SAM 2: 任何分段模型 2

SAM 2 是 Meta 的Segment Anything Model (SAM) 的后续产品，是一款专为图像和视频中的综合对象分割而设计的尖端工具。它采用统一、可提示的模型架构，支持实时处理和零镜头泛化，在处理复杂的视觉数据方面表现出色。

主要功能

观看： 如何使用Ultralytics 利用 Meta'sSAM2 运行推理 | 分步指南 🎉

统一模型架构

SAM 2 在单一模型中结合了图像和视频分割功能。这种统一简化了部署，并能在不同媒体类型中实现一致的性能。它利用灵活的基于提示的界面，使用户能够通过各种提示类型（如点、边界框或遮罩）指定感兴趣的对象。

实时性能

该模型可实现实时推理速度，每秒可处理约 44 帧图像。这使得SAM 2 适用于需要即时反馈的应用，如视频编辑和增强现实。

零点概括

SAM 2 可以分割它从未遇到过的物体，展示了强大的零点泛化能力。这在多种多样或不断变化的视觉领域尤其有用，因为在这些领域中，预定义的类别可能无法涵盖所有可能的物体。

互动式改进

用户可以通过提供额外的提示来迭代完善分割结果，从而实现对输出的精确控制。这种交互性对于微调视频注释或医学成像等应用中的结果至关重要。

视觉挑战的高级处理

SAM 2 包括一些机制，用于管理常见的视频分割难题，如物体遮挡和重现。它使用复杂的记忆机制来跟踪各帧中的物体，即使物体暂时被遮挡或退出和重新进入场景，也能确保连续性。

要深入了解SAM 2 的架构和功能，请浏览SAM 2 研究论文。

性能和技术细节

SAM 2 树立了该领域的新基准，在各种指标上都优于以前的模型：

模型架构

核心部件

• 图像和视频编码器：利用基于变换器的架构，从图像和视频帧中提取高级特征。该组件负责理解每个时间步的视觉内容。
• 提示编码器：处理用户提供的提示（点、框、遮罩），以指导分割任务。这样，SAM 2 就能适应用户输入，并锁定场景中的特定对象。
• 记忆机制：包括记忆编码器、记忆库和记忆注意力模块。这些组件共同存储和利用过去帧的信息，使模型能够在一段时间内保持一致的目标跟踪。
• 掩码解码器：根据编码图像特征和提示生成最终的分割掩码。在视频中，它还使用内存上下文来确保跨帧的准确跟踪。

记忆机制和闭塞处理

记忆机制允许SAM 2 处理视频数据中的时间依赖性和遮挡。当物体移动和互动时，SAM 2 会将其特征记录在记忆库中。当一个物体被遮挡时，模型可以依靠这个记忆库来预测它再次出现时的位置和外观。遮挡头专门处理物体不可见的情况，预测物体被遮挡的可能性。

多掩码模糊解决

在模棱两可的情况下（如物体重叠），SAM 2 可以生成多个掩码预测。这一功能对于准确呈现复杂场景至关重要，因为在复杂场景中，单一掩码可能无法充分描述场景的细微差别。

SA-V 数据集

SA-V 数据集是为SAM 2 的训练而开发的，是目前最大、最多样化的视频分割数据集之一。它包括

• 51,000 多部视频：在 47 个国家拍摄，提供各种真实场景。
• 600,000+ 个掩码注释：详细的时空掩码注释，称为 "小掩码"，涵盖整个物体和部分。
• 数据集规模：与以往最大的数据集相比，该数据集的视频数量增加了 4.5 倍，注释数量增加了 53 倍，提供了前所未有的多样性和复杂性。

基准

视频对象分割

SAM 2 在主要的视频分割基准测试中表现出了卓越的性能：

交互式细分

在交互式分割任务中，SAM 2 显示出显著的效率和准确性：

安装

要安装SAM 2，请使用以下命令。首次使用时，所有SAM 2 型号都会自动下载。

pip install ultralytics

如何使用SAM 2：图像和视频分割的多功能性

下表详细介绍了可用的SAM 2 模型、预训练权重、支持的任务以及与推理、验证、训练和导出等不同操作模式的兼容性。

SAM 2 预测示例

SAM 2 可用于各种任务，包括实时视频编辑、医学成像和自主系统。它能够分割静态和动态视觉数据，是研究人员和开发人员的多功能工具。

带提示的片段

from ultralytics import SAM

# Load a model
model = SAM("sam2.1_b.pt")

# Display model information (optional)
model.info()

# Run inference with bboxes prompt
results = model("path/to/image.jpg", bboxes=[100, 100, 200, 200])

# Run inference with single point
results = model(points=[900, 370], labels=[1])

# Run inference with multiple points
results = model(points=[[400, 370], [900, 370]], labels=[1, 1])

# Run inference with multiple points prompt per object
results = model(points=[[[400, 370], [900, 370]]], labels=[[1, 1]])

# Run inference with negative points prompt
results = model(points=[[[400, 370], [900, 370]]], labels=[[1, 0]])

一切分段

from ultralytics import SAM

# Load a model
model = SAM("sam2.1_b.pt")

# Display model information (optional)
model.info()

# Run inference
model("path/to/video.mp4")

# Run inference with a SAM 2 model
yolo predict model=sam2.1_b.pt source=path/to/video.mp4

分割视频和跟踪对象

from ultralytics.models.sam import SAM2VideoPredictor

# Create SAM2VideoPredictor
overrides = dict(conf=0.25, task="segment", mode="predict", imgsz=1024, model="sam2_b.pt")
predictor = SAM2VideoPredictor(overrides=overrides)

# Run inference with single point
results = predictor(source="test.mp4", points=[920, 470], labels=1)

# Run inference with multiple points
results = predictor(source="test.mp4", points=[[920, 470], [909, 138]], labels=[1, 1])

# Run inference with multiple points prompt per object
results = predictor(source="test.mp4", points=[[[920, 470], [909, 138]]], labels=[[1, 1]])

# Run inference with negative points prompt
results = predictor(source="test.mp4", points=[[[920, 470], [909, 138]]], labels=[[1, 0]])

• 本示例演示了SAM 2 如何在不提供提示（bboxes/points/masks）的情况下用于分割图像或视频的全部内容。

SAM 2 对比YOLOv8

在此，我们将 Meta 的最小SAM 2 模型SAM2-t 与Ultralytics 的最小分割模型YOLOv8n-seg进行比较：

这种比较显示了不同模型在尺寸和速度上的数量级差异。虽然SAM 在自动分段方面具有独特的功能，但它并不是YOLOv8 分段模型的直接竞争对手，后者更小、更快、更高效。

测试在配备 16GB 内存的 2023 年 Apple M2 Macbook 上进行，使用的是 torch==2.3.1 和 ultralytics==8.3.82.要重现此测试：

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 YOLOv8n-seg
model = YOLO("yolov8n-seg.pt")
model.info()
model(ASSETS)

自动注释：高效创建数据集

自动标注是SAM 2 的一项强大功能，用户可以利用预先训练好的模型快速准确地生成分割数据集。这一功能对于创建大型、高质量的数据集尤为有用，无需大量人工操作。

如何使用SAM 2 自动注释

观看： 使用Ultralytics | 数据标签，利用 Meta 的 Segment Anything 2 模型进行自动标注

要使用SAM 2 自动标注数据集，请参考以下示例：

from ultralytics.data.annotator import auto_annotate

auto_annotate(data="path/to/images", det_model="yolo11x.pt", sam_model="sam2_b.pt")

该功能有助于快速创建高质量的分割数据集，是旨在加快项目进度的研究人员和开发人员的理想选择。

局限性

SAM 2 虽然有其优势，但也有一定的局限性：

• 跟踪稳定性：SAM 2 在长时间连续跟踪或视角发生重大变化时，可能会失去对物体的跟踪。
• 物体混淆：模型有时会混淆外观相似的物体，尤其是在拥挤的场景中。
• 处理多个对象时的效率：同时处理多个对象时，由于缺乏对象间通信，分割效率会降低。
• 细节准确性：可能会错过细节，尤其是快速移动的物体。额外的提示可以部分解决这一问题，但无法保证时间上的流畅性。

引用和致谢

如果SAM 2 是您研究或开发工作的重要组成部分，请使用以下参考文献引用它：

@article{ravi2024sam2,
  title={SAM 2: Segment Anything in Images and Videos},
  author={Ravi, Nikhila and Gabeur, Valentin and Hu, Yuan-Ting and Hu, Ronghang and Ryali, Chaitanya and Ma, Tengyu and Khedr, Haitham and R{\"a}dle, Roman and Rolland, Chloe and Gustafson, Laura and Mintun, Eric and Pan, Junting and Alwala, Kalyan Vasudev and Carion, Nicolas and Wu, Chao-Yuan and Girshick, Ross and Doll{\'a}r, Piotr and Feichtenhofer, Christoph},
  journal={arXiv preprint},
  year={2024}
}

我们向 Meta AI 表示感谢，感谢他们通过这一开创性的模型和数据集为人工智能界做出的贡献。

常见问题

什么是SAM 2，它是如何改进原来的 "分段式任何模式" (SAM) 的？

SAM 2 是 Meta 的Segment Anything Model (SAM) 的后续产品，是一款专为图像和视频中的综合对象分割而设计的尖端工具。它采用统一、可提示的模型架构，支持实时处理和零镜头泛化，在处理复杂视觉数据方面表现出色。SAM 与最初的SAM 相比，2 提供了多项改进，包括

• 统一模型架构：将图像和视频分割功能整合到一个模型中。
• 实时性能：每秒可处理约 44 帧图像，适合需要即时反馈的应用。
• 零镜头泛化：对从未遇到过的物体进行分段，适用于各种视觉领域。
• 交互式细化：通过提供额外提示，允许用户迭代完善细分结果。
• 先进的视觉挑战处理能力：处理常见的视频分割难题，如物体遮挡和重现。

有关SAM 2 架构和功能的更多详情，请浏览SAM 2 研究论文。

如何使用SAM 2 进行实时视频分割？

SAM 2 可利用其可提示界面和实时推理功能进行实时视频分割。下面是一个基本示例：

from ultralytics import SAM

# Load a model
model = SAM("sam2_b.pt")

# Display model information (optional)
model.info()

# Segment with bounding box prompt
results = model("path/to/image.jpg", bboxes=[100, 100, 200, 200])

# Segment with point prompt
results = model("path/to/image.jpg", points=[150, 150], labels=[1])

有关更全面的使用方法，请参阅如何使用SAM 2 部分。

SAM 2 使用哪些数据集进行训练，这些数据集如何提高其性能？

SAM 2 是在 SA-V 数据集上进行训练的，该数据集是目前最大、最多样化的视频分割数据集之一。SA-V 数据集包括

• 51,000 多部视频：在 47 个国家拍摄，提供各种真实场景。
• 600,000+ 个掩码注释：详细的时空掩码注释，称为 "小掩码"，涵盖整个物体和部分。
• 数据集规模：比以往最大的数据集多 4.5 倍的视频和 53 倍的注释，提供前所未有的多样性和复杂性。

这一广泛的数据集使SAM 2 在主要的视频分割基准测试中取得了优异的性能，并增强了其零镜头泛化能力。更多信息，请参阅SA-V 数据集部分。

SAM 2 如何处理视频分割中的遮挡和物体重现？

SAM 2 包括一个复杂的存储机制，用于管理视频数据中的时间依赖性和遮挡。存储机制包括

• 记忆编码器和记忆库：存储过去帧的特征。
• 记忆注意力模块：利用存储的信息，保持对物体的追踪始终如一。
• 遮挡头：专门处理物体不可见的情况，预测物体被遮挡的可能性。

即使物体被暂时遮挡或退出并重新进入场景，该机制也能确保连续性。更多详情，请参阅 "记忆机制和遮挡处理"部分。

SAM 2 与其他细分模型（如YOLOv8 ）相比如何？

SAM 2 和Ultralytics YOLOv8 的目的不同，擅长的领域也不同。SAM 2 专为综合物体分割而设计，具有零镜头泛化和实时性能等高级功能，而YOLOv8 则针对物体检测和分割任务的速度和效率进行了优化。下面是一个比较：

更多详情，请参阅SAM 2 对比YOLOv8部分。

📅创建于 4 个月前 ✏️已更新 13 天前

评论