Segment Anything Model (SAM)Meta AI'nin temel modeli, herhangi bir nesne veya sahne için istenen görüntüleme segmentasyonuna olanak tanıyan.

4.8 (5)

İnceleyen Daniel Nikulshyn·Güncellendi Temmuz 2026

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

Genel Bakış

Segment Anything Model (SAM), Meta AI Araştırmaları tarafından geliştirilen açık bir görüntü segmentasyon sistemidir. Bir görüntü ve basit bir emir gibi bir nokta, kutu veya temel mask gibi bir şeye verilen, işlevspecifik eğitim ihtiyacı olmadan neredeyse herhangi bir nesneyi yüksek kaliteli segmentasyon maske üretir. SAM 1B veri setinde eğitildi ki bu veri setinde 11 milyon görselin üzerindeki 1 milyarın üzerinde maskeler bulunmakta. Bu, güçlü sıfır-shot genellemeye sahip olmasına neden olmaktadır. SAM, bilgisayar görsel işleme akışları içerisine entegre edilebilir halde, vurgulama, görüntüdüzenleme, tıbbi resim işleme, robotik, AR/VR ve bilimsel analiz gibi görevler için kullanılabilir. Model ve veri seti, esnek segmentasyona ihtiyaç duyan araştırmacılar ve geliştiriciler için kendi modelini öncesinden eğitmeden hızlı bir şekilde yapı taşı olan SAM oluşturmak için permissizlikli terimlere yayınlandı.

Temel özellikler

Punkt ve kutular ile isteğe bağlı segmentasyon
Görünümün tamamına otomatik maska oluşturma
Pretranined ViT tabanlı görüntü sürücüsü
Bereketli domain transferine izin veren sıfır-shot transfer
Açık-kaynak kod ve SA-1B veri kümesi
PyTorch ve ortak CV montaları ile entegre

Fiyatlar

Model: Freemium
Kategori: Bilgisayarlı Görü
Puan: 4.8 / 5 (5)

Kullanım senaryoları

Hızlandırılan veri kümesi etiketlemesi

SAM'ın isteğe bağlı segmentasyonunun kullanılmasına kolayca tıklama veya kutular kullanarak nesneleri etiketlemek için görüntüleme veri kümelerinin hızıla etiketlenmesi, ML eğitim döngülerinde el ile etiketleme süresini azaltmak için.

Görüntü düzenleme ve kompozisyon

İleri tedarik etiketlenmemiş segmentleme modeli inşa etmeye gerek duymadan geri plandaki silme, özelleştirilmiş düzenlemeler veya kompozisyonu sağlamak için dikkatli nesne maskaları oluşturmak için SAM'ı kullanın.

Tıbbî ve bilimsel görüntüleme analiz

Gücün sıfır-kaynağından segmentasyonya uygulanmasıyla tıbbî tarama veya bilimsel görüntü için yapısal yapıları izol etmek, ölçüm ve daha sonraki analizler için yardımcı olur.

Robotik ve AR/VR algılama

Robotics manuplasyonunda veya AR/VR sahneyi anlamak için nesne izolasyonu için Bilgisayar görüntüleme döngülerine SAM'ı entegre edin.

Artılar ve eksiler

Artılar

Görünür nesnelerin görülmemiş nesneleri karşılanmasina uygun güçlü sıfır-sıfır segmentasyon
Esnek isteklerin kullanılabilirliği: noktalar, kutular veya maskeler
Açık-ağız vekulları ve büyük özel veri kümesi
Kullanıcı dostu entegrasyon Pythonda resmi kütüphane kullanılarak

Eksiler

Büyük model CPU'de gerçek zamanlı kullanımda ağır olabilir
Semantiği sınıflandırma etiketi atamama
&Uygunluk küçük veya ince yapılar için düşüş
İsteğe bağlı maska oluşturma veya otomatik maska oluşturma kurulumu gerektirir

Savaş rekoru

Pantheon’da 1 savaş.

Last battle

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

İncelemeler

4.8

5 puandan ortalama.

İnceleme bırakmak için giriş yap.

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.

Sorular

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