Segment Anything Model (SAM)Базова модель Meta AI для сегментації зображень за запитом у будь‑якому об’єкті чи сцені.

4.8 (5)

Перевірено Daniel Nikulshyn·Оновлено липень 2026 р.

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

Огляд

Segment Anything Model (SAM) – це відкритий система сегментації зображень, розроблена Meta AI Research. За наявності зображення й простого prompt‑у, наприклад точки, прямокутника або грубої маски, вона створює маски високої якості для практично будь‑якого об’єкта, не потребуючи спеціального навчання. SAM був натренований на наборі даних SA‑1B, що містить понад мільярд масок у 11 мільйонів зображень, що забезпечує потужну zero‑shot генералізацію. Модель можна інтегрувати у пайплайни комп’ютерного зору для задач як аннотація, редагування зображень, медична візуалізація, робототехніка, AR/VR та науковий аналіз. Модель й набір даних випущені з відкритим ліцензійним режимом, що робить SAM загальним базовим блоком для дослідників та розробників, які потребують гнучкої сегментації без тренування власної моделі з нуля.

Ключові функції

Сегментація за запитом з використанням точок та прямокутників
Автоматичне генерування масок для всіх зображень
Попередньо натренований енкодер зображень на базі ViT
Zero-shot перенесення до нових доменів
Код відкритий і набір даних SA‑1B відкритий
Інтегрується з PyTorch та поширеними стеками комп’ютерного зору

Ціни

Модель: Freemium
Категорія: Комп'ютерне бачення
Рейтинг: 4.8 / 5 (5)

Кейси використання

Швидке анотування датасетів

Використовуйте сегментацію за запитом SAM для швидкого позначення об’єктів у датасетах зображень простими кліками або прямокутниками, скорочуючи час ручного анотування для конвеєрів ML‑навчання.

Редагування зображень та композиція

Генеруйте точні маски об’єктів для видалення фону, селективних редагувань або композицій у творчих інструментах без тренування власної моделі сегментації.

Медичний та науковий аналіз зображень

Застосовуйте zero‑shot сегментацію до медичних сканів або наукових зображень для ізоляції структур зацікавленості, що полегшує вимірювання та подальший аналіз.

Робототехніка та AR/VR сприйняття

Інтегруйте SAM у пайплайни комп’ютерного зору для ізоляції об’єктів у робототехніці або AR/VR розумінні сцени з використанням точок або прямокутників.

Плюси і мінуси

Плюси

Висока точність zero-shot сегментації невідомих об’єктів
Гнучкі prompt‑и: точки, прямокутники або маски
Відкриті ваги й великий публічний набір даних
Легко інтегрується через офіційну бібліотеку Python

Мінуси

Велика модель може бути важкою для використання в реальному часі на CPU
Не призначає семантичні класові мітки
Якість знижена при дуже малих або тонких структурах
Вимагає налаштування prompt‑ів або автоматичної генерації масок

Відгуки

4.8

Середнє з 5 оцінок.

Увійди, щоб залишити відгук.

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.

Питання

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