Grounded-SAM-2

Grounded-SAM-2

多模态视频目标检测与分割框架

Grounded-SAM-2是一个开源项目,结合Grounding DINO和SAM 2技术,实现图像和视频中的目标检测、分割和跟踪。该项目支持自定义视频输入和多种提示类型,适用于广泛的视觉任务。通过简化代码实现和提供详细文档,Grounded-SAM-2提高了易用性。项目展示了开放世界模型在处理复杂视觉任务中的潜力,为研究人员和开发者提供了强大的工具。

SAM 2Grounding DINO目标检测视频追踪图像分割Github开源项目

Grounded SAM 2

Grounded SAM 2:使用Grounding DINOGrounding DINO 1.5SAM 2在视频中检测和跟踪任何物体。

🔥 项目亮点

在本仓库中,我们通过简单的实现支持了以下演示:

  • 使用Grounding DINO、Grounding DINO 1.5 & 1.6和SAM 2进行检测和分割任何物体
  • 使用Grounding DINO、Grounding DINO 1.5 & 1.6和SAM 2进行检测和跟踪任何物体
  • 基于强大的supervision库进行检测、分割和跟踪可视化

Grounded SAM: 组装开放世界模型以应对多样化视觉任务相比,Grounded SAM 2在方法上没有引入重大变化。两种方法都利用了开放世界模型的能力来解决复杂的视觉任务。因此,我们尝试在这个仓库中简化代码实现,旨在提高用户便利性。

新闻

  • 2024/08/09: 支持在整个视频中检测和跟踪新物体。该功能目前仍在开发中。感谢Shuo Shen的贡献。
  • 2024/08/07: 支持自定义视频输入,用户只需提交他们的视频文件(例如mp4文件)和特定的文本提示即可获得令人印象深刻的演示视频。

目录

安装

下载预训练的SAM 2检查点:

cd checkpoints bash download_ckpts.sh

下载预训练的Grounding DINO检查点:

cd gdino_checkpoints bash download_ckpts.sh

不使用docker的安装

首先安装PyTorch环境。我们在环境中使用python=3.10,以及torch >= 2.3.1torchvision>=0.18.1cuda-12.1来运行这个演示。请按照这里的说明安装PyTorch和TorchVision依赖项。强烈建议安装支持CUDA的PyTorch和TorchVision。你可以使用以下命令轻松安装最新版本的PyTorch:

pip3 install torch torchvision torchaudio

由于我们需要CUDA编译环境来编译Grounding DINO中使用的Deformable Attention算子,我们需要检查CUDA环境变量是否已正确设置(你可以参考Grounding DINO安装了解更多细节)。如果你想为Grounding DINO构建本地GPU环境以运行Grounded SAM 2,可以手动设置环境变量如下:

export CUDA_HOME=/path/to/cuda-12.1/

安装Segment Anything 2

pip install -e .

安装Grounding DINO

pip install --no-build-isolation -e grounding_dino

使用docker的安装

构建Docker镜像并运行Docker容器:

cd Grounded-SAM-2
make build-image
make run

执行这些命令后,你将进入Docker环境。容器内的工作目录设置为:/home/appuser/Grounded-SAM-2

进入Docker环境后,你可以通过运行以下命令启动演示:

python grounded_sam2_tracking_demo.py

Grounded SAM 2演示

使用Grounding DINO的Grounded SAM 2图像演示

请注意,Grounding DINO已经在Huggingface上得到支持,因此我们提供了两种运行Grounded SAM 2模型的选择:

  • 使用huggingface API进行Grounding DINO推理(简单明了)
python grounded_sam2_hf_model_demo.py

[!注意] 🚨 如果在使用HuggingFace模型时遇到网络问题,你可以通过设置适当的镜像源来解决:export HF_ENDPOINT=https://hf-mirror.com

  • 加载本地预训练的Grounding DINO检查点,并使用Grounding DINO原始API进行推理(确保你已经下载了预训练检查点)
python grounded_sam2_local_demo.py

使用Grounding DINO 1.5 & 1.6的Grounded SAM 2图像演示

我们已经发布了我们最强大的开放集检测模型Grounding DINO 1.5 & 1.6,它可以与SAM 2结合使用,以获得更强大的开放集检测和分割能力。你可以先申请API令牌,然后按如下方式运行使用Grounding DINO 1.5的Grounded SAM 2:

安装最新的DDS cloudapi:

pip install dds-cloudapi-sdk

从我们的官方网站申请你的API令牌:申请API令牌

python grounded_sam2_gd1.5_demo.py

Grounded SAM 2视频对象跟踪演示

基于SAM 2强大的跟踪能力,我们可以将其与Grounding DINO结合,实现开放集对象分割和跟踪。你可以运行以下脚本来获得使用Grounded SAM 2的跟踪结果:

python grounded_sam2_tracking_demo.py
  • 每一帧的跟踪结果将保存在./tracking_results
  • 视频将保存为children_tracking_demo_video.mp4
  • 你可以自行修改此文件,使用不同的文本提示和视频片段来获得更多跟踪结果
  • 为了简单起见,我们这里只对第一个视频帧使用Grounding DINO进行提示

支持各种跟踪提示类型

我们为Grounded SAM 2跟踪演示支持了不同类型的提示:

  • 点提示:为了获得稳定的分割结果,我们重新使用SAM 2图像预测器基于Grounding DINO的框输出获取每个对象的预测掩码,然后我们从预测掩码中均匀采样点作为SAM 2视频预测器的点提示
  • 框提示:我们直接使用Grounding DINO的框输出作为SAM 2视频预测器的框提示
  • 掩码提示:我们使用基于Grounding DINO框输出的SAM 2掩码预测结果作为SAM 2视频预测器的掩码提示

使用Grounding DINO 1.5 & 1.6的Grounded SAM 2视频对象跟踪演示

我们还基于更强大的Grounding DINO 1.5模型和SAM 2支持了视频对象跟踪演示,在申请运行Grounding DINO 1.5的API密钥后,你可以尝试以下演示:

python grounded_sam2_tracking_demo_with_gd1.5.py

使用Grounding DINO的Grounded SAM 2自定义视频输入的视频对象跟踪演示

用户可以上传自己的视频文件(例如 assets/hippopotamus.mp4)并指定自定义文本提示,使用以下脚本通过 Grounding DINO 和 SAM 2 进行定位和跟踪:

python grounded_sam2_tracking_demo_custom_video_input_gd1.0_hf_model.py

使用自定义视频输入的 Grounded SAM 2 视频对象跟踪演示(使用 Grounding DINO 1.5 和 1.6)

用户可以上传自己的视频文件(例如 assets/hippopotamus.mp4)并指定自定义文本提示,使用以下脚本通过 Grounding DINO 1.5 和 SAM 2 进行定位和跟踪:

python grounded_sam2_tracking_demo_custom_video_input_gd1.5.py

你可以在此文件中指定参数:

VIDEO_PATH = "./assets/hippopotamus.mp4" TEXT_PROMPT = "hippopotamus." OUTPUT_VIDEO_PATH = "./hippopotamus_tracking_demo.mp4" API_TOKEN_FOR_GD1_5 = "你的API令牌" # G-DINO 1.5 的 API 令牌 PROMPT_TYPE_FOR_VIDEO = "mask" # 使用 SAM 2 掩码预测作为视频预测器的提示

运行我们的演示代码后,你可以获得如下跟踪结果:

[视频名称]

我们将自动将跟踪可视化结果保存在 OUTPUT_VIDEO_PATH 中。

[!警告] 我们在输入视频的第一帧初始化框提示。如果你想从不同的帧开始,可以在我们的代码中自行修改 ann_frame_idx

具有连续 ID 的 Grounded-SAM-2 视频对象跟踪(使用 Grounding DINO)

在上述演示中,我们仅在特定帧中提示 Grounded SAM 2,这可能不利于在整个视频中发现新对象。在这个演示中,我们尝试发现新对象并在整个视频中为它们分配新的 ID,这个功能仍在开发中,目前还不太稳定。

用户可以上传自己的视频文件并指定自定义文本提示,使用 Grounding DINO 和 SAM 2 框架进行定位和跟踪。执行以下脚本:

python grounded_sam2_tracking_demo_with_continuous_id.py

你可以自定义各种参数,包括:

  • text:定位文本提示。
  • video_dir:包含视频文件的目录。
  • output_dir:保存处理后输出的目录。
  • output_video_path:输出视频的路径。
  • step:处理的帧步长。
  • box_threshold:groundingdino 模型的框阈值
  • text_threshold:groundingdino 模型的文本阈值 注意:此方法仅支持掩码类型的文本提示。

运行我们的演示代码后,你可以获得如下跟踪结果:

[视频名称]

如果你想尝试 Grounding DINO 1.5 模型,可以在设置好 API 令牌后运行以下脚本:

python grounded_sam2_tracking_demo_with_continuous_id_gd1.5.py

引用

如果你发现这个项目对你的研究有帮助,请考虑引用以下 BibTeX 条目。

[BibTeX 引用内容]

编辑推荐精选

Trae

Trae

字节跳动发布的AI编程神器IDE

Trae是一种自适应的集成开发环境(IDE),通过自动化和多元协作改变开发流程。利用Trae,团队能够更快速、精确地编写和部署代码,从而提高编程效率和项目交付速度。Trae具备上下文感知和代码自动完成功能,是提升开发效率的理想工具。

AI工具TraeAI IDE协作生产力转型热门
咔片PPT

咔片PPT

AI助力,做PPT更简单!

咔片是一款轻量化在线演示设计工具,借助 AI 技术,实现从内容生成到智能设计的一站式 PPT 制作服务。支持多种文档格式导入生成 PPT,提供海量模板、智能美化、素材替换等功能,适用于销售、教师、学生等各类人群,能高效制作出高品质 PPT,满足不同场景演示需求。

讯飞绘文

讯飞绘文

选题、配图、成文,一站式创作,让内容运营更高效

讯飞绘文,一个AI集成平台,支持写作、选题、配图、排版和发布。高效生成适用于各类媒体的定制内容,加速品牌传播,提升内容营销效果。

热门AI辅助写作AI工具讯飞绘文内容运营AI创作个性化文章多平台分发AI助手
材料星

材料星

专业的AI公文写作平台,公文写作神器

AI 材料星,专业的 AI 公文写作辅助平台,为体制内工作人员提供高效的公文写作解决方案。拥有海量公文文库、9 大核心 AI 功能,支持 30 + 文稿类型生成,助力快速完成领导讲话、工作总结、述职报告等材料,提升办公效率,是体制打工人的得力写作神器。

openai-agents-python

openai-agents-python

OpenAI Agents SDK,助力开发者便捷使用 OpenAI 相关功能。

openai-agents-python 是 OpenAI 推出的一款强大 Python SDK,它为开发者提供了与 OpenAI 模型交互的高效工具,支持工具调用、结果处理、追踪等功能,涵盖多种应用场景,如研究助手、财务研究等,能显著提升开发效率,让开发者更轻松地利用 OpenAI 的技术优势。

Hunyuan3D-2

Hunyuan3D-2

高分辨率纹理 3D 资产生成

Hunyuan3D-2 是腾讯开发的用于 3D 资产生成的强大工具,支持从文本描述、单张图片或多视角图片生成 3D 模型,具备快速形状生成能力,可生成带纹理的高质量 3D 模型,适用于多个领域,为 3D 创作提供了高效解决方案。

3FS

3FS

一个具备存储、管理和客户端操作等多种功能的分布式文件系统相关项目。

3FS 是一个功能强大的分布式文件系统项目,涵盖了存储引擎、元数据管理、客户端工具等多个模块。它支持多种文件操作,如创建文件和目录、设置布局等,同时具备高效的事件循环、节点选择和协程池管理等特性。适用于需要大规模数据存储和管理的场景,能够提高系统的性能和可靠性,是分布式存储领域的优质解决方案。

TRELLIS

TRELLIS

用于可扩展和多功能 3D 生成的结构化 3D 潜在表示

TRELLIS 是一个专注于 3D 生成的项目,它利用结构化 3D 潜在表示技术,实现了可扩展且多功能的 3D 生成。项目提供了多种 3D 生成的方法和工具,包括文本到 3D、图像到 3D 等,并且支持多种输出格式,如 3D 高斯、辐射场和网格等。通过 TRELLIS,用户可以根据文本描述或图像输入快速生成高质量的 3D 资产,适用于游戏开发、动画制作、虚拟现实等多个领域。

ai-agents-for-beginners

ai-agents-for-beginners

10 节课教你开启构建 AI 代理所需的一切知识

AI Agents for Beginners 是一个专为初学者打造的课程项目,提供 10 节课程,涵盖构建 AI 代理的必备知识,支持多种语言,包含规划设计、工具使用、多代理等丰富内容,助您快速入门 AI 代理领域。

AEE

AEE

AI Excel全自动制表工具

AEE 在线 AI 全自动 Excel 编辑器,提供智能录入、自动公式、数据整理、图表生成等功能,高效处理 Excel 任务,提升办公效率。支持自动高亮数据、批量计算、不规则数据录入,适用于企业、教育、金融等多场景。

下拉加载更多