Segment Anything Model (SAM)Meta AI:s grundnivåmodell för utskrift av bilder i flera objekt eller scenbild, baserad på prompt.

4.8 (5)

Granskat av Daniel Nikulshyn·Uppdaterad juli 2026

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

Översikt

Segment Anything Model (SAM) är en öppen bildsegmenteringssystem utvecklat av Meta AI Research. Med en bild och ett enkelt kommando som ett punkter, en rektangel eller en grov mask ställer det högkvalitativa segmenteringsmasker för nästan vad som helst, utan att behöva träna med specifik uppgift. SAM har tränats på SA-1B-datatypen, som innehåller över en miljard masker i 11 miljoner bilder, vilket ger det starka zäroskjutsgenereringsegenskaper. Det kan integreras i pipelines för bildförståning för uppgifter som märkning, bildredigering, medicinsk bildanalys, robotik, AR/VR samt vetenskaplig analys. Modellen och datasetet släpptas under tillåtande villkor, vilket gör att SAM är en vanlig byggsten för forskare och utvecklare som behöver flexibel segmentering utan att träna en anpassad modell från grunden.

Nyckelfunktioner

Deklarerbara avgränsning med punkter och boxar
Automatisk generering av mask för hela bilder
Preträdd ViT-baserad bildencoerare
Obemannad överföring till nya domäner
Åpna källkoden och SA-1B-datatjuven
Integrerar med PyTorch och vanliga mätstackar
API och SDK finns
API och SDK finns
API och SDK finns
API och SDK finns
Integrerar med PyTorch och vanliga mätstackar
API och SDK finns
Preträdd ViT-baserad bildencoerare
Obemannad överföring till nya domäner
Åpna källkoden och SA-1B-datatjuven
API och SDK finns
Deklarerbara avgränsning med punkter och boxar
Automatisk generering av mask för hela bilder
API och SDK finns
Preträdd ViT-baserad bildencoerare
Åpna källkoden och SA-1B-datatjuven
API och SDK finns
API och SDK finns
Integrerar med PyTorch och vanliga mätstackar
API och SDK finns
API och SDK finns
Preträdd ViT-baserad bildencoerare

Priser

Modell: Freemium
Kategori: Datorsyn
Betyg: 4.8 / 5 (5)

Användningsfall

Akcelinerade inskriptioner av dataset

Använd SAM:s deklarbara avgränsning för att snabbt märka objekt i image-data med enkla klick eller boxar, reducera manualt inmatad tid för ML-träningspipelin

“ ”

Bildredigering och sammansättnng

Generera noggranna objektsmåsar för bakgrundstillhörighet, selektivt ändringsarbete eller sammansättnng i kreativa verktyg utan tränande en annan avgränsning modell

“ ”

Medicinal och vetenskaplig bildbearbetning

Använd obemannad avgränsning till medicinska skann eller vetenskapliga avbildning för isolering av intressanta strukturer, stödja måtttagning och nerströmande analys

“ ”

Robotik och AR/VR perception

Integrera SAM med datorsyns pipliner för objektsisolering i robotmanipulering eller AR/VR scenvetenskaplig förståelse

“ ”

Fördelar och nackdelar

Fördelar

Starka obemannade avgränsingar på okända objekt
Fria prompts: punkter, bågar och masker
Åpna vikt och stor allmänhet datatjuven
Lätt att integrera med den officiella Python-biblioteket
Svensk avgränsing, vanliga mätstackar, API, SDK och PyTorch
API och SDK
API och SDK
Fria prompts: punkter, bågar och masker
API och SDK
API och SDK

Nackdelar

Stor modell kan vara tung för realtidssupport i CPU
Innanforsöker att tilldela semantisk klassetiketter
Kvalitén försämras på mycket små eller fina detaljer
Kräver anslag eller automatiskt maskgenereringskonfig

Stridsrekord

I 1 strid i Pantheon.

1:a

2:a

3:e

Last battle

#2
Computer Vision Showdown — February 5, 2024
Feb 5, 2024 · #2 of 8

Recensioner

4.8

Genomsnitt från 5 betyg.

Logga in för att lämna en recension.

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.

Frågor

Använder SAM semantiska klassetiketter för de segmenterade objekt?”

Nej, SAM producerar bara binära masker; det anvisar inga semantiska klassetiketter, så skulle du behöva en ytterligare klassificerare om etikettinformation krävs.

Asked by Giulia Conti · Mar 23, 2026

Kan SAM användas för real-tidsanvändning på CPU-en endast hårdvara?

Eftersom SAM:s ViT-baserade codec är stort fungerar det effektivt på GPU:n men kan vara långsamt på CPU:n, vilket gör att real-tids CPU-endast-distribution är utmanande för high-throughput-användningsfall.

Asked by Tariq Aziz · Feb 22, 2026

Vilka indatainställningar accepterar SAM för att generera sekvensmarkeringar?

SAM kan ta en punktklick, gränssnitt eller grova markeringar som indata, och det erbjuder även en automatisk läge som genererar markeringar för alla objekt i en bild utan någon användarinput.

Asked by Salome Beridze · Dec 22, 2025