企业官网建设流程全解析

micro-sam CLI命令完整参考：9个命令行工具快速搭建自动化标注与训练工作流

【免费下载链接】micro-samSegment Anything for Microscopy项目地址: https://gitcode.com/gh_mirrors/mi/micro-sam

micro-sam（μSAM）是面向显微镜图像的全自动分割与追踪框架，基于 Segment Anything 模型打造。它内置了9 个 CLI 命令行工具，覆盖从环境检查、特征预计算、交互式标注、模型微调、自动分割到定量评估的完整流程。本文以新手视角逐一讲解每个命令的用途与关键参数，帮你 10 分钟搭好自动化标注与训练工作流。

一键安装 micro-sam CLI 工具

所有命令行工具都随包自动注册，装好即可用，无需额外配置：

# 方式一：pip 安装 pip install micro_sam # 方式二：conda 安装（推荐新手使用独立环境） conda create -c conda-forge -n micro-sam micro_sam conda activate micro-sam

💡 9 个命令均以micro_sam.为前缀，例如micro_sam.info、micro_sam.train。注册入口定义在 setup.cfg，官方命令清单见 doc/cli_tools.md。

9 个 CLI 命令速览

环境自检：micro_sam.info

安装完成后第一件事——运行环境自检：

micro_sam.info

它会以表格形式展示 Python 包版本、PyTorch 版本、GPU 可用性、CPU/内存占用等系统级信息，是排查"GPU 为何没生效"这类问题的首选工具。源码位于 micro_sam/util.py。

提速关键：micro_sam.precompute_embeddings

SAM 模型最耗时的一步是计算图像特征。micro-sam支持把特征缓存到磁盘，标注、微调、分割时直接复用：

micro_sam.precompute_embeddings \ -i /path/to/images \ -e /path/to/embeddings.zarr \ --pattern '*' \ -m unet_vit_b \ --ndim 2

关键参数：

• -i输入路径（支持 tif、png、hdf5、zarr 等）；-e特征输出路径
• --pattern用通配符批量选择文件
• -m指定模型类型；--ndim指定图像空间维度（2D/3D），强烈建议显式设置
• 内存不够时可加--tile_shape/--halo启用分块计算

实现见 micro_sam/precompute_state.py。

交互式标注三连：annotator_2d / annotator_3d / annotator_tracking

2D 标注：micro_sam.annotator_2d

启动后打开 napari 图形界面，只需在目标细胞上"点几下"即可完成分割，点击负反馈点可修正过分割：

micro_sam.annotator_2d -i /path/to/image.tif -m unet_vit_b

3D 标注：micro_sam.annotator_3d

用于体数据（volume），支持逐层分割并自动传播到相邻切片，适合电镜下的线粒体、核等结构：

micro_sam.annotator_3d -i /path/to/volume.ome.tif -m unet_vit_b --ndim 3

时序追踪：micro_sam.annotator_tracking

在 2D 标注基础上增加时间轴管理，可交互式追踪活细胞轨迹，并导出追踪结果（CTC 格式）：

micro_sam.annotator_tracking -i /path/to/timeseries -m unet_vit_b --ndim 3

三者共享同一套模型选择器，可在界面里随时切换unet_vit_t/b/l、sam_vit_b/h、mobile_sam等预训练模型：

批量处理：micro_sam.image_series_annotator

当你的数据是"同一个实验产生的几十张图"时，逐张打开标注器很麻烦。图像序列标注器允许你在一个窗口内遍历整个目录，前一张标完一键跳到下一张，结果自动分别保存：

micro_sam.image_series_annotator -i /path/to/folder --pattern '*.tif' -m unet_vit_b

无人值守分割：micro_sam.automatic_segmentation

把标注好的模型跑成全自动流水线，支持 2D/3D/时间序列数据，也支持自动追踪。三种模式由--mode控制：

# 自动实例分割（AIS，需微调过带实例解码器的模型） micro_sam.automatic_segmentation -i input.tif -o output/ \ -m unet_vit_b --mode ais --ndim 2 # 自动提示生成（APG）或通用掩码生成（AMG） micro_sam.automatic_segmentation -i input.tif -o output.tif \ -m unet_vit_b --mode apg --center_distance_threshold 10

• -i输入文件（可多个）；-o输出路径（单图为 tif，多图为目录；追踪结果输出 CTC 格式）
• --mode amg/ais/apg：AMG 支持默认 SAM 与微调解；AIS/APG 需要带实例分割解码器的micro-sam模型
• 不改参数时使用该模型的官方最优后处理参数；想精细调参可加--pred_iou_thresh、--stability_score_thresh等

注意：3D 自动分割要求数据是真正的体积文件（如 ome-tiff），不支持简单堆叠的 png。实现见 micro_sam/automatic_segmentation.py。

用自有数据训练：micro_sam.train

这是搭建"专属模型"的核心命令——把你的标注数据喂给 SAM 做微调：

micro_sam.train \ --image_data /path/to/images \ --label_data /path/to/labels \ --val_image_data /path/to/val_images \ --val_label_data /path/to/val_labels \ -c instance_segmentation \ -d cuda \ -m unet_vit_b \ --checkpoint /path/to/checkpoint.pt \ -o /path/to/output

• --image_data/--label_data：训练图像与真值标签（文件或目录）
• --val_*：验证集
• -c训练配置（如instance_segmentation）；-d设备（cuda/cpu/mps）
• -m基础模型；--checkpoint从已下载的微调 checkpoint 继续训练，精度更高
• --with_segmentation_decoder训练带实例分割解码器的模型（AIS/APG 模式所需）

参数细节见 micro_sam/training/training.py，更多微调策略参考 finetuning/README.md。

定量评估：micro_sam.evaluate

分割完成后的"交卷检查"——用真值标签对比预测结果，输出 Dice、F1、AP、AR、AF 等指标：

micro_sam.evaluate \ --labels /path/to/labels.tif \ --predictions /path/to/predictions.tif \ --ndim 2

评估逻辑位于 micro_sam/evaluation/evaluation.py。

基准测试：micro_sam.benchmark_sam

想系统对比micro-sam与原版 SAM 在公开显微数据集上的表现？benchmark_sam一键跑完整基准测试，支持lucchi、mitoem、snemi等数据集：

micro_sam.benchmark_sam -d lucchi -m unet_vit_b

源码见 micro_sam/evaluation/benchmark_datasets.py。

实战工作流：从标注到评估只需 6 步

把上面命令串起来，就是一条完整的自动化工作流：

1. 自检：micro_sam.info确认 GPU 与版本
2. 预计算特征：micro_sam.precompute_embeddings -i ... -e embed.zarr
3. 标注数据：micro_sam.annotator_2d点击式分割，导出真值
4. 微调模型：micro_sam.train --image_data ... --label_data ...
5. 自动分割：micro_sam.automatic_segmentation -i ... --mode ais
6. 定量评估：micro_sam.evaluate --labels ... --predictions ...

📌 小贴士

• 每个命令加-h即可查看完整参数说明，例如micro_sam.annotator_2d -h
• 处理大图像/大体积时显式设置--ndim，避免读入维度出错
• 标注数据量大时，先预计算 embeddings 可把后续步骤提速数倍

掌握这 9 个 CLI 命令，你就能在终端里跑通micro-sam的"标注 → 训练 → 分割 → 评估"全流程，把交互式点击标注与无人值守批量处理无缝结合起来。更多细节可查阅 doc/cli_tools.md、doc/annotation_tools.md 与 doc/finetuned_models.md。

【免费下载链接】micro-samSegment Anything for Microscopy项目地址: https://gitcode.com/gh_mirrors/mi/micro-sam