Segment Anything Model (SAM)——卷起来了，那个号称分割一切的CV大模型他来了(segment anything model模型需要的配置)

发布时间：2024-01-16

Segment Anything Model (SAM)——卷起来了，那个号称分割一切的CV大模型他来了

推荐整理分享Segment Anything Model (SAM)——卷起来了，那个号称分割一切的CV大模型他来了(segment anything model模型需要的配置)，希望有所帮助，仅作参考，欢迎阅读内容。

文章相关热门搜索词:segment anything model模型需要的配置,segment anything model,segment anything model最新版本,segment anything model模型需要的配置,segment anything model官网,segment anything model github,segment anything model,segment anything model配置,内容如对您有帮助，希望把文章链接给更多的朋友！

最近每天打开微信看到10个公众号里面差不多有11个都在各种玩赚chatGPT，每个都在说是各种大好风口，哎，看得眼睛都是累的。

今天下午无意间看到Meta发布了一款号称能分割一切的CV大模型，CV圈也开始卷起来，今年各种大模型要爆发了感觉。

吃瓜群众满怀好奇，点开了解一下。

官方论文在这里，感兴趣可以自行阅读。

官方同时也开源了项目，地址在这里，如下所示：

可以看到：才开源了一天的时间就已经有6k的star量了，后续增长感觉会更猛的！

官方也给出来了数据集地址，在这里，如下所示：

有需要的话可以自行下载使用即可。

当然了这么精彩的技术自然不会少的了技术博客的介绍，官方的技术博客在这里。

为了能让大家第一时间上手体验，这里官方也是开放出来了Demo地址，在这里，如下所示：

上传一张我本地的图片，用的就是上一篇博客摔倒检测的数据集，如下：

我添加了一个box，瞬间就给我分割出来了，如下：

随着光标的移动，模型给出来的响应也是很快的：

甚至还可以一键cutout所有的子对象如下：

很强大了已经。

官方这里也提供了很多实例图片，简单看下：

选择小狗试试吧：

Segment Anything Model (SAM)——卷起来了，那个号称分割一切的CV大模型他来了(segment anything model模型需要的配置)

添加box对指定区域直接分割：

再来一张：

效果如下：

指定区域分割：

最后再来试一下：

效果如下：

感兴趣的话都可以自己玩玩体验一下。

当然了如果想要自己安装使用也是可以的，官方同样给了安装说明如下：

先安装一些基础依赖pip install opencv-python pycocotools matplotlib onnxruntime onnx安装SAM方法一：pip install git+https://github.com/facebookresearch/segment-anything.git方法二：git clone git@github.com:facebookresearch/segment-anything.gitcd segment-anything; pip install -e .

模型库在这里，需要的自行下载即可。

使用方法也很简单如下：

#from a given prompt:from segment_anything import build_sam, SamPredictor predictor = SamPredictor(build_sam(checkpoint="</path/to/model.pth>"))predictor.set_image(<your_image>)masks, _, _ = predictor.predict(<input_prompts>)

或者也可以如下使用：

#generate masks for an entire image:from segment_anything import build_sam, SamAutomaticMaskGeneratormask_generator = SamAutomaticMaskGenerator(build_sam(checkpoint="</path/to/model.pth>"))masks = mask_generator_generate(<your_image>)

当然了，mask也可以通过命令行生成，如下：

python scripts/amg.py --checkpoint <path/to/sam/checkpoint> --input <image_or_folder> --output <output_directory>

关于两种不同的调用计算方式，官方也都给出来了详细的demo样例如下：

predictor_example

automatic_mask_generator_example

想要导出onnx格式的话也是可以的，如下：

python scripts/export_onnx_model.py --checkpoint <path/to/checkpoint> --output <path/to/output>

这里一共提供了H、L、B三种不同size的模型，如下：

ViT-H SAM modelViT-L SAM modelViT-B SAM model

三种不同模型体积如下：

可以根据自己的兴趣自由使用即可。

今天就简单到这里了，后面找时间在仔细看看吧！