Segment Anything Model (SAM)Model temelja Meta AI za segmentacijo slik z možnostjo vnosnih ukazov po kateremkoli objektu ali sceni.

4.8 (5)

Pregledal Daniel Nikulshyn·Posodobljeno julij 2026

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

Pregled

Segment Anything Model (SAM) je odprti sistem za segmentacijo slik, razvit s strani Meta AI Research. Ko je podana slika in preprost vhod, kot je točka, okvir ali groba maska, ustvarja visokokakovostne maske segmentacije za skoraj katerikoli predmet, brez potrebe po specifičnem usposabljanju za nalogo. Segment Anything Model (SAM) je bil usposobljen na naboru podatkov SA-1B, ki vsebuje več kot bilijon mask na 11 milijonih slik, kar mu omogoča močno zero-shot generalizacijo. Lahko se vključi v tokove računalniškega vida za naloge, kot so označevanje, urejanje slik, medicinska slikovna diagnostika, robotika, AR/VR in znanstvena analiza. Model in nabor podatkov sta izdan pod dovoljevalnimi pogoji, zaradi česar je SAM pogosta osnova za raziskovalce in razvijalce, ki potrebujejo fleksibilno segmentacijo brez treniranja lastnega modela od začetka.

Ključne funkcije

Segmentacija z možnostjo vnosnih ukazov z točkami in okvirji
Samodejno ustvarjanje mask za celotne slike
Predtrenirani ViT-ov enkoder slik
Zero-shot prenos na nove domene
Odprtokodno kodo in dataset SA-1B
Integrira se z PyTorch in standardnimi CV skladi

Cene

Model: Freemium
Kategorija: Računalniška vid
Ocena: 4.8 / 5 (5)

Primeri uporabe

Pospešana anotacija zbiorov podatkov

Uporabite SAM-ovo segmentacijo z vnosnimi ukazi za hitro označevanje predmetov v slikovnih zbirkah s preprostimi klikom ali okvirjem, kar skrajša ročno čas anotacije za pipeline za ML treniranje.

Urejanje slik in kompozicija

Ustvarite natančne maske predmetov za odstranjevanje ozadja, selektivne urejanja ali kompozicije v ustvarjalnih orodjih brez treniranja lastnega modela segmentacije.

Znanstvena in medicinska analiza slik

Uporabite zero-shot segmentacijo na medicinskih skenih ali znanstvenih slikah, da izolirate strukture po interesu, kar olajša merjenje in nadaljnjo analizo.

Robotika in zaznavanje AR/VR

Integrirajte SAM v računalniške vizijski tokov za izolacijo predmetov v robotiki manipulaciji ali AR/VR razumevanju scen s točkami ali okvirji.

Prednosti in slabosti

Prednosti

Značajna zero-shot segmentacija na neznanih objektih
Fleksibilni ukazi: točke, okvirji ali maske
Odprti uteži in velik javni dataset
Enostavno integrirajoče preko uradne Python knjižnice

Slabosti

Velik model je lahko težak za uporabo v realnem času na CPU
Ne dodeljuje semantičnih razrednih oznak
Kakovost pada pri zelo majhnih ali podrobnih strukturah
Zahteva nastavitve ukazov ali samodejnega generiranja mask

Ocene

4.8

Povprečje iz 5 ocen.

Prijavi se za oddajo ocene.

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.

Vprašanja

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