Link to this sectionMobile Segment Anything (MobileSAM)#

MobileSAM 是一款紧凑、高效的图像分割模型，专为移动和边缘设备打造。MobileSAM 旨在将 Meta 的 Segment Anything Model (SAM) 的强大功能引入计算受限的环境中，它在保持与原始 SAM 流水线兼容的同时，能够提供近乎实时的分割效果。无论你是在开发实时应用程序还是进行轻量级部署，MobileSAM 都能以远低于前代模型的体积和速度要求，提供出色的分割结果。

MobileSAM 已被应用于多种项目中，包括 Grounding-SAM、AnyLabeling 以及 Segment Anything in 3D。

MobileSAM 在单块 GPU 上使用 10 万张图像的数据集（原始图像的 1%）训练不到一天即可完成。训练代码将在未来发布。

Link to this section可用模型、支持的任务和操作模式#

下表概述了可用的 MobileSAM 模型、其预训练权重、支持的任务，以及与不同操作模式（如 推理、验证、训练 和 导出）的兼容性。支持的模式用 ✅ 表示，不支持的模式用 ❌ 表示。

Link to this sectionMobileSAM 与 YOLO 的比较#

下表对比了 Meta 的 SAM 变体、MobileSAM 以及包括 YOLO26n-seg 在内的 Ultralytics 分割模型之间的差异：

此比较展示了 SAM 变体与 YOLO 分割模型在模型大小和速度上的显著差异。尽管 SAM 模型提供了独特的自动分割能力，但 YOLO 模型（特别是 YOLOv8n-seg、YOLO11n-seg 和 YOLO26n-seg）在体积、速度和计算效率方面都具有显著优势。

SAM 速度使用 PyTorch 测量，YOLO 速度使用 ONNX Runtime 测量。测试在配备 16GB 内存的 2025 款 Apple M4 Air 上运行，环境为 torch==2.10.0、ultralytics==8.4.31 和 onnxruntime==1.24.4。若要复现这些结果：

from ultralytics import ASSETS, SAM, YOLO, FastSAM

# Profile SAM2-t, SAM2-b, SAM-b, MobileSAM
for file in ["sam_b.pt", "sam2_b.pt", "sam2_t.pt", "mobile_sam.pt"]:
    model = SAM(file)
    model.info()
    model(ASSETS)

# Profile FastSAM-s
model = FastSAM("FastSAM-s.pt")
model.info()
model(ASSETS)

# Profile YOLO models (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)
    model = YOLO(onnx_path)
    model(ASSETS)

Link to this section从 SAM 适配到 MobileSAM#

MobileSAM 保留了与原始 SAM 相同的流水线，包括预处理、后处理和所有接口。这意味着你可以以最小的改动将工作流从 SAM 迁移到 MobileSAM。

主要区别在于图像编码器：MobileSAM 用小得多的 Tiny-ViT 编码器（5M 参数）替换了原始的 ViT-H 编码器（637M 参数）。在单张 GPU 上，MobileSAM 处理一张图像大约需要 12ms（编码器 8ms，掩码解码器 4ms）。

Link to this section基于 ViT 的图像编码器比较#

Link to this section提示引导的掩码解码器#

Link to this section完整流水线比较#

下文通过点提示和框提示演示了 MobileSAM 和原始 SAM 的性能。

MobileSAM 比 FastSAM 小约 7 倍，快约 5 倍。更多详情，请访问 MobileSAM 项目页面。

Link to this section在 Ultralytics 中测试 MobileSAM#

正如原始 SAM 一样，Ultralytics 提供了简单的接口来测试 MobileSAM，支持点提示和框提示。

Link to this section模型下载#

从 Ultralytics 资源库 下载 MobileSAM 预训练权重。

Link to this section点提示#

from ultralytics import SAM

# Load the model
model = SAM("mobile_sam.pt")

# Predict a segment based on a single point prompt
model.predict("ultralytics/assets/zidane.jpg", points=[900, 370], labels=[1])

# Predict multiple segments based on multiple points prompt
model.predict("ultralytics/assets/zidane.jpg", points=[[400, 370], [900, 370]], labels=[1, 1])

# Predict a segment based on multiple points prompt per object
model.predict("ultralytics/assets/zidane.jpg", points=[[[400, 370], [900, 370]]], labels=[[1, 1]])

# Predict a segment using both positive and negative prompts.
model.predict("ultralytics/assets/zidane.jpg", points=[[[400, 370], [900, 370]]], labels=[[1, 0]])

Link to this section框提示#

from ultralytics import SAM

# Load the model
model = SAM("mobile_sam.pt")

# Predict a segment based on a single box prompt
model.predict("ultralytics/assets/zidane.jpg", bboxes=[439, 437, 524, 709])

# Predict multiple segments based on multiple box prompts
model.predict("ultralytics/assets/zidane.jpg", bboxes=[[439, 437, 524, 709], [114, 196, 313, 708]])

MobileSAM 和 SAM 共享相同的 API。有关更多使用详情，请参阅 SAM 文档。

Link to this section使用检测模型自动构建分割数据集#

要使用 Ultralytics 框架自动 标注你的数据集，请按照如下方式使用 auto_annotate 函数：

from ultralytics.data.annotator import auto_annotate

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

Link to this section引用与致谢#

如果 MobileSAM 对你的研究或开发有所帮助，请考虑引用以下论文：

@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}
}

阅读 arXiv 上的完整 MobileSAM 论文。

Link to this section常见问题解答#

Link to this section什么是 MobileSAM，它与原始 SAM 模型有何不同？#

MobileSAM 是一款轻量级、快速的 image segmentation 模型，专为移动端和边缘端应用优化。它保持了与原始 SAM 相同的流水线，但将大型 ViT-H 编码器（637M 参数）替换为了紧凑的 Tiny-ViT 编码器（5M 参数）。这使得 MobileSAM 比原始 SAM 的体积缩小了约 5 倍，速度提升了约 7 倍，每张图像的处理时间约为 12ms，而 SAM 为 456ms。请在 MobileSAM GitHub repository 探索更多关于 MobileSAM 实现的内容。

Link to this section我该如何在 Ultralytics 中测试 MobileSAM？#

在 Ultralytics 中测试 MobileSAM 非常简单。你可以使用点（Point）和框（Box）提示来预测分割区域。例如，使用点提示：

from ultralytics import SAM

# Load the model
model = SAM("mobile_sam.pt")

# Predict a segment based on a point prompt
model.predict("ultralytics/assets/zidane.jpg", points=[900, 370], labels=[1])

更多详细信息，请参阅 在 Ultralytics 中测试 MobileSAM 部分。

Link to this section为什么我应该在移动应用中使用 MobileSAM？#

MobileSAM 因其轻量级设计和快速的推理速度，非常适合移动和边缘应用。与原始 SAM 相比，MobileSAM 体积小了约 5 倍，速度快了 7 倍，使其能够适应计算资源有限的设备上的实时分割任务。其高效性使得移动设备能够执行 实时图像分割 而无需明显的延迟。此外，MobileSAM 支持针对移动性能优化的 推理模式。

Link to this sectionMobileSAM 是如何训练的，训练代码是否可用？#

MobileSAM 是在单个 GPU 上使用 10 万张图像数据集（原始数据集的 1%）在不到一天的时间内训练完成的。虽然训练代码将在未来发布，但你目前可以从 MobileSAM GitHub 仓库 获取预训练权重和实现细节。

Link to this sectionMobileSAM 的主要应用场景有哪些？#

MobileSAM 旨在为移动和边缘环境提供快速、高效的图像分割。主要应用场景包括：

• 面向移动应用的实时 目标检测和分割
• 在计算能力有限的设备上进行低延迟图像处理
• 集成到人工智能驱动的移动应用中，用于增强现实 (AR)、分析等场景

有关应用场景和性能的更多详情，请参阅 从 SAM 适配到 MobileSAM 以及 关于 MobileSAM 应用的 Ultralytics 博客。