1 SAM概念
###1.1 SAM定义
Segment Anything Model（SAM）是一种基于深度学习的图像分割模型，其主要特点包括：
- 高质量的图像分割：SAM可以从输入提示（如点、框、文字等）生成高质量的对象掩模，实现对图像中对象的精确分割。
- 零次学习性能：SAM已经在一个包含1100万张图像和110亿个掩模的数据集上进行了训练，具有强大的零次学习性能。这意味着它可以迁移到新的图像分布和任务中，即使在训练阶段没有见过的物体类别也能够进行分割。
- 网络结构：SAM采用了类似于U-Net的编码器-解码器结构。编码器部分由多个卷积层和池化层组成，用于提取图像特征；解码器部分则由多个反卷积层和上采样层组成，用于将特征图恢复到原始图像大小，并生成分割结果。
- 通用性：SAM足够通用，可以涵盖广泛的用例，具有强大的零样本迁移能力。它已经学会了关于物体的一般概念，可以为任何图像或视频中的任何物体生成掩码，甚至包括在训练过程中没有遇到过的物体和图像类型。
- 交互性和灵活性：SAM采用了可提示的方法，可以根据不同的数据进行训练，并且可以适应特定的任务。它支持灵活的提示，需要分摊实时计算掩码以允许交互使用，并且必须具有模糊性意识。
- 强大的泛化性：SAM在边缘检测、物体检测、显著物体识别、工业异常检测等下游任务上表现出很强的泛化性。
总的来说，Segment Anything Model（SAM）是一种强大且灵活的图像分割模型，可以在广泛的应用场景中实现高质量的图像分割。它的出现将大大推动计算机视觉领域的发展，为自动驾驶、医学图像分析、卫星遥感图像分析等领域提供更准确、更高效的解决方案。
1.2 SAM的kerasCV实现
Segment Anything Model（SAM）通过输入如点或框等提示，产生高质量的对象掩码，并且它可以用于生成图像中所有对象的掩码。该模型在包含1100万张图像和110亿个掩码的数据集上进行了训练，并在各种分割任务上表现出强大的零次学习性能。
在本指南中，我们将展示如何使用KerasCV实现Segment Anything Model，并展示TensorFlow和JAX在性能提升方面的强大功能。
首先，让我们为我们的演示获取所有依赖项和图像。
!pip install -Uq keras-cv
!pip install -Uq keras
!wget -q https://raw.githubusercontent.com/facebookresearch/segment-anything/main/notebooks/images/truck.jpg
1.3 使用准备
import os
os.environ["KERAS_BACKEND"] = "jax"
import timeit
import numpy as np
import matplotlib.pyplot as plt
import keras
from keras import ops
import keras_cv
2 使用SAM
2.1定义辅助函数
让我们定义一些辅助函数，用于可视化图像、提示以及分割结果。
def show_mask(mask, ax, random_color=False):
if random_color:
color = np.concatenate([np.random.random(3), np.array([0.6])], axis=0)
else:
color = np.array([30 / 255, 144 / 255, 255 / 255, 0.6])
h, w = mask.shape[-2:]
mask_image = mask.reshape(h, w, 1) * color.reshape(1, 1, -1)
ax.imshow(mask_image)
def show_points(coords, labels, ax, marker_size=375):
pos_points = coords[labels == 1]
neg_points = coords[labels == 0]
ax.scatter(
pos_points[:, 0],
pos_points[:, 1],
color="green",
marker="*",
s=marker_size,
edgecolor="white",
linewidth=1.25,
)
ax.scatter(
neg_points[:, 0],
neg_points[:, 1],
color="red",
marker="*",
s=marker_size,
edgecolor="white",
linewidth=1.25,
)
def show_box(box, ax):
box = box.reshape(-1)
x0, y0 = box[0], box[1]
w, h = box[2] - box[0], box[3] - box[1]
ax.add_patch(
plt.Rectangle((x0, y0), w, h, edgecolor="green", facecolor=(0, 0, 0, 0), lw=2)
)
def inference_resizing(image, pad=True):
# Compute Preprocess Shape
image = ops.cast(image, dtype="float32")
old_h, old_w = image.shape[0], image.shape[1]
scale = 1024 * 1.0 / max(old_h, old_w)
new_h = old_h * scale
new_w = old_w * scale
preprocess_shape = int(new_h + 0.5), int(new_w + 0.5)
# Resize the image
image = ops.image.resize(image[None, ...], preprocess_shape)[0]
# Pad the shorter side
if pad:
pixel_mean = ops.array([123.675, 116.28, 103.53])
pixel_std = ops.array([58.395, 57.12, 57.375])
image = (image - pixel_mean) / pixel_std
h, w = image.shape[0], image.shape[1]
pad_h = 1024 - h
pad_w = 1024 - w
image = ops.pad(image, [(0, pad_h), (0, pad_w), (0, 0)])
# KerasCV now rescales the images and normalizes them.
# Just unnormalize such that when KerasCV normalizes them
# again, the padded values map to 0.
image = image * pixel_std + pixel_mean
return image
2.2获取预训练的SAM模型
我们可以使用KerasCV的from_preset工厂方法来初始化一个训练好的SAM模型。在这里，我们使用在SA-1B数据集上训练的大型ViT主干网络（sam_huge_sa1b）来获取高质量的分割掩码。程序员也可以选择使用sam_large_sa1b或sam_base_sa1b以获取更好的性能（但可能会降低分割掩码的质量）。
model = keras_cv.models.SegmentAnythingModel.from_preset("sam_huge_sa1b")
2.3理解提示
Segment Anything 允许使用点、框和掩码对图像进行提示：
点提示是所有提示中最基本的：模型尝试根据图像上的一个点来猜测对象。这个点可以是前景点（即所需的分割掩码中包含该点）或背景点（即该点位于所需掩码之外）。
另一种提示模型的方式是使用框。给定一个边界框，模型尝试分割其中包含的对象。
最后，模型也可以使用掩码本身进行提示。例如，这可以用于细化先前预测或已知的分割掩码的边界。
使该模型极其强大的是能够组合上述提示。点、框和掩码提示可以以多种方式组合，以获得最佳结果。通过组合不同的提示，用户可以更准确地指定他们想要分割的对象，从而优化模型的输出。
在KerasCV中将这些提示传递给Segment Anything模型时的语义。SAM模型的输入是一个字典，其键包括：
"images": 要分割的图像批次。必须具有形状 (B, 1024, 1024, 3)，其中B是批次大小。
"points": 点提示的批次。每个点都是图像左上角开始的(x, y)坐标。换句话说，每个点都是形式为(r, c)的，其中r和c是图像中像素的行和列。必须具有形状 (B, N, 2)，其中N是每个图像中点的数量。
"labels": 给定点的标签批次。1代表前景点，0代表背景点。必须具有形状 (B, N)，与点提示相对应。
"boxes": 框的批次。请注意，模型每次仅接受一个框。因此，预期的形状是 (B, 1, 2, 2)。每个框都是两个点的集合：框的左上角和右下角。这里的点遵循与点提示相同的语义。这里的第二个维度中的1表示存在框提示。如果缺少框提示，则必须传递形状为 (B, 0, 2, 2) 的占位符输入。
"masks": 掩码的批次。与框提示一样，每个图像只允许一个掩码提示。如果存在掩码提示，则输入掩码的形状必须为 (B, 1, 256, 256, 1)；如果缺少掩码提示，则形状为 (B, 0, 256, 256, 1)。
占位符提示仅在直接调用模型（即 model(...)）时需要。当调用 predict 方法时，可以从输入字典中省略缺失的提示。这允许模型在缺少某些提示时仍然运行，并仅根据提供的提示进行预测。
2.3.1点提示
首先，让我们使用点提示对图像进行分割。我们加载图像并将其调整为预训练的SAM模型期望的图像大小（1024, 1024）。
# Load our image
image = np.array(keras.utils.load_img("truck.jpg"))
image = inference_resizing(image)
plt.figure(figsize=(10, 10))
plt.imshow(ops.convert_to_numpy(image) / 255.0)
plt.axis("on")
plt.show()
接下来，我们将定义我们想要分割的对象上的点。让我们尝试在坐标 (284, 213) 处分割卡车的窗户。
为了做到这一点，我们需要准备输入到Segment Anything模型的数据，包括图像、点提示以及点的标签（如果模型需要）。
# Define the input point prompt
input_point = np.array([[284, 213.5]])
input_label = np.array([1])
plt.figure(figsize=(10, 10))
plt.imshow(ops.convert_to_numpy(image) / 255.0)
show_points(input_point, input_label, plt.gca())
plt.axis("on")
plt.show()
现在让我们调用模型的predict方法来获取分割掩码。
注意：我们不直接调用模型（即model(…)），因为这样做需要占位符提示。predict方法会自动处理缺失的提示，所以我们选择调用它。另外，如果没有提供框提示，点提示和标签需要分别用零点提示和-1标签提示来填充。下面的代码块演示了这是如何工作的。
outputs = model.predict(
{
"images": image[np.newaxis, ...],
"points": np.concatenate(
[input_point[np.newaxis, ...], np.zeros((1, 1, 2))], axis=1
),
"labels": np.concatenate(
[input_label[np.newaxis, ...], np.full((1, 1), fill_value=-1)], axis=1
),
}
)
SegmentAnythingModel.predict 方法返回两个输出。首先是 logits（分割掩码），形状为 (1, 4, 256, 256)，另一个是每个预测掩码的 IoU 置信度分数（形状为 (1, 4)）。预训练的 SAM 模型会预测四个掩码：第一个是模型根据给定的提示能够产生的最佳掩码，而其他三个是备用掩码，可以在最佳预测不包含所需对象的情况下使用。用户可以选择他们喜欢的任何掩码。
以下代码实现可视化模型返回的掩码。
# Resize the mask to our image shape i.e. (1024, 1024)
mask = inference_resizing(outputs["masks"][0][0][..., None], pad=False)[..., 0]
# Convert the logits to a numpy array
# and convert the logits to a boolean mask
mask = ops.convert_to_numpy(mask) > 0.0
iou_score = ops.convert_to_numpy(outputs["iou_pred"][0][0])
plt.figure(figsize=(10, 10))
plt.imshow(ops.convert_to_numpy(image) / 255.0)
show_mask(mask, plt.gca())
show_points(input_point, input_label, plt.gca())
plt.title(f"IoU Score: {iou_score:.3f}", fontsize=18)
plt.axis("off")
plt.show()
正如预期的那样，模型返回了卡车车窗的一个分割掩码。但是，我们的点提示也可能意味着一系列其他的东西。例如，另一个可能包含我们点的掩码只是车窗的右侧或整个卡车。
让我们也可视化模型预测的其他掩码。
fig, ax = plt.subplots(1, 3, figsize=(20, 60))
masks, scores = outputs["masks"][0][1:], outputs["iou_pred"][0][1:]
for i, (mask, score) in enumerate(zip(masks, scores)):
mask = inference_resizing(mask[..., None], pad=False)[..., 0]
mask, score = map(ops.convert_to_numpy, (mask, score))
mask = 1 * (mask > 0.0)
ax[i].imshow(ops.convert_to_numpy(image) / 255.0)
show_mask(mask, ax[i])
show_points(input_point, input_label, ax[i])
ax[i].set_title(f"Mask {i+1}, Score: {score:.3f}", fontsize=12)
ax[i].axis("off")
plt.show()
2.3.2边界框提示
现在，让我们看看如何使用边界框来提示模型。边界框由两个点指定，即边界框的左上角和右下角的坐标，以xyxy格式表示。让我们使用卡车左前轮胎周围的边界框来提示模型。
# Let's specify the box
input_box = np.array([[240, 340], [400, 500]])
outputs = model.predict(
{"images": image[np.newaxis, ...], "boxes": input_box[np.newaxis, np.newaxis, ...]}
)
mask = inference_resizing(outputs["masks"][0][0][..., None], pad=False)[..., 0]
mask = ops.convert_to_numpy(mask) > 0.0
plt.figure(figsize=(10, 10))
plt.imshow(ops.convert_to_numpy(image) / 255.0)
show_mask(mask, plt.gca())
show_box(input_box, plt.gca())
plt.axis("off")
plt.show()
2.3.3组合提示
为了发挥模型的真正潜力，让我们将边界框和点提示结合起来，看看模型会如何表现。
# Let's specify the box
input_box = np.array([[240, 340], [400, 500]])
# Let's specify the point and mark it background
input_point = np.array([[325, 425]])
input_label = np.array([0])
outputs = model.predict(
{
"images": image[np.newaxis, ...],
"points": input_point[np.newaxis, ...],
"labels": input_label[np.newaxis, ...],
"boxes": input_box[np.newaxis, np.newaxis, ...],
}
)
mask = inference_resizing(outputs["masks"][0][0][..., None], pad=False)[..., 0]
mask = ops.convert_to_numpy(mask) > 0.0
plt.figure(figsize=(10, 10))
plt.imshow(ops.convert_to_numpy(image) / 255.0)
show_mask(mask, plt.gca())
show_box(input_box, plt.gca())
show_points(input_point, input_label, plt.gca())
plt.axis("off")
plt.show()
2.3.4文本提示
最后，让我们看看如何与 KerasCV 的 SegmentAnythingModel 一起使用文本提示。
对于这个演示，我们将使用官方的 Grounding DINO 模型。Grounding DINO 是一个模型，它接受（图像，文本）对作为输入，并在图像中生成由文本描述的对象周围的边界框。你可以参考相关的论文以获取更多关于模型实现的详细信息。
对于演示的这一部分，我们需要从源代码安装 groundingdino 包：
首先，你需要克隆 groundingdino 的仓库，然后按照其官方文档中的说明进行安装。这通常涉及安装依赖项，并在克隆的目录中运行适当的安装命令（可能是 pip install . 或 setup.py 脚本）。
请注意，由于 groundingdino 是一个独立的项目，并不直接包含在 KerasCV 中，所以你需要按照 groundingdino 的指南来安装它。
一旦你安装了 groundingdino，你就可以结合使用 KerasCV 的 SegmentAnythingModel 和 groundingdino 生成的边界框来进一步细化或验证你的分割结果。例如，你可以使用 groundingdino 生成的边界框作为点或边界框提示，然后让 SegmentAnythingModel 在该区域内进行更精细的分割。
准备groundingdino
pip install -U git+https://github.com/IDEA-Research/GroundingDINO.git
!wget -q https://github.com/IDEA-Research/GroundingDINO/releases/download/v0.1.0-alpha/groundingdino_swint_ogc.pth
!wget -q https://raw.githubusercontent.com/IDEA-Research/GroundingDINO/v0.1.0-alpha2/groundingdino/config/GroundingDINO_SwinT_OGC.py
from groundingdino.util.inference import Model as GroundingDINO
CONFIG_PATH = "GroundingDINO_SwinT_OGC.py"
WEIGHTS_PATH = "groundingdino_swint_ogc.pth"
grounding_dino = GroundingDINO(CONFIG_PATH, WEIGHTS_PATH)
加载照片
filepath = keras.utils.get_file(
origin="https://storage.googleapis.com/keras-cv/test-images/mountain-dog.jpeg"
)
image = np.array(keras.utils.load_img(filepath))
image = ops.convert_to_numpy(inference_resizing(image))
plt.figure(figsize=(10, 10))
plt.imshow(image / 255.0)
plt.axis("on")
plt.show()
我们首先使用 Grounding DINO 模型预测我们想要分割的对象的边界框。然后，我们使用这个边界框来提示 SAM 模型，以获得分割掩码。
让我们尝试分割出狗的项圈。改变下面的图像和文本，以使用你的图像中的文本来分割任何你想要的东西！
# Let's predict the bounding box for the harness of the dog
boxes = grounding_dino.predict_with_caption(image.astype(np.uint8), "harness")
boxes = np.array(boxes[0].xyxy)
outputs = model.predict(
{
"images": np.repeat(image[np.newaxis, ...], boxes.shape[0], axis=0),
"boxes": boxes.reshape(-1, 1, 2, 2),
},
batch_size=1,
)
就是这样！我们结合使用 Grounding DINO + SAM，根据文本提示得到了一个分割掩码！这是一种非常强大的技术，可以组合不同的模型来扩展应用！
然后可视化结果。
plt.figure(figsize=(10, 10))
plt.imshow(image / 255.0)
for mask in outputs["masks"]:
mask = inference_resizing(mask[0][..., None], pad=False)[..., 0]
mask = ops.convert_to_numpy(mask) > 0.0
show_mask(mask, plt.gca())
show_box(boxes, plt.gca())
plt.axis("off")
plt.show()
2.4优化SAM
你可以使用 mixed_float16 或 bfloat16 数据类型策略来在相对较低精度损失的情况下，获得巨大的速度提升和内存优化。
# Load our image
image = np.array(keras.utils.load_img("truck.jpg"))
image = inference_resizing(image)
# Specify the prompt
input_box = np.array([[240, 340], [400, 500]])
# Let's first see how fast the model is with float32 dtype
time_taken = timeit.repeat(
'model.predict({"images": image[np.newaxis, ...], "boxes": input_box[np.newaxis, np.newaxis, ...]}, verbose=False)',
repeat=3,
number=3,
globals=globals(),
)
print(f"Time taken with float32 dtype: {min(time_taken) / 3:.10f}s")
# Set the dtype policy in Keras
keras.mixed_precision.set_global_policy("mixed_float16")
model = keras_cv.models.SegmentAnythingModel.from_preset("sam_huge_sa1b")
time_taken = timeit.repeat(
'model.predict({"images": image[np.newaxis, ...], "boxes": input_box[np.newaxis, np.newaxis, ...]}, verbose=False)',
repeat=3,
number=3,
globals=globals(),
)
print(f"Time taken with float16 dtype: {min(time_taken) / 3:.10f}s")
3 总结
前面的讨论主要涵盖了如何使用不同的提示方法（包括点、边界框和文本）来引导图像分割模型（如SegmentAnythingModel，简称SAM）进行更精确的分割。此外，还提到了如何通过结合不同的模型（如Grounding DINO与SAM）来扩展图像分割应用的可能性。最后，讨论了如何通过使用mixed_float16或bfloat16数据类型策略来优化SAM，以在几乎不损失精度的同时实现速度和内存的显著提升。
-
多种提示方法：通过使用点、边界框和文本等不同的提示方法，可以有效地引导SAM模型进行更准确的图像分割。
-
模型组合：通过将Grounding DINO等模型与SAM结合使用，可以扩展图像分割应用的范围，提高分割的准确性和效率。
-
优化策略：使用
mixed_float16或bfloat16数据类型策略对SAM进行优化，可以在保持模型性能的同时，显著提升模型的运行速度和内存使用效率。这对于处理大规模数据集或在资源受限的环境下运行模型尤为重要。
这些讨论不仅展示了图像分割技术的多样性和灵活性，还强调了在实际应用中优化模型性能的重要性。通过结合不同的模型和优化策略，我们可以开发出更加高效、准确的图像分割解决方案，满足各种应用场景的需求。
KerasCV 的 SegmentAnythingModel 支持多种应用，并借助 Keras 3 能够在 TensorFlow、JAX 和 PyTorch 上运行该模型！借助 JAX 和 TensorFlow 中的 XLA 加速，该模型的运行速度比原始实现快数倍。此外，通过 Keras 的混合精度支持，只需一行代码即可优化内存使用和计算时间！
对于更高级的用法，请查看自动掩码生成器（Automatic Mask Generator）的演示。这个演示展示了如何利用 SegmentAnythingModel 和其他技术来自动生成高质量的图像分割掩码，从而进一步扩展图像分割的应用领域。无论是进行对象检测、图像分析还是其他复杂的视觉任务，自动掩码生成器都能提供强大的支持，帮助开发者更高效地实现他们的目标。
5321
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
