SAM 3: تقسيم أي شيء باستخدام المفاهيم#

SAM 3 (نموذج تقسيم أي شيء 3) هو النموذج الأساسي الذي أطلقته Meta لـ تقسيم المفاهيم القابل للتوجيه (PCS). وبالاستناد إلى SAM 2، يقدّم SAM 3 قدرة جديدة جوهريًا: اكتشاف جميع الحالات لمفهوم مرئي تحدده المطالبات النصية أو أمثلة الصور أو كليهما، وتقسيمها وتتبعها. وعلى خلاف إصدارات SAM السابقة التي تقسّم كائنًا واحدًا لكل مطالبة، يستطيع SAM 3 العثور على كل ظهور لمفهوم في الصور أو مقاطع الفيديو وتقسيمه، بما يتماشى مع أهداف المفردات المفتوحة في تقسيم الحالات الحديث.

تم دمج SAM 3 بالكامل في الحزمة ultralytics، مع توفير دعم أصلي لتقسيم المفاهيم باستخدام المطالبات النصية ومطالبات أمثلة الصور وتتبع الفيديو. ويدعم النموذج نقطة التحقق الأحدث SAM 3.1 للتنبؤ بالصور.

نظرة عامة#

يحقق SAM 3 تحسنًا في الأداء بمقدار 2× مقارنةً بالأنظمة الحالية في تقسيم المفاهيم القابل للتوجيه، مع الحفاظ على قدرات SAM 2 في التقسيم المرئي التفاعلي وتحسينها. ويتفوق النموذج في التقسيم ذي المفردات المفتوحة، إذ يتيح للمستخدمين تحديد المفاهيم باستخدام عبارات اسمية بسيطة (مثل «حافلة مدرسية صفراء» و«قطة مخططة») أو تقديم صور نموذجية للكائن المستهدف. وتتكامل هذه الإمكانات مع مسارات العمل الجاهزة للإنتاج التي تعتمد على إجراءات التنبؤ والتتبع المبسطة.

ما تقسيم المفاهيم القابل للتوجيه (PCS)؟#

تستقبل مهمة PCS مطالبة بمفهوم كمدخل، وتُخرج أقنعة تقسيم ذات هويات فريدة لكل حالات الكائنات المطابقة. ويمكن أن تكون مطالبات المفاهيم:

• نصية: عبارات اسمية بسيطة مثل «تفاحة حمراء» أو «شخص يرتدي قبعة»، على غرار التعلّم دون أمثلة
• أمثلة صور: مربعات إحاطة حول كائنات نموذجية (إيجابية أو سلبية) للتعميم السريع
• مجتمعة: النص وأمثلة الصور معًا للتحكم الدقيق

يختلف ذلك عن المطالبات المرئية التقليدية (النقاط والمربعات والأقنعة)، التي تقسّم حالة كائن محددة واحدة فقط، كما اشتهرت بها عائلة SAM الأصلية.

مقاييس الأداء الرئيسية#

للاطلاع على سياق مقاييس النماذج والمفاضلات في بيئات الإنتاج، راجع رؤى تقييم النماذج ومقاييس أداء YOLO.

SAM 3.1#

SAM 3.1، الذي أطلقته Meta في 27 مارس 2026، هو نقطة تحقق جديدة لـ SAM 3 تضيف تعدد الكائنات، وهو نهج للذاكرة المشتركة لتتبع كائنات متعددة في الفيديو. وبدلًا من معالجة كل كائن متتبَّع على حدة، يجمع SAM 3.1 الكائنات في مجموعات ذات سعة ثابتة ويعالجها معًا؛ وتفيد Meta بأن ذلك يحقق تسريعًا بنحو ~7× عند تتبع 128 كائنًا على GPU واحد من طراز H100. ويظل كل من كاشف الصور ورأس المطالبات التفاعلية بالنقاط محافظًا على بنية SAM 3.

تحمّل Ultralytics نقطة التحقق SAM 3.1 (sam3.1_multiplex.pt) في متنبئات الصور SAM 3: SAM("sam3.1_multiplex.pt") لمطالبات النقاط والمربعات، وSAM3SemanticPredictor للمطالبات النصية ومطالبات الأمثلة. ولا يُدعم تتبع الفيديو باستخدام تعدد الكائنات بعد، لذا واصل استخدام sam3.pt مع SAM3VideoPredictor وSAM3VideoSemanticPredictor.

البنية#

يتألف SAM 3 من كاشف ومتعقّب يشتركان في العمود الفقري المرئي لمشفّر الإدراك (PE). ويتجنب هذا التصميم المفصول تعارض المهام، مع إتاحة الكشف على مستوى الصور والتتبع على مستوى الفيديو، عبر واجهة متوافقة مع استخدام Python واستخدام CLI في Ultralytics.

المكونات الأساسية#

• الكاشف: بنية قائمة على DETR لكشف المفاهيم على مستوى الصور

  • مشفّر نصي لمطالبات العبارات الاسمية
  • مشفّر أمثلة لمطالبات الصور
  • مشفّر دمج لتكييف ميزات الصور وفقًا للمطالبات
  • رأس حضور مبتكر يفصل التعرّف («ما هو؟») عن تحديد الموقع («أين هو؟»)
  • رأس أقنعة لإنشاء أقنعة تقسيم الحالات

• المتعقّب: تقسيم فيديو قائم على الذاكرة، موروث من SAM 2

  • مشفّر المطالبات، ومفكّك ترميز الأقنعة، ومشفّر الذاكرة
  • بنك ذاكرة لتخزين مظهر الكائن عبر الإطارات
  • إزالة الالتباس الزمني بمساعدة تقنيات مثل مرشح كالمان في إعدادات تعدد الكائنات

• رمز الحضور: رمز عالمي متعلّم يتنبأ بوجود المفهوم المستهدف في الصورة/الإطار، ما يحسّن الكشف عبر فصل التعرّف عن تحديد الموقع.

الابتكارات الرئيسية#

1. فصل التعرّف عن تحديد الموقع: تتنبأ وحدة رأس الحضور بوجود المفهوم على مستوى الصورة، بينما تركز استعلامات المقترحات على تحديد الموقع فقط، مما يجنب الأهداف المتضاربة.
2. توحيد مطالبات المفاهيم والمطالبات البصرية: يدعم كلًا من PCS (مطالبات المفاهيم) وPVS (المطالبات البصرية مثل النقرات/المربعات في SAM 2) في نموذج واحد.
3. تحسين الأمثلة التفاعلي: يمكن للمستخدمين إضافة أمثلة صور إيجابية أو سلبية لتحسين النتائج تدريجيًا، مع تعميم النموذج على الكائنات المشابهة بدلًا من تصحيح الحالات الفردية فحسب.
4. إزالة الالتباس الزمني: يستخدم درجات اكتشاف masklet وإعادة المطالبة دوريًا للتعامل مع حالات الاحتجاب والمشاهد المزدحمة وإخفاقات التتبع في الفيديو، بما يتماشى مع أفضل ممارسات تقسيم الكائنات الفردية وتتبعها.

مجموعة بيانات SA-Co#

دُرّب SAM 3 على Segment Anything with Concepts (SA-Co)، وهي أكبر مجموعة بيانات للتقسيم وأكثرها تنوعًا لدى Meta حتى الآن، وتتجاوز المعايير الشائعة مثل COCO وLVIS.

بيانات التدريب#

بيانات المعايير#

يحتوي معيار تقييم SA-Co على 214K عبارة فريدة عبر 126K صورة ومقطع فيديو، موفرًا مفاهيم تزيد بأكثر من 50× على المعايير الحالية. ويشمل:

• SA-Co/Gold: 7 مجالات، مع تعليقات توضيحية ثلاثية لقياس حدود الأداء البشري
• SA-Co/Silver: 10 مجالات، مع تعليق توضيحي بشري واحد
• SA-Co/Bronze وSA-Co/Bio: 9 مجموعات بيانات حالية جرى تكييفها لتقسيم المفاهيم
• SA-Co/VEval: معيار لمقاطع الفيديو يضم 3 مجالات (SA-V وYT-Temporal-1B وSmartGlasses)

ابتكارات محرك البيانات#

يحقق محرك بيانات SAM 3 القابل للتوسع، الذي يدمج الإنسان والنموذج في حلقة العمل، زيادة بمقدار 2× في معدل إنجاز التعليقات التوضيحية عبر:

1. أدوات شرح مدعومة بالذكاء الاصطناعي: تقترح النماذج القائمة على Llama عبارات اسمية متنوعة، بما فيها أمثلة سلبية صعبة
2. أدوات تحقق مدعومة بالذكاء الاصطناعي: تتحقق نماذج اللغة الكبيرة متعددة الوسائط، المضبوطة ضبطًا دقيقًا، من جودة الأقنعة واكتمالها بأداء يقارب أداء البشر
3. التنقيب النشط: يركز الجهد البشري على حالات الإخفاق الصعبة التي يواجه فيها الذكاء الاصطناعي صعوبة
4. مدفوع بالأنطولوجيا: يستفيد من أنطولوجيا كبيرة تستند إلى Wikidata لتغطية المفاهيم

التثبيت#

ثبّت حزمة ultralytics أو حدّثها:

pip install -U ultralytics

pip uninstall clip -y
pip install git+https://github.com/ultralytics/CLIP.git

كيفية استخدام SAM 3: تعدد الاستخدامات في تقسيم المفاهيم#

يدعم SAM 3 مهام تقسيم المفاهيم القابل للمطالبة (PCS) وتقسيم العناصر المرئية القابل للمطالبة (PVS) عبر واجهات مختلفة للمُتنبئ:

المهام والنماذج المدعومة#

أمثلة على تقسيم المفاهيم#

التقسيم باستخدام المطالبات النصية#

from ultralytics.models.sam import SAM3SemanticPredictor

# ⁨تهيئة المُتنبئ باستخدام الإعدادات⁩
overrides = {
    "conf": 0.25,
    "task": "segment",
    "mode": "predict",
    "model": "sam3.pt",
    "quantize": 16,  # ⁨استخدام FP16 لتسريع الاستدلال⁩
    "save": True,
}
predictor = SAM3SemanticPredictor(overrides=overrides)

# ⁨تعيين الصورة مرة واحدة لعدة استعلامات⁩
predictor.set_image("path/to/image.jpg")

# ⁨إجراء استعلامات باستخدام مطالبات نصية متعددة⁩
results = predictor(text=["person", "bus", "glasses"])

# ⁨يعمل مع العبارات الوصفية⁩
results = predictor(text=["person with red cloth", "person with blue cloth"])

# ⁨إجراء استعلام باستخدام مفهوم واحد⁩
results = predictor(text=["a person"])

التقسيم باستخدام أمثلة الصور#

from ultralytics.models.sam import SAM3SemanticPredictor

# ⁨تهيئة المُتنبئ⁩
overrides = {"conf": 0.25, "task": "segment", "mode": "predict", "model": "sam3.pt", "quantize": 16, "save": True}
predictor = SAM3SemanticPredictor(overrides=overrides)

# ⁨تعيين الصورة⁩
predictor.set_image("path/to/image.jpg")

# ⁨تقديم أمثلة بمربعات محيطة لتقسيم الكائنات المشابهة⁩
results = predictor(bboxes=[[480.0, 290.0, 590.0, 650.0]])

# ⁨استخدام مربعات محيطة متعددة كأمثلة للمفهوم البصري نفسه⁩
results = predictor(bboxes=[[539, 599, 589, 639], [343, 267, 499, 662]])

الاستدلال المستند إلى الميزات لتحقيق الكفاءة#

import cv2

from ultralytics.models.sam import SAM3SemanticPredictor
from ultralytics.utils.plotting import Annotator, colors

# ⁨تهيئة المُتنبئات⁩
overrides = {"conf": 0.50, "task": "segment", "mode": "predict", "model": "sam3.pt", "verbose": False}
predictor = SAM3SemanticPredictor(overrides=overrides)
predictor2 = SAM3SemanticPredictor(overrides=overrides)

# ⁨استخراج الميزات من المُتنبئ الأول⁩
source = "path/to/image.jpg"
predictor.set_image(source)
src_shape = cv2.imread(source).shape[:2]

# ⁨إعداد المُتنبئ الثاني وإعادة استخدام الميزات⁩
predictor2.setup_model()

# ⁨إجراء الاستدلال باستخدام الميزات المشتركة مع مطالبة نصية⁩
masks, boxes = predictor2.inference_features(predictor.features, src_shape=src_shape, text=["person"])

# ⁨إجراء الاستدلال باستخدام الميزات المشتركة مع مطالبة بمربع محيط⁩
masks, boxes = predictor2.inference_features(predictor.features, src_shape=src_shape, bboxes=[[439, 437, 524, 709]])

# ⁨عرض النتائج بصريًا⁩
if masks is not None:
    masks, boxes = masks.cpu().numpy(), boxes.cpu().numpy()
    im = cv2.imread(source)
    annotator = Annotator(im, pil=False)
    annotator.masks(masks, [colors(x, True) for x in range(len(masks))])

    cv2.imshow("result", annotator.result())
    cv2.waitKey(0)

تقسيم المفاهيم في الفيديو#

تتبّع المفاهيم عبر الفيديو باستخدام المربعات المحيطة#

from ultralytics.models.sam import SAM3VideoPredictor

# ⁨إنشاء مُتنبئ الفيديو⁩
overrides = {"conf": 0.25, "task": "segment", "mode": "predict", "model": "sam3.pt", "quantize": 16}
predictor = SAM3VideoPredictor(overrides=overrides)

# ⁨تتبّع الكائنات باستخدام مطالبات المربعات المحيطة⁩
results = predictor(source="path/to/video.mp4", bboxes=[[706.5, 442.5, 905.25, 555], [598, 635, 725, 750]], stream=True)

# ⁨معالجة النتائج وعرضها⁩
for r in results:
    r.show()  # ⁨عرض الإطار مع أقنعة التقسيم⁩

تتبّع المفاهيم باستخدام المطالبات النصية#

from ultralytics.models.sam import SAM3VideoSemanticPredictor

# ⁨تهيئة مُتنبئ الفيديو الدلالي⁩
overrides = {
    "conf": 0.25,
    "task": "segment",
    "mode": "predict",
    "imgsz": 640,
    "model": "sam3.pt",
    "quantize": 16,
    "save": True,
}
predictor = SAM3VideoSemanticPredictor(overrides=overrides)

# ⁨تتبّع المفاهيم باستخدام المطالبات النصية⁩
results = predictor(source="path/to/video.mp4", text=["person", "bicycle"], stream=True)

# ⁨معالجة النتائج⁩
for r in results:
    r.show()  # ⁨عرض الإطار مع الكائنات المتعقبة⁩

# ⁨بديل: التتبّع باستخدام مطالبات المربعات المحيطة⁩
results = predictor(
    source="path/to/video.mp4",
    bboxes=[[864, 383, 975, 620], [705, 229, 782, 402]],
    labels=[1, 1],  # ⁨التسميات الإيجابية⁩
    stream=True,
)

المطالبات البصرية (التوافق مع SAM 2)#

يحافظ SAM 3 على توافق كامل مع الإصدارات السابقة فيما يتعلق بالمطالبات البصرية في SAM 2 لتقسيم كائن واحد:

from ultralytics import SAM

model = SAM("sam3.pt")

# ⁨مطالبة بنقطة واحدة - تقسّم الكائن عند موقع محدد⁩
results = model.predict(source="path/to/image.jpg", points=[900, 370], labels=[1])
results[0].show()

# ⁨مطالبة بنقاط متعددة - تقسّم كائنًا واحدًا باستخدام تلميحات نقاط متعددة⁩
results = model.predict(source="path/to/image.jpg", points=[[400, 370], [900, 370]], labels=[1, 1])

# ⁨مطالبة بمربع - تقسّم الكائن داخل مربع إحاطة⁩
results = model.predict(source="path/to/image.jpg", bboxes=[100, 150, 300, 400])
results[0].show()

معايير الأداء#

تقسيم الصور#

يحقق SAM 3 نتائج متطورة عبر معايير متعددة، بما في ذلك مجموعات البيانات الواقعية مثل LVIS وCOCO للتقسيم:

استكشف خيارات مجموعات البيانات لإجراء تجارب سريعة في مجموعات بيانات Ultralytics.

أداء تقسيم الفيديو#

يُظهر SAM 3 تحسينات كبيرة مقارنةً بـ SAM 2 وبأفضل النماذج السابقة عبر معايير الفيديو مثل DAVIS 2017 وYouTube-VOS:

التكيّف باستخدام أمثلة قليلة#

يتفوق SAM 3 في التكيّف مع المجالات الجديدة باستخدام أمثلة قليلة، وهو أمر مهم لسير عمل الذكاء الاصطناعي المرتكز على البيانات:

فعالية التحسين التفاعلي#

يتقارب التلقين القائم على المفاهيم في SAM 3 باستخدام الأمثلة الممثلة بوتيرة أسرع بكثير من التلقين المرئي:

دقة عدّ الكائنات#

يوفر SAM 3 عدًّا دقيقًا من خلال تقسيم جميع الحالات، وهو مطلب شائع في عدّ الكائنات:

مقارنة SAM 3 وSAM 2 وYOLO#

نقارن هنا قدرات SAM 3 مع نماذج SAM 2 وYOLO26. وللكشف والتقسيم في الوقت الفعلي باستخدام مفردات مفتوحة ومن أنواع المطالبات نفسها، راجع YOLOE:

قِيست السرعة على NVIDIA RTX PRO 6000 باستخدام torch==2.9.1 وultralytics==8.4.19.

أبرز النقاط:

• SAM 3: الأفضل لتقسيم المفاهيم باستخدام مفردات مفتوحة، والعثور على جميع حالات مفهوم ما باستخدام مطالبات نصية أو مطالبات بأمثلة ممثلة
• SAM 2: الأفضل للتقسيم التفاعلي لكائن واحد في الصور ومقاطع الفيديو باستخدام مطالبات هندسية
• YOLO26: الأفضل للتقسيم عالي السرعة في الوقت الفعلي، مع إمكانية اختيار الاستدلال الشامل دون NMS، وتصديره إلى تنسيقات عديدة لنشره على GPU ووحدات CPU والأجهزة الطرفية

مقارنة SAM بنماذج YOLO#

مقارنة SAM 3 وSAM 2 وSAM وMobileSAM وFastSAM بنماذج تقسيم YOLO من Ultralytics (YOLOv8 وYOLO11 وYOLO26) من حيث الحجم وعدد المعلمات وسرعة الاستدلال على GPU:

تُظهر هذه المقارنة الفروق الكبيرة في أحجام النماذج وسرعاتها بين إصدارات SAM ونماذج تقسيم YOLO. وعلى الرغم من أن SAM يوفر إمكانات فريدة للتقسيم التلقائي، فإن نماذج YOLO، ولا سيما YOLOv8n-seg وYOLO11n-seg وYOLO26n-seg، أصغر وأسرع وأكثر كفاءة حسابيًا بدرجة كبيرة.

أُجريت الاختبارات على NVIDIA RTX PRO 6000 بذاكرة VRAM سعتها 96GB باستخدام torch==2.9.1 وultralytics==8.4.19. لإعادة تنفيذ هذا الاختبار:

from ultralytics import ASSETS, SAM, YOLO, FastSAM

# ⁨أنشئ ملفًا تعريفيًا لـ SAM3 وSAM2-t وSAM2-b وSAM-b وMobileSAM⁩
for file in ["sam_b.pt", "sam2_b.pt", "sam2_t.pt", "mobile_sam.pt", "sam3.pt"]:
    model = SAM(file)
    model.info()
    model(ASSETS)

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

# ⁨أنشئ ملفات تعريف لنماذج YOLO⁩
for file_name in ["yolov8n-seg.pt", "yolo11n-seg.pt", "yolo26n-seg.pt"]:
    model = YOLO(file_name)
    model.info()
    model(ASSETS, nms=False)  # ⁨رأس NMS-free في YOLO26؛ لا إجراء لـ YOLOv8/YOLO11⁩

مقاييس التقييم#

يقدم SAM 3 مقاييس جديدة مصممة لمهمة PCS، تكمل المقاييس المعروفة مثل درجة F1 والإحكام والاستدعاء.

درجة F1 المقيّدة بالتصنيف (CGF1)#

المقياس الأساسي الذي يجمع بين تحديد الموقع والتصنيف:

CGF1 = 100 × pmF1 × IL_MCC

حيث:

• pmF1 (متوسط F1 الإيجابي): يقيس جودة تحديد الموقع في الأمثلة الإيجابية
• IL_MCC (معامل ارتباط ماثيوز على مستوى الصورة): يقيس دقة التصنيف الثنائي ("هل المفهوم موجود؟")

لماذا هذه المقاييس؟#

لا تأخذ مقاييس AP التقليدية معايرة الثقة في الحسبان، ما يجعل استخدام النماذج صعبًا عمليًا. ومن خلال تقييم التنبؤات التي تتجاوز ثقتها 0.5 فقط، تفرض مقاييس SAM 3 معايرة جيدة وتحاكي أنماط الاستخدام الواقعية في حلقات التنبؤ والتعقب التفاعلية.

أهم دراسات الاستئصال والاستنتاجات#

تأثير رأس الوجود#

يفصل رأس الوجود التعرّف عن تحديد الموقع، ما يحقق تحسينات كبيرة:

يحقق رأس الوجود زيادة قدرها +5.7 في CGF1 (+9.9%)، ويحسن بالدرجة الأولى قدرة التعرّف (IL_MCC بمقدار +6.5%).

تأثير الأمثلة السلبية الصعبة#

تُعد الأمثلة السلبية الصعبة ضرورية للتعرّف على المفردات المفتوحة، إذ تحسن IL_MCC بنسبة 54.5% (من 0.44 إلى 0.68).

توسيع نطاق بيانات التدريب#

توفر التعليقات التوضيحية البشرية عالية الجودة مكاسب كبيرة مقارنة بالبيانات الاصطناعية أو الخارجية وحدها. للاطلاع على معلومات أساسية حول ممارسات جودة البيانات، راجع جمع البيانات والتعليق التوضيحي.

التطبيقات#

تتيح قدرة SAM 3 على تقسيم المفاهيم حالات استخدام جديدة:

• إدارة المحتوى: العثور على جميع حالات أنواع محتوى محددة عبر مكتبات الوسائط
• التجارة الإلكترونية: تقسيم جميع المنتجات من نوع معين في صور الكتالوج، مع دعم التعليق التوضيحي التلقائي
• التصوير الطبي: تحديد جميع مواضع أنواع أنسجة أو حالات شذوذ محددة
• الأنظمة الذاتية: تعقّب جميع حالات إشارات المرور أو المشاة أو المركبات حسب الفئة
• تحليلات الفيديو: إحصاء جميع الأشخاص الذين يرتدون ملابس محددة أو يؤدون أفعالًا معينة وتعقّبهم
• التعليق التوضيحي لمجموعات البيانات: وضع تعليقات توضيحية بسرعة على جميع حالات فئات الكائنات النادرة
• البحث العلمي: قياس جميع العينات التي تستوفي معايير محددة وتحليلها

وكيل SAM 3: استدلال لغوي موسّع#

يمكن دمج SAM 3 مع نماذج اللغة الكبيرة متعددة الوسائط (MLLMs) لمعالجة الاستعلامات المعقدة التي تتطلب الاستدلال، على غرار أنظمة المفردات المفتوحة مثل OWLv2 وT-Rex.

الأداء في مهام الاستدلال#

أمثلة على الاستعلامات المعقدة#

يمكن لوكيل SAM 3 معالجة الاستعلامات التي تتطلب الاستدلال:

• "أشخاص يجلسون لكنهم لا يمسكون علبة هدايا بأيديهم"
• "الكلب الأقرب إلى الكاميرا الذي لا يرتدي طوقًا"
• "أجسام حمراء أكبر من يد الشخص"

يقترح نموذج MLLM على SAM 3 استعلامات بسيطة بصيغ اسمية، ويحلل الأقنعة المُعادة، ويكرر العملية حتى يصل إلى النتيجة المطلوبة.

القيود#

على الرغم من أن SAM 3 يمثل تقدمًا كبيرًا، فإنه ينطوي على بعض القيود:

• تعقيد العبارات: يناسب العبارات الاسمية البسيطة على أفضل وجه؛ وقد تتطلب العبارات الإحالية الطويلة أو الاستدلال المعقد دمج نموذج MLLM
• التعامل مع الالتباس: تظل بعض المفاهيم ملتبسة بطبيعتها (مثل "نافذة صغيرة" و"غرفة مريحة")
• المتطلبات الحسابية: أكبر حجمًا وأبطأ من نماذج الكشف المتخصصة مثل YOLO
• نطاق المفردات: يركز على المفاهيم المرئية الأولية؛ ويظل الاستدلال التركيبي محدودًا دون مساعدة نموذج MLLM
• المفاهيم النادرة: قد يتراجع الأداء في المفاهيم النادرة للغاية أو الدقيقة التي لا تمثلها بيانات التدريب تمثيلًا جيدًا

الاستشهاد#

@misc{carion2025sam3,
  title         = {SAM 3: Segment Anything with Concepts},
  author        = {Nicolas Carion and Laura Gustafson and Yuan-Ting Hu and Shoubhik Debnath and Ronghang Hu and Didac Suris and Chaitanya Ryali and Kalyan Vasudev Alwala and Haitham Khedr and Andrew Huang and Jie Lei and Tengyu Ma and Baishan Guo and Arpit Kalla and Markus Marks and Joseph Greer and Meng Wang and Peize Sun and Roman R{\"a}dle and Triantafyllos Afouras and Effrosyni Mavroudi and Katherine Xu and Tsung-Han Wu and Yu Zhou and Liliane Momeni and Rishi Hazra and Shuangrui Ding and Sagar Vaze and Francois Porcher and Feng Li and Siyuan Li and Aishwarya Kamath and Ho Kei Cheng and Piotr Doll{\'a}r and Nikhila Ravi and Kate Saenko and Pengchuan Zhang and Christoph Feichtenhofer},
  year          = {2025},
  eprint        = {2511.16719},
  archivePrefix = {arXiv},
  primaryClass  = {cs.CV},
  url           = {https://arxiv.org/abs/2511.16719}
}

الأسئلة الشائعة#