკებს ნახევრად მაინორიტარული აბჯარისთვის მცდარი მართვისთვის სხვაგვარ საქმის სპეციფიკურ განახლების გარეშე. Segment Anything Model-i (SAM) სასწავლო მასალად გამოიყენება SA-1B დატასეტი, რომელიც 11 მილიონზე მეტ სურათში 1 მილიარდზე მეტ მასკს შეიცავს. ეს საშუალებას აძლევს 0-შოტ გენერალიზაციასთან მძლავრ მასტერინგს. SAM ეკსეს რობოტიკა, 3D თავისუფლება, სარედაქციო მუშაობა, მედიკა და 3D ანალიზის სფეროში გასაქადო შექმნილი სამშენებლო სანახავების სისტემებში ინტეგრირების საშუალება ისე რაც საინჟინრო ფოტოგრაფიაში. მოდელი და მონაცემთა სეტი გამოცემულია ნებაყოფლობით პირობებში, რითაც სამი (SAM) საკმაოდ პოპულარული შემადგენელი ბლოკია სპეციალისტებისთვის, ვისაც სჭირდება დრიფტის გარეშე სამუშაო პერიოდი, თუ პერსონალური მოდელის განვითარება.

ძირითადი ფუნქციები

პრომპტირებითი სეგმენტირება ბინარულ წერტილებით და ჯაირებით
ავტომატური მასკა სრულად ნივთების სცენაში
პრეტრეინებული ViT სამუშაო მასივი
Zero-shot ტრანსფერი ნებისმიერ დომენებში
ღია კოდი და სა-1B საცნობესთეო დატაბეისი
ინტეგრირება პიტორჩთან და სასურველ ავტომატური ხალის სცენაში

ფასები

მოდელი: Freemium
კატეგორია: კომპიუტერული ხედვა
შეფასება: 4.8 / 5 (5)

გამოყენების შემთხვევები

განვითარებული დასატანი თრედი ავტომერებათვბი

გამოიყენე SAM-ს გაფართოებული დასატანი იმეჟი დატაზების მაინსს

სურათების რედაქტირებისდა და მიკროფართვის

ადვილად აფრინდეთ ნივთების ამოღადეკ ბეკ-გრაუნდიდს და მიკროფართვი სხვად სხვა ფონოველთან

სამეცნიერო იმეჟი ანალიზი

დედხევანეთ სამეცნიერო სივრთის დატა ზემეხან სპეჯ განსაზღვრა

რობოტისრ და AR/VR

პიტორჩ და რობოტისრი მონაწვ ნიფტი ქაზოდბ, პინკთ მბგ პრომპტები

დადებითი და უარყოფითი

დადებითი

მძლავრი ერთვება მთვაროვე ნივთებზე
ნებისმიერი პრომპტინგი: პინტი, ჯაირი და მასკა
ღია ჯგუფი და სა-1B საცნობესთეო დატაბეისი
ხელოვნური ინტერფეისი საყიდალმა ლიბრასით

უარყოფითი

დიდი მოდელი შეიძლება ხვლეული დროს გამოუყენებადი
არ ათავსებს ზემეხანურ კლასებს
ხარისხი დამშვიდობებს საჭირო ტვლითი დეტალებში
მოითხოვს პრომპტინგს ან ავტომატური მასკის გენერაცის კომპლექტს

ბრძოლების რეკორდი

1 ბრძოლაში პანთეონში.

1-ლი

მე-2

მე-3

Last battle

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

შეფასებები

4.8

საშუალო 5 შეფასებიდან.

შედი ანგარიშზე შეფასების დასატოვებლად.

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.

კითხვები

SAM სეგმენტირებულია ობიექტებისთვის სემანტიკური კლასი ლეიბლების მიწოდება?

არა, SAM აწარმოებს მხოლოდ ბინარულ მასკებს; მას სემანტიკური კლასი ლეიბლები არ იძლევა, ამიტომ ლეიბლების ინფორმაციისთვის საჭიროა დამატებითი კლასიფიკატორი.

Asked by Giulia Conti · Mar 23, 2026

შეიძლება SAM‑ის გამოყენება რეალურ‑დროშზე CPU‑მხოლოდ ჰარდვერეზე?

როდესაც SAM‑ის ViT‑ბაზირებული ენკოდერი დიდი ზომისაა, იგი ეფექტურია GPU‑ებზე, თუმცა CPU‑ებზე შეიძლება იყოს ნელი, რაც რეალურ‑დროშზე CPU‑მხოლოდ გაშვების მქონე მაღალი გადაცემის სიტუაციებში რთულს ქმნის.

Asked by Tariq Aziz · Feb 22, 2026

რა ტიპის ინპუტ‑პრომტებს იღებს SAM სეგმენტაციის მასკის გენერირებისთვის?

SAM იღებს პუნქტული კლიკებს, ბოუნდენგ‑ბოქსებს ან მიმოხილული მასკებს პრომტებად, ასევე აქვს ავტომატური მოდელი, რომელიც გამოსახულებაში ყველა ობიექტისთვის ქმნის მასკებს გარეშე ნებისმიერი მომხმარებლის ინტერვენციის.

Asked by Salome Beridze · Dec 22, 2025