当前位置：首页 > news >正文

SAM 2 (Segment Anything )：图像与视频通用分割模型

news 来源：原创 2025/4/26 6:08:43

本文翻译整理自：https://github.com/facebookresearch/sam2

文章目录

- 一、关于 SAM 2
- - 相关链接资源
  - 关键功能特性
- 二、最新更新
- - 1、2024-12-11 更新
  - 2、2024-09-30 更新
- 三、安装指南
- - 系统要求
  - 安装步骤
  - Windows 用户注意
  - 额外依赖（运行示例笔记本）
  - 安装注意事项
- 四、快速入门
- - 1、下载模型检查点
  - 2、图像分割示例
  - 3、视频分割示例
- 五、从 Hugging Face 加载
- - 1、图像预测
  - 2、视频预测
- 六、模型描述
- - 1、SAM 2.1 检查点（2024-09-29 发布）
  - 2、SAM 2 检查点（2024-07-29 发布）

一、关于 SAM 2

在这里插入图片描述

Segment Anything Model 2 (SAM 2) 是一个基础模型，旨在解决图像和视频中的可提示视觉分割问题。

将单帧图像视为视频的特殊形式，从而将 SAM 的能力扩展到视频领域。该模型采用简单的 Transformer 架构，并引入流式内存机制以实现实时视频处理。

构建了一个"模型在环"数据引擎，通过用户交互持续优化模型和数据，最终收集了迄今为止最大的视频分割数据集 SA-V。

基于该数据集训练的 SAM 2 在广泛的任务和视觉领域都展现出强大性能。

在这里插入图片描述

关键功能特性

1、统一图像与视频分割：通过将图像视为单帧视频，实现统一处理框架
2、实时视频处理：采用流式内存的 Transformer 架构，支持实时推理
3、多目标跟踪：支持视频中多个对象的独立推理与跟踪
4、模型优化：支持 torch.compile 全模型编译，显著提升推理速度
5、大规模数据集：基于 SA-V 数据集（当前最大视频分割数据集）训练

二、最新更新

1、2024-12-11 更新

支持全模型 torch.compile 编译，通过设置 vos_optimized=True 可显著提升视频对象分割(VOS)推理速度
更新 SAM2VideoPredictor 实现，支持多目标跟踪中独立的对象推理
详情查看：RELEASE_NOTES.md

2、2024-09-30 更新

发布 SAM 2.1 系列改进模型检查点（详见模型描述）
开放训练与微调代码：training/README.md
发布网页版 Demo 代码：demo/README.md

三、安装指南

系统要求

Python ≥ 3.10
PyTorch ≥ 2.5.1 和 torchvision ≥ 0.20.1

安装步骤

git clone https://github.com/facebookresearch/sam2.git && cd sam2
pip install -e .

Windows 用户注意

强烈建议使用 WSL 配合 Ubuntu 环境安装。

额外依赖（运行示例笔记本）

pip install -e ".[notebooks]"

安装注意事项

1、推荐使用 Anaconda 创建新 Python 环境
2、需安装匹配 PyTorch 版本的 CUDA 工具包
3、若出现 Failed to build the SAM 2 CUDA extension 警告可忽略（仅影响部分后处理功能）
4、更多问题参考：INSTALL.md

四、快速入门

1、下载模型检查点

下载所有检查点：

cd checkpoints && ./download_ckpts.sh && cd ..

或单独下载：

sam2.1_hiera_tiny.pt
sam2.1_hiera_small.pt
sam2.1_hiera_base_plus.pt
sam2.1_hiera_large.pt

2、图像分割示例

import torch
from sam2.build_sam import build_sam2
from sam2.sam2_image_predictor import SAM2ImagePredictorcheckpoint = "./checkpoints/sam2.1_hiera_large.pt"
model_cfg = "configs/sam2.1/sam2.1_hiera_l.yaml"
predictor = SAM2ImagePredictor(build_sam2(model_cfg, checkpoint))with torch.inference_mode(), torch.autocast("cuda", dtype=torch.bfloat16):predictor.set_image(<your_image>)masks, _, _ = predictor.predict(<input_prompts>)

更多图像用例参考：

交互式分割：image_predictor_example.ipynb
自动掩码生成：automatic_mask_generator_example.ipynb

3、视频分割示例

import torch
from sam2.build_sam import build_sam2_video_predictorcheckpoint = "./checkpoints/sam2.1_hiera_large.pt"
model_cfg = "configs/sam2.1/sam2.1_hiera_l.yaml"
predictor = build_sam2_video_predictor(model_cfg, checkpoint)with torch.inference_mode(), torch.autocast("cuda", dtype=torch.bfloat16):state = predictor.init_state(<your_video>)# 添加新提示并立即获取当前帧输出frame_idx, object_ids, masks = predictor.add_new_points_or_box(state, <your_prompts>)# 在视频中传播提示以获取连续掩码for frame_idx, object_ids, masks in predictor.propagate_in_video(state):...

视频用例详情参考：video_predictor_example.ipynb

五、从 Hugging Face 加载

1、图像预测

from sam2.sam2_image_predictor import SAM2ImagePredictor
predictor = SAM2ImagePredictor.from_pretrained("facebook/sam2-hiera-large")

2、视频预测

from sam2.sam2_video_predictor import SAM2VideoPredictor
predictor = SAM2VideoPredictor.from_pretrained("facebook/sam2-hiera-large")

六、模型描述

1、SAM 2.1 检查点（2024-09-29 发布）

模型	参数量(M)	速度(FPS)	SA-V测试(J&F)	MOSE验证(J&F)	LVOS v2(J&F)
sam2.1_hiera_tiny	38.9	91.2	76.5	71.8	77.3
sam2.1_hiera_small	46	84.8	76.6	73.5	78.3
sam2.1_hiera_base_plus	80.8	64.1	78.2	73.7	78.2
sam2.1_hiera_large	224.4	39.5	79.5	74.6	80.6