نموذج تقسيم أي شيء للأجهزة المحمولة (MobileSAM)#

MobileSAM نموذج مدمج وفعّال لتقسيم الصور، صُمم خصيصًا للأجهزة المحمولة والأجهزة الطرفية. وقد صُمم لنقل إمكانات نموذج تقسيم أي شيء من Meta (SAM) إلى البيئات محدودة القدرة الحاسوبية، ويوفر MobileSAM تقسيمًا شبه فوري مع الحفاظ على التوافق مع مسار المعالجة الأصلي لـ SAM. وسواء كنت تطور تطبيقات آنية أو عمليات نشر خفيفة، يقدم MobileSAM نتائج تقسيم مبهرة مع احتياجات أقل بكثير من حيث الحجم والسرعة مقارنةً بأسلافه.

اعتُمد MobileSAM في مجموعة متنوعة من المشاريع، بما فيها Grounding-SAM وAnyLabeling وSegment Anything in 3D.

دُرّب MobileSAM على GPU واحد باستخدام مجموعة بيانات تضم 100k صورة (1% من الصور الأصلية) في أقل من يوم.

النماذج المتاحة والمهام المدعومة وأوضاع التشغيل#

يوضح الجدول أدناه نموذج MobileSAM المتاح وأوزانه المدرّبة مسبقًا والمهام المدعومة ومدى توافقه مع أوضاع التشغيل المختلفة مثل الاستدلال والتحقق والتدريب والتصدير. يُشار إلى الأوضاع المدعومة بالرمز ✅ وغير المدعومة بالرمز ❌.

مقارنة MobileSAM بـ YOLO#

تسلط المقارنة التالية الضوء على الاختلافات بين متغيرات SAM من Meta وMobileSAM ونماذج التقسيم من Ultralytics، بما فيها YOLO26n-seg:

يوضح هذا المقارنة الفروق الكبيرة في حجم النماذج وسرعتها بين إصدارات SAM ونماذج تجزئة YOLO. وبينما توفر نماذج SAM إمكانات فريدة للتجزئة التلقائية، فإن نماذج YOLO—ولا سيما YOLOv8n-seg وYOLO11n-seg وYOLO26n-seg—أصغر وأسرع وأكثر كفاءة حاسوبيًا بدرجة كبيرة.

قِيست سرعات SAM باستخدام PyTorch، وقِيست سرعات YOLO باستخدام ONNX Runtime. أُجريت الاختبارات على جهاز Apple M4 Air من عام 2025 بذاكرة RAM سعتها 16GB، باستخدام torch==2.10.0 وultralytics==8.4.31 وonnxruntime==1.24.4. لإعادة إنتاج هذه النتائج:

from ultralytics import ASSETS, SAM, YOLO, FastSAM

# ⁨تحليل أداء SAM2-t وSAM2-b وSAM-b وMobileSAM⁩
for file in ["sam_b.pt", "sam2_b.pt", "sam2_t.pt", "mobile_sam.pt"]:
    model = SAM(file)
    model.info()
    model(ASSETS)

# ⁨أنشئ ملفًا تعريفيًا لـ FastSAM-s⁩
model = FastSAM("FastSAM-s.pt")
model.info()
model(ASSETS)

# ⁨تحليل أداء نماذج YOLO (ONNX)⁩
for file_name in ["yolov8n-seg.pt", "yolo11n-seg.pt", "yolo26n-seg.pt"]:
    model = YOLO(file_name)
    model.info()
    onnx_path = model.export(format="onnx", dynamic=True, nms=False)  # ⁨رأس NMS-free في YOLO26؛ لا إجراء لـ YOLOv8/YOLO11⁩
    model = YOLO(onnx_path)
    model(ASSETS)

الانتقال من SAM إلى MobileSAM#

يحافظ MobileSAM على خط المعالجة نفسه الذي يستخدمه SAM الأصلي، بما في ذلك المعالجة المسبقة والمعالجة اللاحقة وجميع الواجهات. وهذا يعني أنه يمكنك الانتقال من SAM إلى MobileSAM مع إجراء تغييرات طفيفة على سير عملك.

يكمن الاختلاف الأساسي في مشفّر الصور: إذ يستبدل MobileSAM مشفّر ViT-H الأصلي (637M معلمة) بمشفّر Tiny-ViT أصغر بكثير (5M معلمات). وعلى وحدة GPU واحدة، يعالج MobileSAM الصورة في نحو 12ms (8ms للمشفّر و4ms لفك ترميز القناع).

مقارنة مشفّرات الصور القائمة على ViT#

مفكّك ترميز الأقنعة الموجّه بالمطالبات#

مقارنة خط المعالجة الكامل#

يوضّح الشكل أدناه أداء MobileSAM وSAM الأصلي باستخدام مطالبات النقاط والمربعات.

حجم MobileSAM أصغر بنحو 7 مرات وسرعته أعلى بنحو 5 مرات من FastSAM. لمزيد من التفاصيل، تفضّل بزيارة صفحة مشروع MobileSAM.

اختبار MobileSAM في Ultralytics#

كما هو الحال مع SAM الأصلي، توفر Ultralytics واجهة بسيطة لاختبار MobileSAM، وتدعم مطالبات النقاط والمربعات.

تنزيل النموذج#

نزّل الأوزان المدرّبة مسبقًا لـ MobileSAM من أصول Ultralytics.

مطالبة النقطة#

from ultralytics import SAM

# ⁨حمّل النموذج⁩
model = SAM("mobile_sam.pt")

# ⁨تنبأ بقسم اعتمادًا على مطالبة نقطة واحدة⁩
model.predict("ultralytics/assets/zidane.jpg", points=[900, 370], labels=[1])

# ⁨تنبأ بأقسام متعددة اعتمادًا على مطالبات نقاط متعددة⁩
model.predict("ultralytics/assets/zidane.jpg", points=[[400, 370], [900, 370]], labels=[1, 1])

# ⁨تنبأ بقسم اعتمادًا على مطالبات نقاط متعددة لكل كائن⁩
model.predict("ultralytics/assets/zidane.jpg", points=[[[400, 370], [900, 370]]], labels=[[1, 1]])

# ⁨تنبأ بقسم باستخدام مطالبات إيجابية وسلبية معًا.⁩
model.predict("ultralytics/assets/zidane.jpg", points=[[[400, 370], [900, 370]]], labels=[[1, 0]])

مطالبة المربع#

from ultralytics import SAM

# ⁨حمّل النموذج⁩
model = SAM("mobile_sam.pt")

# ⁨تنبأ بقسم اعتمادًا على مطالبة مربع واحد⁩
model.predict("ultralytics/assets/zidane.jpg", bboxes=[439, 437, 524, 709])

# ⁨تنبأ بأقسام متعددة اعتمادًا على مطالبات مربعات متعددة⁩
model.predict("ultralytics/assets/zidane.jpg", bboxes=[[439, 437, 524, 709], [114, 196, 313, 708]])

يشترك كل من MobileSAM وSAM في واجهة API نفسها. لمزيد من تفاصيل الاستخدام، راجع وثائق SAM.

إنشاء مجموعات بيانات التجزئة تلقائيًا باستخدام نموذج كشف#

لـوضع تعليقات توضيحية على مجموعة بياناتك تلقائيًا باستخدام إطار عمل Ultralytics، استخدم الدالة auto_annotate كما هو موضح أدناه:

from ultralytics.data.annotator import auto_annotate

auto_annotate(data="path/to/images", det_model="yolo26x.pt", sam_model="mobile_sam.pt")

الاستشهادات والشكر والتقدير#

إذا كان MobileSAM مفيدًا في أبحاثك أو تطويرك، فيُرجى التفكير في الاستشهاد بالورقة البحثية التالية:

@article{mobile_sam,
  title={Faster Segment Anything: Towards Lightweight SAM for Mobile Applications},
  author={Zhang, Chaoning and Han, Dongshen and Qiao, Yu and Kim, Jung Uk and Bae, Sung Ho and Lee, Seungkyu and Hong, Choong Seon},
  journal={arXiv preprint arXiv:2306.14289},
  year={2023}
}

اقرأ ورقة MobileSAM كاملة على arXiv.

الأسئلة الشائعة#