Segment Anything Model (SAM)Modelul de bază al Meta AI pentru segmentarea imagistică promptabilă pe orice obiect sau scenă.

4.8 (5)

Recenzat de Daniel Nikulshyn·Actualizat iulie 2026

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

Prezentare

Segment Anything Model (SAM) este un sistem de segmentare a imaginii deschis dezvoltat de Meta AI Research. Având o imagine și un prompt simplu, cum ar fi un punct, o casetă sau o mască aproximativă, produce măști de segmentare de înaltă calitate pentru practic orice obiect, fără a necesita antrenament specific sarcinii. SAM a fost instruit pe setul de date SA-1B, care conține peste un miliard de măști pe 11 milioane de imagini, oferindu-i o generalizare puternică zero-shot. Poate fi integrat în conductele de vedere computerizată pentru sarcini precum adnotarea, editarea imaginii, imagistica medicală, robotica, AR/VR și analiza științifică. Modelul și setul de date sunt lansate sub termeni permisivi, făcând SAM un bloc comun de construcție pentru cercetători și dezvoltatori care au nevoie de segmentare flexibilă fără a antrena un model personalizat de la zero.

Funcții cheie

Segmentare promptabilă cu puncte și casete
Generarea automată a măștilor pentru întreaga imagine
Encoder de imagine bazat pe ViT preantrenat
Transfer zero-shot în noi domenii
Cod open-source și set de date SA-1B
Se integrează cu PyTorch și stivele comune de vedere computerizată

Prețuri

Model: Freemium
Categorie: Viziune Computațională
Evaluare: 4.8 / 5 (5)

Cazuri de utilizare

Anotarea accelerată a setului de date

Utilizați segmentarea promptabilă a SAM pentru a eticheta rapid obiectele în seturile de date de imagine cu clicuri simple sau casete, reducând timpul de adnotare manuală pentru conductele de antrenament ML.

Editarea și compoziția imaginii

Generați măști precise de obiect pentru eliminarea fundalului, editări selective sau compoziție în instrumente creative fără a antrena un model de segmentare personalizat.

Analiza imagistică medicală și științifică

Aplicați segmentarea zero-shot la scanările medicale sau imagistica științifică pentru a izola structurile de interes, ajutând măsurarea și analiza ulterioară.

Percepția roboticii și AR/VR

Integrează SAM în conductele de vedere computerizată pentru izolarea obiectelor în manipularea roboticii sau înțelegerea scenei AR/VR folosind prompts de punct sau casetă.

Pro și contra

Pro

Segmentare puternică zero-shot pe obiecte nevăzute
Prompts flexibili: puncte, casete sau măști
Greutăți deschise și set de date public mare
Ușor de integrat prin bibliotecă oficială Python

Contra

Modelul mare poate fi greu pentru utilizare în timp real pe CPU
Nu atribuie etichete de clasă semantică
Calitatea scade pe structuri foarte mici sau fine
Necesită configurarea generării automate a măștilor sau prompts

Recenzii

4.8

Medie din 5 evaluări.

Conectează-te pentru a lăsa o recenzie.

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.

Întrebări

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