Segment Anything Model (SAM)Meta AI pamata modelis, kas ļauj uzvedībā segmentēt attēlus jebkurā objekta vai scēnas gadījumā.

4.8 (5)

Pārskatījis Daniel Nikulshyn·Atjaunināts 2026. g. jūlijs

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

Pārskats

Segment Anything Model (SAM) ir atvērtais attēlu segmentācijas sistēmas versija, kas tika izstrādāta Meta AI Pētniecības centra. Ievadot attēlu un saskanīgu priekšnosacījumu, piemēram, punktu, kvadrantu vai apmierinājošu masku, tas rodas augstas kvalitātes segmentācijas maskas jebkuram objektam bez jebkādu uzdevumu specifiska apmācības vajadzības. SAM ir trenēts uz SA-1B dati setu, kas satur vairāk kā jūni masku 11 miljonu slikām, to dēvējot par stipru bezpriekšmetu vispārīgo spēju. To var integrēt kompānijas redzamās sistēmu (CVS) sīkākās uzdevumos, kā lietošana anotācijas, slikeru rediģēšana, medicīnisko slikeru pārbaude, robotikas, pavadoni/virtualitāte un zinātniskās analizēšanas uzdevumos. Modelis un datubāze tiek izdots atļauvības padevišanas nosacījumu nozarē, izstrīdžot SAM kā bieži izmantoto komponentu pamatniedruktoriem un izstrādātājiem, kuriem nepieciešams elastīga atdalījums bez sākotnēju modelu apmācības.

Galvenās funkcijas

Uzvedības segmentēšana ar punktiem un kastīm
Automātiskā maskas ģenerēšana visiem attēliem
Iepriekš apmācīts ViT balstīts attēlu kodētājs
Zero-shot pārcelšana uz jauniem domēniem
Atvērta kods un SA-1B datubāze
Integrējas ar PyTorch un tipiskajām CV savienojumiem

Cenas

Modelis: Freemium
Kategorija: Datorredzējums
Vērtējums: 4.8 / 5 (5)

Lietošanas gadījumi

Paātrināta datu kopas anotēšana

Izmantojiet SAM uzvedības segmentēšanu, lai ātri iezīmētu objektus attēlu datubāzēs ar vienkāršiem klikšķiem vai kastīm, samazinot manuālo anotēšanas laiku ML apmācības ķēdēm.

Attēlu rediģēšana un kompozīcija

Veidojiet precīzas objektu maskas fona noņemšanai, selektīvai rediģēšanai vai kompozīcijai radošajās rīcēs bez pielāgoto segmentēšanas modeļa apmācīšanas.

Medicīnas un zinātniskā attēlu analīze

Pielietojiet zero-shot segmentēšanu medicīnas skenējumos vai zinātniskajās attēlu izpētē, lai izolētu interesējošās struktūras, palīdzot mērījumiem un turpmākai analīzei.

Robotika un AR/VR uztveršana

Integrējiet SAM datorredzes ķēdēs, lai izolētu objektus robotikas manipulācijās vai AR/VR scēnu saprašanas laikā, izmantojot punktu vai kastes uzvedības pieprasījumus.

Plusi un mīnusi

Plusi

Spēcīga zero-shot segmentēšana neapturtiem objektam
Elastīgas uzvedības: punkti, kastes vai maskas
Atvērtie svari un liela publiska datubāze
Viegli integrējams caur oficiālo Python bibliotēku

Mīnusi

Liela modeļa svara dēļ tas var būt smags reāllaika CPU lietošanai
Nav piešķirtas semantiskās klases birkas
Kvalitāte samazinās ļoti mazu vai finām strukturām
Prasa uzvedības vai automātiskās maskas ģenerēšanas konfigurāciju

Kauju rekords

1 kaujā Panteonā.

Last battle

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

Atsauksmes

4.8

Vidējais no 5 vērtējumiem.

Pieslēdzies, lai atstātu atsauksmi.

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.

Jautājumi

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