语义分割 SAM 部署与测试

已于 2023-07-21 10:30:31 修改
阅读量748 收藏 3
点赞数
分类专栏： pyqt5 机器视觉 深度学习 文章标签： pytorch python
于 2023-07-20 13:59:16 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/weixin_45875105/article/details/131828912
版权
本文档介绍了如何部署和测试语义分割模型SAM。通过简单封装，将原始代码进行调整，便于使用。用户只需在input文件夹放入图片，output文件夹会显示结果。在GPU上运行，处理时间为8秒内，内存需求为12GB。详细步骤包括下载代码、权重文件，以及程序封装。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

请添加图片描述
分割所有图片，强大的分割能力 SAM
本文做了简单的封装，对源程序做了简单修改，方便使用
可以在input文件夹中放入文件，在output文件夹中查看结果
其中segment-anything\notebooks\predictor_example.ipynb 拥有相关定位点的分割。
功能非常强大，部署即实现。
注意：处理时间较长 CPU预计180秒 GPU: 8秒内
GPU消耗内存:12G左右

1.下载程序代码

源码位置：https://github.com/facebookresearch/segment-anything
安装等请查看 本地部署与复现

2.下载权值文件

vit_h:

https://dl.fbaipublicfiles.com/segment_anything/sam_vit_h_4b8939.pth

vit_l:


                

                
                
        

    

  


        

            

                

                

                了解本专栏
                
                
                  
                订阅专栏 解锁全文
                 
                
                    
                    超级会员免费看
                
            

            
            
            
        


    


                



	

		

			

				
					
SAM语义分割模型开源，AIGC时代，图像抠图工具都被大模型统一了？（下）

				
			

			

				

					千与编程
				

				

					07-24
					
					1102
					
				

			

		

		

			
				
在之前的两节中我们介绍了分割一切的 Segment Anything模型，以及分割视频的 Segment-and-Track Anything模型。那么就是今天的项目，随着5G技术等的不断普及，我们对运算速度也有不低的要求，因此今天的项目就是对模型进行了压缩与轻量化处理。到SAM分割并追踪的模型用于视频图像分割，再到现在的MobileSAM部署于CPU端以及移动端的分割一切模型，只能说大模型真的是杀疯了！以上关于MobileSAM模型的介绍就结束了，回想起来，最开始的SAM原始图像分割一切模型。

			
		

	



                

            
              



	

		

			

				
					
语义分割快速入门教程（mmsegmentation平台）

				
			

			

				

					weixin_37933097的博客
				

				

					07-29
					
					2277
					
				

			

		

		

			
				
让小白快速入门语义分割，少走弯路

			
		

	



              


  
              

                


	

		

			

				
					
语义分割——SAM 模型环境配置和使用教程

				
			

			

				

					Re.Gin的博客
				

				

					11-13
					
					6126
					
				

			

		

		

			
				
本文主要介绍如何将 SAM 模型部署到本地，并使用 SAM 模型进行图像分割

			
		

	





	

		

			

				
					
实例分割、语义分割和 SAM（Segment Anything Model）

				
			

			

				

					2301_76846375的博客
				

				

					10-06
					
					4458
					
				

			

		

		

			
				
实例分割、语义分割和都是图像处理中的重要技术，它们的目标是通过分割图像中的不同对象或区域来帮助识别和分析图像，但它们的工作方式和适用场景各有不同。

			
		

	



		

			
		



	

		

			

				
					
语义分割大模型SAM论文阅读

				
			

			

				

					qq_41627642的博客
				

				

					07-07
					
					1930
					
				

			

		

		

			
				
我们介绍了分割一切(SA)项目:一个新的图像分割任务，模型和数据集。在数据收集循环中使用我们的高效模型，我们建立了迄今为止(到目前为止)最大的分割数据集，在1100万张许可和尊重隐私的图像上拥有超过10亿个掩模。该模型被设计和训练为提示，因此它可以将零拍摄转移到新的图像分布和任务。我们评估了它在许多任务中的能力，发现它的零射击性能令人印象深刻-通常与之前的完全监督结果相竞争甚至优于。

			
		

	





	

		

			

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

				
			

			

				

					MayYou_SSS的博客
				

				

					09-06
					
					2万+
					
				

			

		

		

			
				
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。

			
		

	





	

		

			

				
					
SAM（segment anything）模型本地部署

				
			

			

				

					C1142256120_qq的博客
				

				

					05-10
					
					4007
					
				

			

		

		

			
				
segment anything 模型环境配置和本地部署

			
		

	





	

		

			

				
					
创新项目实训（3）——SAM模型学习 & 部署

				
			

			

				

					2401_83485566的博客
				

				

					05-29
					
					1617
					
				

			

		

		

			
				
首先需要检查编译器，并安装安装完成后，可以再安装一些基础依赖，后面处理掩码、保存格式可能用到。安装SAM模型可以选择从GitHub上直接克隆，或者在python环境中直接pip install。

			
		

	





	

		

			

				
					
视频也能分割？！在云服务器上部署最新视觉大模型SAM2教程、详细代码注释和视频演示

				
			

			

				

					Yophan的博客
				

				

					08-06
					
					1495
					
				

			

		

		

			
				
SAM2在云平台上详细部署代码、中文注释和演示

			
		

	





	

		

			

				
					
视频目标语义分割自动标注——从图像轮廓提取到转成json标签文件

				
			

			

				

					知来者逆的博客
				

				

					10-16
					
					3891
					
				

			

		

		

			
				
图像语义分割数据标注是一项费时费力的工作，特别是对视频中的目标进行语义分割标注时，要对视频进行拆帧之后对每一帧的里面所需要的目标进行标注，是一项繁琐又费时费力的工作。但随着Segment Anything与​Segment-and-Track Anything算法的出现，让分割标注任务不在那么麻烦，​Segment-and-Track Anything可以对视频里面的目标进行追踪之后，再分割，然后我们可以借助​Segment-and-Track Anything分割出来的mask自动生成标签文件。

			
		

	





	

		

			

				
					
anylabeling的Segment Anything (ViT-L Quant)模型sam-vit-l-quant

				
			

			

				

					07-31
				

			

		

		

			
				
下载后解压到C:\Users\你的用户名\anylabeling_data\models\sam_vit_l_0b3195_quant即可用

			
		

	





	

		

			

				
					
项目实训（四）——SAM模型的学习与部署

				
			

			

				

					yyyyyyyx_的博客
				

				

					05-29
					
					849
					
				

			

		

		

			
				
这里的show_mask就是我们用mask的prompt进行分割，show_points就是我们用points进行分割，show_box就是通过box进行分割，这是SAM的三种prompt的方式。总的来说，Meta AI 的 Segment Anything 模型为我们提供了一种全新的物体识别和分割方式，其强大的泛化能力和广泛的应用前景将极大地推动计算机视觉领域的发展。这里有vit_h、vit_b、vit_l三种权重模型，这里可以根据自己的需要下载相应的权重模型。我们是下载的vit_h权重模型。

			
		

	





	

		

			

				
					
SAM-记录一下自己在linux下部署SAM的过程

				
			

			

				

					gmmmmmmmm的博客
				

				

					01-31
					
					1519
					
				

			

		

		

			
				
4.下载model checkpoints：[https://github.com/facebookresearch/segment-anything#model-checkpoints](https://github.com/facebookresearch/segment-anything#model-checkpoints "https://github.com/facebookresearch/segment-anything#model-checkpoints")

			
		

	





	

		

			

				
					
SAM（segment anything model）本地部署复现

				
			

			

				

					koukutou_mikiya的博客
				

				

					04-21
					
					1万+
					
				

			

		

		

			
				
对SAM（segment anything）的本地简单部署和运行

			
		

	





	

		

			

				
					
[segment-anything]使用onnxruntime部署sam模型，速度提高30倍！

				
			

			

				

					m0_75272311的博客
				

				

					04-22
					
					1万+
					
				

			

		

		

			
				
使用onnxruntime部署segment-anything模型

			
		

	





	

		

			

				
					
【从零开始部署SAM（Segment Anything Model ）大模型 3 Ubuntu20 离线部署 C++】

				
			

			

				

					qq_43649786的博客
				

				

					05-31
					
					1898
					
				

			

		

		

			
				
通过C++进行部署的主要原因就是希望能够有效的提升运行效率减少推理耗时，SAM大模型的官方网站中提供了vit_h，vit_l，vit_b三种大小不同的模型参数，在我们的实际运行中发现，以vit_h参数为例，对于一帧图像的整体运算时间高达6000ms（读取图像+推理+获得掩膜并显示），因此我们认为SAM的三种参数都不适用于C++的部署工作，我们最终选择了MobileSAM作为C++的实际部署模型。在项目中需要处理模型mobilesam.onnx和预处理模型mobilesam_process.onnx。

			
		

	





	

		

			

				
					
服务器系统报错sam,01 安装部署

				
			

			

				

					weixin_28934777的博客
				

				

					08-11
					
					1193
					
				

			

		

		

			
				
1. 硬件和操作系统要求 (这里以3.95版本为例，如果版本较低可参考对应版本的安装手册)下表说明安装RG-SAM 安全计费管理系统的硬件和操作系统要求。(1)硬件配置：最低配置：Dell PowerEdgeR710CPU：Intel XeonE5606 2.13GHz 4 核*2内存：8G磁盘：吞吐率 130MB，100G及以上容量网络：1000Mbps 全双工网卡*3推荐配置：Dell Pow...

			
		

	





	

		

			

				
					
sam服务器是什么_使用SAM CLI将机器学习模型部署到无服务器后端

				
			

			

				

					weixin_26752765的博客
				

				

					09-05
					
					1343
					
				

			

		

		

			
				
sam服务器是什么 介绍 (Introduction)
Over the last year at CMRA, we have been incorporating more machine learning models into our applications. There are plenty of data science blogs about developing models. H...

			
		

	





	

		

			

				
					
分割一切？手把手教你部署SAM+LabelStudio实现自动标注

					
热门推荐

				
			

			

				

					m0_47026232的博客
				

				

					04-28
					
					2万+
					
				

			

		

		

			
				
最近Open-mmlab开源了Playground项目，将最近引起CV界轰动的SAM(Segment Anything Model)模型和Open-mmlab多个视觉框架相结合，可实现多种视觉任务的自动标注，本文将采用Open-mmlab的Playground开源项目，使用SAM和LabelStudio，实现分割任务的半自动标注。

			
		

	





	

		

			

				
					
sam语义分割可视化

					
最新发布

				
			

			

				

					01-15
				

			

		

		

			
				
### SAM 语义分割可视化  SAM 提供了一种强大且灵活的方法来实现零样本语义分割，这使得它在自动驾驶等领域具有广泛应用潜力[^1]。为了更好地理解如何使用 SAM 进行语义分割的可视化，下面将介绍具体的实现方式、...

			
		

	



              




          




        



    





    



      

      

        
      

      





	

		评论	
	

	
	




  

    

      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
            

          

        

        

          

          

          

        

      

    

    

  





	
打赏作者

	

		

		
			
		
		

		

			
廷益--飞鸟

			
你的鼓励将是我创作的最大动力

		

	

	

			

	

	

    ¥1
    ¥2
    ¥4
    ¥6
    ¥10
    ¥20
	

	

		

			

				

					扫码支付：¥1
				

				

					

					
					获取中
					

				

				

					
					
					扫码支付
				

			

		

		

			
您的余额不足，请更换扫码支付或充值

			
打赏作者

		

	



      
      

      
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