Segment Anything Model (SAM)Modelo fundamental da Meta AI para segmentação de imagens com prompts em qualquer objeto ou cena.

4.8 (5)

Avaliado por Daniel Nikulshyn·Atualizado julho de 2026

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

Visão geral

O Segment Anything Model (SAM) é um sistema de segmentação de imagens aberto desenvolvido pela Meta AI Research. Dada uma imagem e um prompt simples, como um ponto, caixa ou máscara grosseira, ele produz máscaras de segmentação de alta qualidade para praticamente qualquer objeto, sem necessidade de treinamento específico para a tarefa. O SAM foi treinado no conjunto de dados SA-1B, que contém mais de um bilhão de máscaras em 11 milhões de imagens, proporcionando uma forte generalização de zero-shot. Ele pode ser integrado a pipelines de visão computacional para tarefas como anotação, edição de imagens, imagem médica, robótica, AR/VR e análise científica. O modelo e o conjunto de dados são lançados sob termos permissivos, tornando o SAM um bloco de construção comum para pesquisadores e desenvolvedores que precisam de segmentação flexível sem treinar um modelo personalizado do zero.

Funcionalidades principais

Segmentação com prompts usando pontos e caixas
Geração automática de máscaras para imagens inteiras
Codificador de imagem baseado em ViT pré-treinado
Transferência de zero-shot para novos domínios
Código aberto e conjunto de dados SA-1B
Integra com PyTorch e pilhas comuns de CV

Preços

Modelo: Freemium
Categoria: Visão Computacional
Avaliação: 4.8 / 5 (5)

Casos de uso

Anotação acelerada de conjuntos de dados

Use a segmentação com prompts do SAM para rotular rapidamente objetos em conjuntos de dados de imagens com cliques ou caixas simples, reduzindo o tempo de anotação manual para pipelines de treinamento de ML.

Edição de imagem e composição

Gere máscaras de objetos precisas para remoção de fundo, edições seletivas ou composição em ferramentas criativas sem treinar um modelo de segmentação personalizado.

Análise de imagem médica e científica

Aplique segmentação de zero-shot a exames médicos ou imagens científicas para isolar estruturas de interesse, auxiliando na medição e análise subsequente.

Percepção de robótica e AR/VR

Integre o SAM em pipelines de visão computacional para isolamento de objetos em manipulação de robótica ou compreensão de cena AR/VR usando prompts de ponto ou caixa.

Prós e contras

Prós

Segmentação de zero-shot forte em objetos não vistos
Prompts flexíveis: pontos, caixas ou máscaras
Pesos abertos e grande conjunto de dados público
Fácil de integrar via biblioteca oficial em Python

Contras

O grande modelo pode ser pesado para uso em tempo real na CPU
Não atribui rótulos de classe semântica
A qualidade cai em estruturas muito pequenas ou finas
Requer configuração de prompts ou geração automática de máscaras

Avaliações

4.8

Média de 5 avaliações.

Entra para deixar uma avaliação.

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.

Perguntas e respostas

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