Segment Anything Model (SAM)Meta AI's basismodel voor aanwijsbare beeldsegmentatie over elk object of scène.

4.8 (5)

Beoordeeld door Daniel Nikulshyn·Bijgewerkt juli 2026

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

Overzicht

Segment Anything Model (SAM) is een open beeldsegmentatiesysteem ontwikkeld door Meta AI Research. Gegeven een afbeelding en een eenvoudig commando zoals een punt, vak of ruwe masker, produceert het hoogwaardige segmentatiemaskers voor vrijwel elk object, zonder dat er taak-specifieke training nodig is. SAM is getraind op de SA-1B dataset, die meer dan een miljard masks bevat over 11 miljoen afbeeldingen, waardoor het een sterke zero-shot generalisatie heeft. Het kan worden geïntegreerd in computer vision pipelines voor taken zoals annotatie, beeldbewerking, medische beeldvorming, robotica, AR/VR en wetenschappelijke analyse. Het model en de dataset zijn vrijgegeven onder permissieve voorwaarden, waardoor SAM een algemene bouwsteen is voor onderzoekers en ontwikkelaars die flexibele segmentatie nodig hebben zonder een aangepast model helemaal opnieuw te hoeven trainen.

Belangrijkste functies

Aanwijsbare segmentatie met punten en vakken
Automatische maskergeneratie voor hele afbeeldingen
Vooraf getrainde ViT-gebaseerde beeldencoder
Zero-shot overdracht naar nieuwe domeinen
Open-source code en SA-1B-dataset
Integreert met PyTorch en gewone CV-stacks

Prijs

Model: Freemium
Categorie: Computer Vision
Beoordeling: 4.8 / 5 (5)

Toepassingen

Versnelde datasetannotatie

Gebruik SAM's aanwijsbare segmentatie om objecten in beeld datasets snel te labelen met eenvoudige klikken of vakken, waardoor handmatige annotatietijd voor ML-training pipelines wordt verkort.

Beeldbewerking en compositing

Genereer precieze objectmaskers voor het verwijderen van achtergrond, selectieve bewerkingen of compositing in creatieve tools zonder een aangepast segmentatiemodel te trainen.

Medische en wetenschappelijke beeldanalyse

Pas zero-shot segmentatie toe op medische scans of wetenschappelijke beelden om structuren van belang te isoleren, waardoor metingen en downstream-analyse worden ondersteund.

Robotica en AR/VR-waarneming

Integreer SAM in computer vision-pipelines voor objectisolatie in robotica-manipulatie of AR/VR-scènebegrip met behulp van punt- of vakaanwijzingen.

Pluspunten & minpunten

Pluspunten

Sterke zero-shot segmentatie op onzichtbare objecten
Flexibele aanwijzingen: punten, vakken of maskers
Open gewichten en grote openbare dataset
Gemakkelijk te integreren via officiële Python-bibliotheek

Minpunten

Groot model kan zwaar zijn voor real-time gebruik op CPU
Geeft geen semantische klasse-labels toe
Kwaliteit neemt af bij zeer kleine of fijne structuren
Heeft aanwijzingen of automatische maskergeneratie-opstelling nodig

Strijdrecord

Over 1 strijd in het Pantheon.

Last battle

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

Recensies

4.8

Gemiddelde van 5 beoordelingen.

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.

Vragen

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