Segment Anything Model (SAM)미디어트릭의 기초 모델으로,任意한 객체 ή 장면에 대한 추론 가능한 이미지 분할을 위한 기초 모델

4.8 (5)

리뷰어 Daniel Nikulshyn·업데이트됨 2026년 7월

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

개요

Segment Anything Model (SAM)은 Meta AI 연구소 개발에 의한 개방된 이미지 분할 시스템입니다. 이미지와 간단한 명령어(예: 점, 박스, 구상 마스크)만 제공 받으면, SAM은 대체로 특정 작업을 위한 훈련 필요 없이,几乎 모든 객체에 대하여 고등 품질의 분할 마스크를 생성합니다. 샘플 Anything 모델(SAM)은-SA-1B 데이터셋에 대한 훈련을 통해 11,000만 장의 이미지를 포함한 10억 장의 마스크를 갖추고 있어.zero-shot generalization에 강한 것으로 작용합니다. 컴퓨터 비전 파이프라인에 통합되며, task들처럼 주석(annotation), 이메지 편집(image editing), 의료영상(medical imaging), 로보틱스(robotics), AR/VR, 과학적 분석(scientific analysis)의 업무 등을 수행할 수 있습니다. 분의 원명세요 라속성공고 새세요, 촌일을 하려려 주주세요 SAM 잰c대라속세요 촌일을 SAM 는요 촌일을 머간세요, 분의 하려려 원명세요 주주세요 다른 샀항집세요.

주요 기능

점 및 박스 기반 분할이 가능한 추론
전체 이미지에 대한 자동 마스크 생성
ViT 기반 이미지 인코더
영역에 따른 zero-shot 이전
개방 소스 코드 및 SA-1B 데이터 세트
PyTorch 및 일반 CV 스택과 통합

가격

모델: Freemium
카테고리: 컴퓨터 비전
평점: 4.8 / 5 (5)

사용 사례

가속 데이터 세트 어노테이션

SAM의 추론 가능한 분할을 사용하여 간단한 클릭이나 박스로 이미지 데이터 세트의 객체를 빠르게 레이블링하고, ML 훈련 파이프 라인은 수동 어노테이션 시간을 절약할 수 있습니다.

이미지 편집 및 컴โพ지팅

배경 제거, 선택적 편집, 또는 컴포지팅에 대한 정교한 객체 마스크를 생성하고, 창의적인 도구에 무려 훈련된 커스텀 세그먼터화 모델을 필요로하지 않습니다.

의료 및 과학적 이미지 분석

zero-shot 세그먼트레이션을 사용하여 의료 스캐니 또는 과학적 이미지를 사용하여 관심구조 분리, 측정, 다운스트림 분석을 지원합니다.

로봇 및 AR/VR 인식

COMPUTER VISION PIPELINE으로 SAM을 통합하고, 포인트 또는 박스 프라임을 사용하여 로봇 동작이 또는 AR/VR 시나리오 이해에서 객체 분리의 지원을 제공합니다.

장단점

장점

이론상이지 않은 목적의 물체에서 강한 zero-shot 분할
유연한 프로ンプ트: 점들, 상자, 또는 마스크들
열린 가중치와 대중적인 공개데이터
official Python library를 통한 쉬운 통합

단점

큰 모델은 CPU에서 실시간으로 사용하기에는 무거울 수 있음
문법 학습에 사용한 의미적 레이블 할당하지 않음
미미한 구조에서 quality가 하락
프라임 또는 자동 마스크 생성 설정 필수

리뷰

4.8

5개 평가의 평균.

리뷰를 작성하려면 로그인하세요.

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.

Q&A

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