Segment Anything Model (SAM)Metas AI-grunnmodel for promptbarne bilde-segmentering over noen eller scenen.

4.8 (5)

Anmeldt av Daniel Nikulshyn·Oppdatert juli 2026

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

Oversikt

Segment Anything Model (SAM) er en åpen bildebegrunnelsesystem utviklet av Meta AI Research. I henhold til et enkelt prompt som et punkt, en boks eller en grov masker, produserer det høykvalitetsbegerunnselsesmasker for nærmest ethvert objekts, uten å behøve taskspesifik trening. Segment Anything Model (SAM) ble trent på SA-1B-datasettet, som inneholder over en milliard masker i 11 millioner bilder. Dette gir det sterke null-skotts generaliseringsevne. Det kan integreres i bildeforvaltningspålegg til oppgaver som annotasjon, bildebehandling, medisinsk bildebehandling, robotikk, augmented reality (AR)/virtual reality (VR) og vitenskapelig analyse. Modellen og datamaterialet blir gitt ut av under permissivt licensavtale, noe som gjør SAM til et vanlig byggemalm for forskere og utviklere som trenger fleksibel segmentering uten å trenings en egen modell fra grunnen av.

Nøkkelfunksjoner

Promptbarne segmentering med punkter og bokser
Automatisk maskgenerator for hele bilder
Forhånds trent ViT-basert bildeencoder
Nøytral overføring til nye domener uten trening
Åpne kilder og SA-1B-dataset
Integrasjoner med PyTorch og vanlige CV-stakker

Priser

Modell: Freemium
Kategori: Maskinvisjon
Vurdering: 4.8 / 5 (5)

Brukstilfeller

Forbedret datasettannering

Bruk SAMs promptbarne segmentering til å raskt merke objekter i bildedatasetter med enkle klikk eller bokser, og kutte manuell anneringsarbeidstid for ML-trainingsløkker.

Bildebehandling og kompositering

Generer nøyaktige objektmasker for bakgrunnsfjerning, selektivt redigering eller kompositering i kreative verktøy uten å trene en egen segmenteringsmodell.

Medicinske og vitenskapelige bildeanalyser

Bruk nøytral segmentering på medicinske skanner eller vitenskapelige bilder til å isolere strukturen av interesse, og bidra til måling og nedstrømsanalyse.

Robotikk og AR/VR persepsjon

Integrer SAM i computer visuellingsløkker for å isolere objekter i robotikk manipulasjon eller AR/VR scenelukning ved å bruke punktre eller boksprompts.

Fordeler og ulemper

Fordeler

Sterk nøytral segmentering av ukjente objekter
Fleksible prompts: punkter, bokser eller masker
Åpne vekt og stort offentlig datasett
lett å integrere via offisiell Python-bibliotek

Ulemper

Stor model kan være tung å bruke på CPU i realtid
Den tilknytner ikke semantiske klasselabeler
Kvaliteten forringes på meget små eller fine strukturer
Båndlagr med prompts eller automatisk maskgeneratorinnstilling

Anmeldelser

4.8

Gjennomsnitt fra 5 vurderinger.

Logg inn for å legge igjen en anmeldelse.

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.

Spørsmål

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