安装EfficientSAM过程记录

已于 2023-12-12 14:54:23 修改
阅读量587 收藏 1
点赞数
文章标签： 深度学习 人工智能 pytorch
于 2023-12-12 00:13:29 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/qqbb1987/article/details/134937245
版权

1. 可以从github或者hugging face下载测试程序

2. 最好用Hugging face中app.py进行测试，github中的例程EfficientSAM_example.ipynb的程序有些BUG需要自己调试，需要修改两处错误。

3. 主要以Hugging face进行讲解：

建立虚拟环境ESAM，采用conda建立虚拟环境：

conda create -n ESAM

pytorch安装最新版，根据官网安装说明安装torch 2.1稳定版。

conda install pytorch torchvision torchaudio pytorch-cuda=12.1 -c pytorch -c nvidia

安装好ESAM虚拟环境，再利用pip install -r requirement补齐所缺东西。

左键选择好待分割图像，如果觉得点选错了，点解Clear清除所有点。

之后点击“Segment with Point Prompt”生成单张的图像。

最后，成功实现了图像分割！

AI布道
关注
  • 0
    点赞
  • 踩
  • 1
    收藏
    觉得还不错? 一键收藏
  • 4
    评论
EfficientSAM：轻量级的视觉基础分割模型【清晰明了！】
xiaoh_7的博客
03-20 1586
EfficientSAM 是一种轻量级视觉分割基础模型，在保证精度的同时，大幅降低了模型复杂度和内存成本。它采用了遮蔽图像预训练 (SAMI) 和优化轻量级 ViT 图像编码器等创新方法，在图像分类、对象检测、实例分割等多种任务上都取得了优异的成绩。
【SAM系列】EfficientSAM: Leveraged Masked Image Pretraining for Efficient Segment Anything
weixin_41845840的博客
12-27 609
论文代码：https://github.com/yformer/EfficientSAM。论文链接：https://web3.arxiv.org/abs/2312.00863。目的：降低SAM的计算开销。
efficientsam-pytorch基于point、box和segment everthing推理模型
qq_27815483的博客
06-16 1060
EfficientSAM基于point、box和segment everthing推理
Segment Anything：SAM系列模型（SAM、EfficientSAM、MobileSAM、MobileSAM-v2、FastSAM）
越努力，越幸运
01-19 2533
这种设计受到《基于Trasformers的端到端目标检测》和Maskformer的启发，使用了一个修改的Transformer解码器block，后跟一个动态掩码预测头。修改后的解码器block在两个方向（提示到图像嵌入和图像嵌入到提示）上使用自注意力和交叉注意力来更新所有嵌入。在运行两个Block后，对图像嵌入进行上采样，并通过MLP层将输出标记映射到一个动态线性分类器（该分类器用于计算每个图像位置的掩码前景概率）。密集提示（即掩码）使用卷积进行嵌入，并与图像嵌入进行逐元素求和。
SAM轻量级改进EfficientSAM论文解读EfficientSAM: Leveraged Masked Image Pretraining for Efficient SegmentAnyth
sunshineine的博客
02-15 1888
SAM巨大的计算成本限制了其在实际应用中的广泛应用，为了解决这个限制，提出了轻量级的EfficientSAM，它具有良好的性能，同时大大降低了复杂性。EfficientSAM的想法是基于利用掩码图像预训练SAMI，SAMI通过重建SAM图像编码器的潜在特征来改进掩膜图像的预训练，将视觉基础模型中的知识转移到ViT中，以实现有效的视觉表征学习。此外，采用SAMI预训练的轻量级图像编码器和掩码解码器来构建高效SAMs，并对SA-1B上的模型进行微调以进行分割任何任务。
论文解读：EfficientSAM: Leveraged Masked Image Pretraining for Efficient Segment Anything(2024 CVPR满分论文)
weixin_50917576的博客
03-19 2547
虽然SAM模型是有益的，但其巨大的计算成本限制了其在实际应用中的广泛应用。为了解决这个限制，我们提出了efficientsam，这是一种轻量级的SAM模型，它表现出良好的性能，同时大大降低了复杂性。我们的想法是基于利用mask图像预训练SAMI，它学习从SAM图像编码器中重建特征，以实现有效的视觉表征学习。此外，我们采用sami预训练的轻量级图像编码器和掩码解码器来构建高效sams，并对SA-1B上的模型进行微调以进行分段任何任务。
算法部署-使用TensorRT8.6部署SAM分割一切大模型-大模型部署-优质算法部署项目实战.zip
03-05
这一过程包括模型的解析、层的转换、模型的量化（如果需要减少内存占用和提高速度）以及构建优化的执行计划。TensorRT提供了丰富的API和工具，如`trtexec`，帮助开发者方便地完成这些任务。在这个项目中，我们将重点...
EfficientSAM论文解读
qq_47432746的博客
03-03 1295
尽管SAM已经取得非常优越的分割性能，但是Vit-H image encoder has 632M 参数；decoder 仅仅有 3.87M,编码器的参数太大了，EfficientSAM模型的提出，最重要的事情是轻量化模型，主要是轻量化编码器。使用良好预训练的轻量级ViT图像编码器（例如，ViT-Tiny/-Small），以降低SAM的复杂性，同时保持良好的性能。如下图，EfficientSAM模型只有5M大小。
EfficientSAM: Leveraged Masked Image Pretraining for Efficient Segment Anything 浅浅析
weixin_46214675的博客
12-07 1434
要让小的Encoder去学，走下面先对图片做mask然后过小的encoder，对未被mask的部分做编码，然后把mask的和没被mask的一起送到decoder做还原，这里还加了一个线性投影用来和SAM Encoder做对其，然后用重建loss，就训起来了。说一下个人感受吧，首先就是标题党，真是震惊！其次，最直观的我的第一影响，这蒸馏完点都下去了，放出来的图还会比原版SAM的效果好，着实令人震惊，效果好点还掉了？最后，还是很有意义的工作，怎么能在尽可能保留原版大的模型性能的同时兼顾效果，是一个永恒的命题。
EfficientSAM：小模型也能万物分割！Meta改进SAM，参数仅为原版5%
idol24的博客
12-13 2762
本文来源 机器之心 编辑：陈萍、蛋酱对于 2023 年的计算机视觉领域来说，「分割一切」（Segment Anything Model）是备受关注的一项研究进展。Meta四月份发布的「分割一切模型（SAM）」效果，它能很好地自动分割图像中的所有内容Segment Anything 的关键特征是基于提示的视觉 Transformer（ViT）模型，该模型是在一个包含来自 1100 万张图像的超过...
EfficientSAM的使用记录
Swiss__Roll的博客
03-04 548
因为不靠谱的老师，不靠谱的横向项目，不靠谱的甲方负责人，让我们做着不靠谱的事儿。记录一下EfficientSAM的安装及其使用过程。
EfficientSAM | 借助MIM机制，MetaAI让SAM更高效！
聚焦底层视觉处理，对相关基础AI技术持续学习
02-27 424
本文介绍了一种名为EfficientSAM的模型，该模型通过利用遮罩图像预训练来提高图像分割的性能。作者使用了一个名为SAMI的方法，通过将SAM图像编码器的特征作为重建目标，从SAM图像编码器中重建特征，从而实现遮罩图像预训练。作者还使用SAMI预训练的轻量级图像编码器构建了EfficientSAM模型，并在SA-1B数据集上进行了验证。实验结果表明，EfficientSAM模型在图像分类、目标检测、实例分割和语义分割等任务中均取得了比其他预训练方法更好的性能。
CVPR 2024 满分论文！Meta提出EfficientSAM：快速分割一切！
阿木寺的博客
02-28 2156
点击下方卡片，关注“CVer”公众号AI/CV重磅干货，第一时间送达点击进入—>【图像分割】交流群添加微信：CVer444，小助手会拉你进群！扫描下方二维码，加入CVer学术星球，可以获得最新顶会/顶刊上的论文idea和CV从入门到精通资料，及最前沿应用！发论文搞科研，强烈推荐！论文介绍来源：机器之心|编辑：陈萍、蛋酱Amusi 发现EfficientSAM 这篇工作以5/5/5满分收...
EfficientSAM
whaosoft143ai的博客
12-06 1027
特别地，为了构建用于分割任何任务的 efficient SAM 模型，我们采用 SAMI 预训练的轻量级编码器（如 ViT-Tiny 和 ViT-Small）作为图像编码器，并使用 SAM 的默认遮罩解码器作为我们的 EfficientSAM 的解码器，如图 2（底部）所示。在交叉注意力解码器中，查询来自遮罩标记，键和值则来自编码器中的未遮罩特征和遮罩特征。作者使用了一个名为SAMI的方法，通过将SAM图像编码器的特征作为重建目标，从SAM图像编码器中重建特征，从而实现遮罩图像预训练。whaosoft ai
EfficientSAM 代码推理
越努力，越幸运
01-12 832
经过推理测试3090GPU，官方测试图片1072*603 使用框或者点prompts 使用vitt模型需要41-58ms左右，显存7G左右。官方给的推理代码是CPU版本的，如果想使用GPU推理需要自己修改一下。使用全图分割耗时会更长。
更快更强的sam来了，EfficientSAM
jacke121的专栏
12-19 696
更快更强的sam来了，EfficientSAM
仅需一个样本即可定制个性化的SAM
jacke121的专栏
05-10 1361
仅需一个样本即可定制个性化的SAM
13 循环神经网络—序列模型，语言模型
kaszxc的博客
07-16 226
时序模型中，当前数据跟之前观察到的数据相关自回归模型使用自身过去数据来预测未来马尔科夫模型假设当前只跟当前少数数据相关，每次都使用固定长度的过去信息来预测现在，从而简化模型潜变量模型使用潜变量来概括历史信息，使得模型拆分成两块：一块是根据现在观测到的数据来更新潜变量；另一块是根据更新后的潜变量和过去的数据来更新将来要观测到的数据内插法（在现有观测值之间进行估计）和外推法（对超出已知观测范围进行预测）在实践的难度上差别很大。
Python代码，强化学习，深度学习
最新发布
2401_85886655的博客
07-19 492
python代码编写，Python算法设计，强化学习优化，改进模型，训练模型，测试模型，可视化绘制，代编运行结果，交互多模型改进，预测模型，算法修改，Python包管理、数据分析、数据可视化、代码报错等等。Matlab代编，Python代编，神经网络，计算机视觉。问卷分析|数据查找！医学统计，回归分析，空间计量，神经网络。实证分析，事件分析，统计建模，面板模型。相关分析|生存分析，金融计量，各类算法。以上均可，个人保证高质量，保证效率。电子通信机器学习图像处理等。
yoloworld from .YOLO_WORLD_EfficientSAM import * ImportError: attempted relative import with no known parent package
06-28
The error message you're encountering suggests that there's an issue with importing the `YOLO_WORLD_EfficientSAM` module from a Python package. The `ImportError: attempted relative import with no known parent package` typically indicates that the code is trying to use a relative import (`from . import ...`) but the current directory structure does not have a proper package structure or the parent package has not been imported correctly. Here's what you can do to resolve this: 1. **Check package structure**: Ensure that you have a `__init__.py` file in the root directory of your package, as this is required for Python to recognize it as a package. If the module you're trying to import is in a subdirectory, move it up to the same level or create the necessary levels of directories (e.g., `your_package/your_subpackage`). 2. **Use absolute imports**: Instead of using relative imports, try importing the module using an absolute path, like `from yoloworld import YOLO_WORLD_EfficientSAM`. 3. **Ensure correct import statement**: If you are within a package, make sure you're importing the package correctly before attempting to import the submodule. For example, if the package is called `yoloworld`, you might need to do `import yoloworld` first and then use `from yoloworld.YOLO_WORLD_EfficientSAM import *`. 4. **Update PYTHONPATH**: If you're working in a development environment, ensure your PYTHONPATH environment variable includes the correct path to the package location. If you provide more details about your project setup and the exact context where you're encountering this error, I could give a more tailored solution. Here are some related questions for further clarification:

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论 4
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