Segment Anything Model (SAM)Model bazowy Meta AI do segmentacji obrazów na żądanie w dowolnym obiekcie lub scenie

4.8 (5)

Zrecenzowane przez Daniel Nikulshyn·Zaktualizowano lipiec 2026

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

Przegląd

Segment Anything Model (SAM) jest otwartym układem segmentacji obrazu wytworzonym przez zespół badań Meta AI. Podstawiono mu zdjęcie i prosty opis w postaci punktu, prostokąta czy rough maski, i otrzymuje się segmentacje wysokiej jakości dla prawie jakiegokolwiek obiektu, bez potrzeby szkolenia specjalizowanego w konkretnej dziedzinie. Model SAM został szkolony na zestawie danych SA-1B, który zawiera ponad miliard mask ponad 11 milionów obrazów, co umożliwia mu silne ogólne przyswojenie się bez wcześniejszego szkolenia. Może być włączony do pipeline'ów wzorcowania obiektów w zastosowaniach takich jak anotacja, edycja obrazu, medyczne obrazowanie, robotyka, AR/VR oraz analiza naukowa. Model i zestaw danych są udostępniane pod permissywnymi warunkami, czyniąc SAM popularną bazą dostępną dla badaczy i deweloperów, którzy potrzebują elastycznego rozróżniania bez szkolenia modelu w domenie.

Kluczowe funkcje

Segmentacja na żądanie za pomocą punktów i prostokątów
Automatyczne generowanie masek dla całych obrazów
Przedtrenowany enkoder obrazowy oparty na ViT
Transfer zero-shot do nowych domen
Kod otwarty oraz zbiór danych SA-1B
Integruje się z PyTorch i popularnymi zestawami CV

Cennik

Model: Freemium
Kategoria: Widzenie Komputerowe
Ocena: 4.8 / 5 (5)

Zastosowania

Szybka anotacja zbiorów danych

Wykorzystaj segmentację na żądanie SAM, aby szybko oznaczać obiekty w zbiorach danych obrazowych klikając proste punkty lub prostokąty, co skraca ręczny czas anotacji w potokach treningu ML

Edycja obrazów i kompozycja

Generuj precyzyjne maski obiektów do usuwania tła, selektywnej edycji czy kompozycji w narzędziach kreatywnych, bez trenowania własnego modelu segmentacji

Analiza obrazów medycznych i naukowych

Zastosuj segmentację zero-shot na skanach medycznych lub obrazach naukowych, aby izolować struktury zainteresowania, co ułatwia pomiary i dalszą analizę

Percepcja w robotyce i AR/VR

Zintegruj SAM z potokami wizji komputerowej do izolacji obiektów w manipulacji robotycznej lub rozumieniu scen AR/VR, korzystając z poleceń punktowych lub prostokątnych

Plusy i minusy

Plusy

Silna segmentacja zero-shot na nieznanych obiektach
Elastyczne polecenia: punkty, prostokąty lub maski
Otwarte wagi i duży publiczny zbiór danych
Łatwe do integracji dzięki oficjalnej bibliotece Python

Minusy

Duży model może być ciężki do wykorzystania w czasie rzeczywistym na CPU
Nie przypisuje etykiet semantycznych klas
Jakość spada dla bardzo małych lub drobnych struktur
Wymaga ustawienia poleceń lub automatycznej generacji masek

Recenzje

4.8

Średnia z 5 ocen.

Zaloguj się, aby zostawić recenzję.

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.

Pytania i odpowiedzi

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