新一代图像和视频分割基础模型
SAM 2是Meta AI研发的图像和视频分割基础模型,扩展了SAM的功能。它采用transformer架构和流式内存,实现实时视频处理。通过模型循环数据引擎,研究团队构建了大规模视频分割数据集SA-V。SAM 2在多种视觉任务中展现出卓越性能,为计算机视觉领域带来新的可能。
Nikhila Ravi, Valentin Gabeur, Yuan-Ting Hu, Ronghang Hu, Chaitanya Ryali, Tengyu Ma, Haitham Khedr, Roman Rädle, Chloe Rolland, Laura Gustafson, Eric Mintun, Junting Pan, Kalyan Vasudev Alwala, Nicolas Carion, Chao-Yuan Wu, Ross Girshick, Piotr Dollár, Christoph Feichtenhofer
[论文
] [项目
] [演示
] [数据集
] [博客
] [引用
]
Segment Anything Model 2 (SAM 2) 是一个基础模型,旨在解决图像和视频中的可提示视觉分割问题。我们通过将图像视为单帧视频来将SAM扩展到视频。模型设计是一个简单的transformer架构,具有用于实时视频处理的流式内存。我们构建了一个模型在环的数据引擎,通过用户交互来改进模型和数据,以收集我们的SA-V数据集,这是迄今为止最大的视频分割数据集。在我们的数据上训练的SAM 2在广泛的任务和视觉领域中表现出色。
使用前需要先安装SAM 2。代码要求python>=3.10
,以及torch>=2.3.1
和torchvision>=0.18.1
。请按照这里的说明安装PyTorch和TorchVision依赖项。您可以在GPU机器上使用以下命令安装SAM 2:
git clone https://github.com/facebookresearch/segment-anything-2.git cd segment-anything-2 & pip install -e .
如果您在Windows上安装,强烈建议使用Windows Subsystem for Linux (WSL)和Ubuntu。
要使用SAM 2预测器并运行示例笔记本,需要jupyter
和matplotlib
,可以通过以下命令安装:
pip install -e ".[demo]"
注意:
pip
将其升级到最新的PyTorch版本。nvcc
编译器编译自定义CUDA内核。如果您的机器上还没有该编译器,请安装与您的PyTorch CUDA版本匹配的CUDA工具包。Failed to build the SAM 2 CUDA extension
的消息,您可以忽略它并仍然使用SAM 2(某些后处理功能可能会受限,但在大多数情况下不会影响结果)。请参阅INSTALL.md
了解潜在问题和解决方案的常见问题解答。
首先,我们需要下载模型检查点。可以通过运行以下命令下载所有模型检查点:
cd checkpoints && \ ./download_ckpts.sh && \ cd ..
或单独从以下链接下载:
然后可以通过几行代码使用SAM 2进行图像和视频预测。
SAM 2在静态图像上具有SAM的所有功能,我们为图像用例提供了与SAM非常相似的图像预测API。SAM2ImagePredictor
类提供了一个简单的图像提示接口。
import torch from sam2.build_sam import build_sam2 from sam2.sam2_image_predictor import SAM2ImagePredictor checkpoint = "./checkpoints/sam2_hiera_large.pt" model_cfg = "sam2_hiera_l.yaml" predictor = SAM2ImagePredictor(build_sam2(model_cfg, checkpoint)) with torch.inference_mode(), torch.autocast("cuda", dtype=torch.bfloat16): predictor.set_image(<your_image>) masks, _, _ = predictor.predict(<input_prompts>)
请参考image_predictor_example.ipynb(也可在Colab这里找到)中的示例,了解静态图像用例。
SAM 2还支持像SAM一样在图像上自动生成蒙版。请参阅automatic_mask_generator_example.ipynb(也可在Colab这里找到)了解图像中的自动蒙版生成。
对于视频中的可提示分割和跟踪,我们提供了一个视频预测器,其API可以添加提示并在整个视频中传播小蒙版。SAM 2支持对多个对象进行视频推理,并使用推理状态来跟踪每个视频中的交互。
import torch from sam2.build_sam import build_sam2_video_predictor checkpoint = "./checkpoints/sam2_hiera_large.pt" model_cfg = "sam2_hiera_l.yaml" predictor = build_sam2_video_predictor(model_cfg, checkpoint) with torch.inference_mode(), torch.autocast("cuda", dtype=torch.bfloat16): state = predictor.init_state(<your_video>) # 添加新提示并立即在同一帧上获得输出 frame_idx, object_ids, masks = predictor.add_new_points_or_box(state, <your_prompts>): # 传播提示以获取整个视频中的小蒙版 for frame_idx, object_ids, masks in predictor.propagate_in_video(state): ...
请参考video_predictor_example.ipynb(也可在Colab这里找到)中的示例,了解如何添加点击或框提示、进行细化以及在视频中跟踪多个对象的详细信息。
或者,也可以从Hugging Face加载模型(需要pip install huggingface_hub
)。
对于图像预测:
import torch from sam2.sam2_image_predictor import SAM2ImagePredictor predictor = SAM2ImagePredictor.from_pretrained("facebook/sam2-hiera-large") 使用 torch.inference_mode() 和 torch.autocast("cuda", dtype=torch.bfloat16): predictor.set_image(<你的图像>) masks, _, _ = predictor.predict(<输入提示>) 对于视频预测: import torch from sam2.sam2_video_predictor import SAM2VideoPredictor predictor = SAM2VideoPredictor.from_pretrained("facebook/sam2-hiera-large") 使用 torch.inference_mode() 和 torch.autocast("cuda", dtype=torch.bfloat16): state = predictor.init_state(<你的视频>) # 添加新提示并立即获取同一帧的输出 frame_idx, object_ids, masks = predictor.add_new_points_or_box(state, <你的提示>): # 在视频中传播提示以获得整个视频的掩模 for frame_idx, object_ids, masks in predictor.propagate_in_video(state): ... 模型描述 | 模型 | 大小 (M) | 速度 (FPS) | SA-V 测试 (J&F) | MOSE 验证 (J&F) | LVOS v2 (J&F) | | :-------------: | :------: | :---------------: | :-------------: | :-------------: | :-----------: | | sam2_hiera_tiny | 38.9 | 47.2 | 75.0 | 70.9 | 75.3 | | sam2_hiera_small| 46 | 43.3 (53.0 编译*) | 74.9 | 71.5 | 76.4 | |sam2_hiera_base_plus| 80.8 | 34.8 (43.8 编译*) | 74.7 | 72.8 | 75.8 | | sam2_hiera_large| 224.4 | 24.2 (30.2 编译*) | 76.0 | 74.6 | 79.8 | * 通过在配置中设置 `compile_image_encoder: True` 来编译模型。 分割任何视频数据集 有关详细信息,请参阅 sav_dataset/README.md。 许可证 这些模型根据 Apache 2.0 许可证授权。有关模型的更多详细信息,请参阅我们的研究论文。 贡献 请参阅贡献指南和行为准则。 贡献者 SAM 2 项目得以实现离不开众多贡献者的帮助(按字母顺序排列): Karen Bergan, Daniel Bolya, Alex Bosenberg, Kai Brown, Vispi Cassod, Christopher Chedeau, Ida Cheng, Luc Dahlin, Shoubhik Debnath, Rene Martinez Doehner, Grant Gardner, Sahir Gomez, Rishi Godugu, Baishan Guo, Caleb Ho, Andrew Huang, Somya Jain, Bob Kamma, Amanda Kallet, Jake Kinney, Alexander Kirillov, Shiva Koduvayur, Devansh Kukreja, Robert Kuo, Aohan Lin, Parth Malani, Jitendra Malik, Mallika Malhotra, Miguel Martin, Alexander Miller, Sasha Mitts, William Ngan, George Orlin, Joelle Pineau, Kate Saenko, Rodrick Shepard, Azita Shokrpour, David Soofian, Jonathan Torres, Jenny Truong, Sagar Vaze, Meng Wang, Claudette Ward, Pengchuan Zhang. 第三方代码:我们使用了改编自 cc_torch 的基于 GPU 的连通分量算法(其许可证在 LICENSE_cctorch 中),作为掩模预测的可选后处理步骤。 引用 SAM 2 如果您在研究中使用 SAM 2 或 SA-V 数据集,请使用以下 BibTeX 条目。 @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 arXiv:2408.00714}, url={https://arxiv.org/abs/2408.00714}, year={2024} }
一键生成PPT和Word,让学习生活更轻松
讯飞智文是一个利用 AI 技术的项目,能够帮助用户生成 PPT 以及各类文档。无论是商业领域的市场分析报告、年度目标制定,还是学生群体的职业生涯规划、实习避坑指南,亦或是活动策划、旅游攻略等内容,它都能提供支持,帮助用户精准表达,轻松呈现各种信息。
深度推理能力全新升级,全面对标OpenAI o1
科大讯飞的星火大模型,支持语言理解、知识问答和文本创作等多功能,适用于多种文件和业务场景,提升办公和日常生活的效率。讯飞星火是一个提供丰富智能服务的平台,涵盖科技资讯、图像创作、写作辅助、编 程解答、科研文献解读等功能,能为不同需求的用户提供便捷高效的帮助,助力用户轻松获取信息、解决问题,满足多样化使用场景。
一种基于大语言模型的高效单流解耦语音令牌文本到语音合成模型
Spark-TTS 是一个基于 PyTorch 的开源文本到语音合成项目,由多个知名机构联合参与。该项目提供了高效的 LLM(大语言模型)驱动的语音合成方案,支持语音克隆和语音创建功能,可通过命令行界面(CLI)和 Web UI 两种方式使用。用户可以根据需求调整语音的性别、音高、速度等参数,生成高质量的语音。该项目适用于多种场景,如有声读物制作、智能语音助手开发等。
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。
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。
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 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。
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。
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。
最新AI工具、AI资讯
独家AI资源、AI项目落地
微信扫一扫关注公众号