Segment Anything Model (SAM)本地部署,及应用于自己的数据集完成分割

SAM(segment anything model)本地部署复现 对SAM(segment anything)的本地简单部署和运行 阅读详情

1.什么是segment-anything?

Segment Anything Model (SAM): a new AI model from Meta AI that can "cut out" any object, in any image, with a single click.

官方网站:Segment Anything | Meta AI

官网提供了一些demo,交互式地分割展示,可以试一下

官网demo提供了3种分割方式。

Hover&Click(鼠标悬浮及点击):

点击想要分割的内容,自动完成分割。左键正选,右键反选。

Box

鼠标圈一个方框,自动分割。

Everything

一键分割所有。

2.Github项目

GitHub网址:https://github.com/facebookresearch/segment-anything

 readme很详细,可按照步骤来搞。

克隆远程仓库到本地:

git clone https://github.com/facebookresearch/segment-anything

安装Segment Anything :

cd segment-anything; pip install -e .

特别注意-e后面一个点

Github页面里点击下载一个或者多个模型:

模型文件放到项目的目录即可。

H,L,B分别表示huge,large,base,从大到小。根据硬件能力选择合适的模型。

创建虚拟环境及安装相应的包

3.使用自己的数据集进行分割

法1:使用官方命令

如下,建立input,output文件夹

在input中存放待分割的图片,output用作存放输出的mask。

在pycharm终端中使用下面的命令:
使用base模型
python scripts/amg.py --checkpoint sam_vit_b_01ec64.pth --model-type vit_b --input C:\GithubFile\segment-anything\input --output C:\GithubFile\segment-anything\output
使用huge模型
segment-anything本地部署使用 阅读详情

相关推荐

Segment Anything model部署和使用

分割一切模型 (SAM) 根据输入提示(如点或框)生成高质量的对象mask,并可用于为图像中的所有对象生成mask。它已经在 1100 万张图像和 11 亿个掩码的数据集上进行了训练,在各种分割任务上具有强大的零样本性能。官方文档:facebookresearch/segment-anything: The repository provides code for running inference with the SegmentAnything Model (SAM), links for downlo

xyk2795950571的博客 3327

SAM-SAM2-SAM3系列(一):Segment Anything Model(SAM)技术详解与实战

SAM-SAM2-SAM3系列(一):Segment Anything Model(SAM)技术详解与实战 ----------- 本文SAM-SAM2-SAM3系列(二):Segment Anything 2(SAM 2)技术详解,以及SAM2对 SAM的升级点 ----------- 见后续博客SAM-SAM2-SAM3系列(三):Segment Anything 3(SAM 3)技术详解,以及SAM3对 SAM2的升级点 ----------- 见后续博客。

m0_38097087的博客 2293

5分钟搞定SAM模型本地部署:手把手教你用Python调用Segment Anything分割图片

本文提供了一份详细的Segment Anything Model (SAM) 本地部署与Python调用指南。内容涵盖从环境配置、模型下载到核心代码实战的全流程,手把手教你如何利用SAM实现单点提示、组合交互及全自动图像分割,并分享了性能优化与生产级部署的实用建议,助你快速将这一强大的AI分割工具应用于实际项目。

java5的博客 839

Segment Anything Model (SAM) 图像分割实战:从原理到部署

图像分割是计算机视觉的核心任务之一,旨在将图像划分为多个有意义的区域或对象。其原理通常基于像素级分类或实例识别,通过深度学习模型学习图像特征与语义信息之间的映射关系。这项技术的核心价值在于为下游视觉任务提供精确的对象级理解,广泛应用于自动驾驶、医疗影像分析、工业质检和增强现实等领域。随着基础模型的发展,以 Segment Anything Model (SAM) 为代表的通用分割模型,通过海量数据训练和提示学习机制,实现了无需微调即可分割任意图像中任意对象的能力,极大地提升了模型的泛化性和工程效率。本文将以

weixin_30566111的博客 520

Segment Anything Model(SAM)

SAM,即Segment Anything,它借助了NLP任务中的Prompt思路,通过给图像分割任务提供一下Prompt提示来完成任意目标的快速分割。提示可以是前景/背景点集、粗略的框或遮罩、任意形式的文本或者任何指示图像中需要进行分割的信息。该任务的输入是原始的图像和一些提示语,输出是图片中不同目标的掩码信息。

mingo_敏 1万+

Segment Anything Model 2:使用Ultralytics框架进行SAM2图像分割

Python、PyTorch、Ultralytics、SAM2、图像分割

FriendshipTang的博客 4973

【专业书1】量化交易——从入门到精通

股票季节性策略几乎失效了,但商品期货的仍有效,因为其季节性需求源于真实的经济需求而非投机。交易策略获利的前提:交易价格处于均值回归(低价时买入)或动量状态(降价时先做空后以更低价买入),否则在随机游走状态下是无法有效交易的。构建交易策略实际上是在决定:在特殊条件、特定时间尺度下价格趋势的呈现(均值回归/趋势走势),以及用什么价格作为初始判断的参考价格。如果以高夏普比率为目标,需要更高的交易频率:基于大数定律,押注越多,偏离均值收益的偏差就越小。买同比最好的股票,卖同比最差的股票。但在不同的时间尺度下可以。

weixin_44589682的博客 1535

Carla-编译CarlaUE4提示HoloLens.Automation项目缺少Windows程序集?

编译CarlaUE4提示HoloLens.Automation项目缺少Windows程序集?不妨看看这个!

DSK_981029的博客 2565

T型三电平逆变器中点电位平衡详解

T型三电平逆变器(T-type Three-Level Inverter)是一种高效的多电平拓扑,相比传统NPC(Neutral Point Clamped)三电平逆变器,具有更低的开关损耗、更高效率和更简单的结构,尤其适用于中功率应用(如光伏逆变器、风电变换器和工业驱动)。(T-type Three-Level Inverter)中的应用已成为当前中高压功率变换领域(如光伏逆变器、储能PCS、电动汽车充电桩、风电并网和工业驱动)的热门方案。针对 T型逆变器,类似 NPC 的零序注入法适用。

专注于前沿技术的探索与实践,热衷于从代码逻辑、架构设计到行业应用等多维度深挖技术本质。期待在技术之路上与你共同成长~ 538

实测可复现|2026 Cloudflare盾v4.0反反爬全实战:从JS/WASM逆向到JA3指纹伪装,手把手突破拦截(附完整逆向代码+避坑手册)

本文以2026年Cloudflare盾v4.0(集成Shield Synapse v2.0)为核心,全程以实战复盘为视角,拆解了从JS/WASM混合逆向、全维度指纹伪装(JA3+浏览器指纹)、人类行为模拟,到代理池搭建的全流程,整合了完整可复现的代码,所有步骤和踩坑点均为实测所得,无任何AI套话,新手也能跟着复现,最终实现爬取成功率从12%提升至95%+。

专注于Python爬虫开发,分享爬虫技巧、项目实战与反爬经验,使用Scrapy、BeautifulSoup等工具,解决数据抓取难题。 1681

[特殊字符] PetaLinux Qt 程序(WindRadar)无法自动启动问题解决文档

摘要:本文档解决了PetaLinux 2020.1系统中Qt程序(WindRadar)无法开机自动显示界面的问题。通过分析发现,自动启动时缺少DISPLAY=:0.0环境变量导致Qt找不到显示设备。最终在autostart.sh脚本中添加该变量,并完善了字体加载、驱动加载、显示设备检测等流程,确保程序正常自启显示界面。完整脚本包含路径检测、环境配置和错误处理,经验证各项功能均正常运行。

梁俊星的博客 316

uniapp - 实现苹果App打包上架App Store应用商店详细教程,详解Hbuilder打包编译ipa发布上传到苹果ios软件商店全流程,提供云打包/离线本地打包ios、申请IOS苹果证书方法

uni-app,苹果ios,苹果app,打包编译,appstore应用商店,ipa发布到软件商店,uniapp的app苹果应用商店上架,上架苹果APPStore,uniApp打包的ipa文件上传到商店,上架苹果商城,审核失败,被拒绝,UniApp打包ipa文件,上架iOSAppStore流程指南,最新详细教程最全,Hbuilder打包发布iosapp,苹果云打包上线全过程,云打包IPA并上传到商店,打包iOSipa文件后怎么发布到应用商店,苹果证书申请教程,ios证书申请,mac电脑,审核很久

🏆 前端领域优质创作者 1万+

华为od 面试八股文_数据库_01_含答案

华为od 面试八股文_数据库_01_含答案

MISAYAONE的博客 2143

GEE 案例分析:利用Landsat数据进行FAI、NDVI及CHLA分析并统计平均值(巢湖为例)

浮游藻类指数(FAI)、归一化植被指数(NDVI)及叶绿素a(CHLA)是水体环境监测的重要指标。本文利用Google Earth Engine(GEE)平台,基于Landsat 5和Landsat 8数据,进行水体藻类及植被监测。

此星光明博客 1330

C# WinForm 基于DirectShow.dll编写的程序,可边预览边保存视频,音频和图片

基于微软的DirectShow.dll的二次开发1.自动识别连接的摄像头跟麦克风且可以对其进行选择(默认选中第一个)2.可录制wmv和avi两种格式的视频并且都带有音频,avi可以录制的分辨率和帧数进行选择,wmv默认进行了淸晰度优化如不喜欢可去除代码中有相关提示3.可在预览点开之后进行拍照,也可边录制视频边拍照4.添加了视频和音频的压缩功能(酌情使用)这次二次开发发现C#对DirectShow的相关信息太少,这次做完也不敢藏私共享出来,还望大家指正

计算机控制技术及应用

《计算机控制技术及应用》通过总结作者的科研成果和吸收国内外的先进理论、方法和技术,以计算机控制系统的网络化、开放化、智能化和集成化发展趋势为主线索,主要介绍计算机控制系统的基本概念和计算机控制系统的典型形式,计算机控制系统的数学描述与基本分析方法,以及数字PID控制器、最少拍控制系统、达林算法、状态变量设计法等设计方法及其各种改进算法。重点突出计算机控制系统输入输出通道接口的设计方法和典型控制系统的设计案例与实现方法等。

蓝牙模块HM-10手册

蓝牙模块HM-10手册,该手册对蓝牙模块HM-10进行了详细的介绍和使用方法以及一些AT指令。

华为的C语言编程规范.pdf

华为技术有限公司内部技术规范。本规范制定了编写C语言程序的基本原则、规则和建议。从代码的清晰、简洁、可测试、安全、程序效率、可移植各个方面对C语言编程作出了具体指导。

上一篇: 读取两个文件夹中的mask,并计算每个及总体平均IoU
下一篇: OpenCV读入图片,通道拆分,调整窗口尺寸,及保存文件
MayYou-HHH
博客等级 码龄4年 478粉丝 70原创
评论 23
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值