工具分享

​ FastSAM是一个CNN Segment Anything模型，仅使用SA-1B数据集的2％进行训练。FastSAM在50倍的运行速度下实现了与SAM方法相当的性能。

特点

官方介绍比SAM快50倍，并且打到相同性能效果，模型基于YoloV8结构，训练成本也比SAM的低很多。

部署

• 安装项目

  git clone https://github.com/CASIA-IVA-Lab/FastSAM.git && cd FastSAM
  pip install git+https://github.com/openai/CLIP.git
  
  conda create -n FastSAM python=3.9
  conda activate FastSAM
  
  pip install -r requirements.txt
  

• 使用

  # Everything模式
  python Inference.py --model_path ./weights/FastSAM.pt --img_path ./images/dogs.jpg
  
  # 文本提示分割，使用CLIP辅助
  python Inference.py --model_path ./weights/FastSAM.pt --img_path ./images/dogs.jpg  --text_prompt "the yellow dog"
  
  # 框选模式
  python Inference.py --model_path ./weights/FastSAM.pt --img_path ./images/dogs.jpg --box_prompt "[570,200,230,400]"
  
  # 点击模式
  python Inference.py --model_path ./weights/FastSAM.pt --img_path ./images/dogs.jpg  --point_prompt "[[520,360],[620,300]]" --point_label "[1,0]"
  

平台

官方demo

声明

本文仅作为工具分享记录。

本文与HBlog保持同步。