企业官网建设流程全解析

Segment Anything 完全使用指南：点一下就能分割图像中的任意对象

【免费下载链接】segment-anythingThe repository provides code for running inference with the SegmentAnything Model (SAM), links for downloading the trained model checkpoints, and example notebooks that show how to use the model.项目地址: https://gitcode.com/GitHub_Trending/se/segment-anything

Segment Anything（SAM）是 Meta AI 开源的图像分割模型：输入一个点或一个框，它就输出对应的对象掩码，也可以自动生成整张图的全部对象掩码。它在 1100 万张图像、11 亿个掩码的数据集上训练，零样本即可投入各类分割任务。

模型架构：三个组件如何协作

从上图可以看出，SAM 的推理由三个组件串联完成：

• 图像编码器：把整张图像编码为图像嵌入，只需计算一次，后续提示可反复复用
• 提示编码器：把点、框等提示编码成向量
• 掩码解码器：结合图像嵌入与提示，产出多个候选掩码并给出质量分数

图像编码一次后即可缓存，之后每加一个提示只跑轻量解码器，交互响应快。

SAM 安装步骤

环境要求：Python >= 3.8、PyTorch >= 1.7、TorchVision >= 0.8，建议安装带 CUDA 支持的版本。

git clone https://gitcode.com/GitHub_Trending/se/segment-anything cd segment-anything pip install -e .

如需掩码后处理、COCO 格式保存或运行示例 notebook，再安装可选依赖：pip install opencv-python pycocotools matplotlib onnxruntime onnx。模型权重文件见下文"三个模型版本怎么选"。

从点提示到掩码：最短可用示例

如图所示，SAM 对不同类型的提示都能输出高质量掩码：

• 点提示：点在对象内部，输出对应对象
• 框提示：框住目标区域，按框生成掩码
• 组合提示：点与框可叠加使用，进一步限定范围

from segment_anything import SamPredictor, sam_model_registry sam = sam_model_registry"vit_h" predictor = SamPredictor(sam) predictor.set_image(image) # RGB 图像，嵌入只计算一次 masks, scores, logits = predictor.predict(point_coords=[[x, y]], point_labels=[1])

set_image负责计算图像嵌入，predict可反复调用；单击提示有歧义时默认返回 3 个候选掩码，按scores取最高的即可。把上一次的掩码作为新提示传入，还能迭代细化结果。

自动生成整图掩码

不想逐点提示时，SamAutomaticMaskGenerator会在图上铺开点网格，自动过滤低质量和重复掩码，一次性输出整张图的所有对象；也可用仓库中的 scripts/amg.py 脚本在命令行批量处理图片文件夹。

在浏览器里跑 ONNX 演示

项目的 demo/ 目录提供一个纯前端 React 应用，用 ONNX Runtime Web 运行量化后的掩码解码器：

从上图可以看出，演示完全不依赖服务器：鼠标移动时掩码实时更新；WASM 多线程让预测保持流畅。

三个模型版本怎么选

• vit_h（默认）：backbone 最大，分割质量最好
• vit_l：中等规模，质量与速度折中
• vit_b：最小版本，显存或推理资源受限时使用

切换方式：把sam_model_registry传入的型号和对应 checkpoint 文件换掉即可，三个版本的权重均可从官方渠道下载。

适用场景

• 抠图与图像编辑：需要精确选区的用户点几下就能得到掩码，替代手动套索
• 数据集构建：批量生成整图掩码（COCO RLE 格式），直接喂给下游模型训练
• 视觉研究：作为零样本分割基线，省去针对目标数据集重新标注
• 工业质检：在产线图像中定位目标物或异常区域

写在最后

把"逐像素标注"压缩成几次点击，是 SAM 最实用的地方：装好依赖、下载权重后，几行代码就能拿到第一个掩码。建议先跑通上面的点提示示例，再打开仓库 notebooks/ 目录里的交互式 notebook 动手试试。 🎯

【免费下载链接】segment-anythingThe repository provides code for running inference with the SegmentAnything Model (SAM), links for downloading the trained model checkpoints, and example notebooks that show how to use the model.项目地址: https://gitcode.com/GitHub_Trending/se/segment-anything