成人免费xxxxx在线视频软件_久久精品久久久_亚洲国产精品久久久_天天色天天色_亚洲人成一区_欧美一级欧美三级在线观看

Windows10下使用SAM(Segment Anything Model)大模型實現萬物皆可分割！

作者：小喵學AI
人工智能
在前文中從實現原理到源碼解析對SAM大模型進行了詳細解讀，本文將演示Windows10下SAM大模型的實際使用過程！

SAM(Segment Anything Model)，顧名思義，即為分割一切！該模型由Facebook的Meta AI實驗室，能夠根據文本指令或圖像識別，實現對任意物體的識別與分割。它的誕生，無疑是CV領域的一次重要里程碑。

論文地址：https://arxiv.org/abs/2304.02643

在前文《從零解讀SAM(Segment Anything Model)大模型！萬物皆可分割！(含源碼解析)》中從實現原理到源碼解析對SAM大模型進行了詳細解讀，本文將演示Windows10下SAM大模型的實際使用過程！

SAM模型運行環境安裝

1.環境要求

  • Python 3.8+
  • Pytorch 1.7+
  • Torchvision>=0.8

2.查看CUDA版本號

nvidia-smi

3.安裝GPU版本的Pytorch

根據自己的cuda版本選擇對應的版本，生成安裝命令。

SAM模型代碼使用

首先下載Github源碼以及所提供的權重文件。

1.predictor_example

predictor_example.ipynb源碼在notebooks文件目錄下，可以本地運行測試。

步驟一：查看測試圖片

import cv2
import matplotlib.pyplot as plt
image = cv2.imread('img.png')
image = cv2.cvtColor(image, cv2.COLOR_BGR2RGB)
plt.figure(figsize=(10, 10))
plt.imshow(image)
plt.axis('on')
plt.show()

步驟二：顯示前景和背景的標記點

import numpy as np
import matplotlib.pyplot as plt
import cv2

def show_points(coords, labels, ax, marker_size=375):
    # 從coords中篩選出前景點(pos_points)和背景點(neg_points)
    # 如果labels中的元素為1，則對應的坐標點被視為前景；如果為0，則視為背景
    pos_points = coords[labels == 1]
    neg_points = coords[labels == 0]
    # 繪制前景點和背景點
    ax.scatter(pos_points[:, 0], pos_points[:, 1], color='green', marker='*', s=marker_size, edgecolor='white',
               linewidth=1.25)  # 前景的標記點顯示
    ax.scatter(neg_points[:, 0], neg_points[:, 1], color='red', marker='*', s=marker_size, edgecolor='white',
               linewidth=1.25)  # 背景的標記點顯示

# 讀取圖像文件
image = cv2.imread('img.png')
# 將圖像從BGR色彩空間轉換為RGB色彩空間
image = cv2.cvtColor(image, cv2.COLOR_BGR2RGB)

# 二維數組，存儲了三個預設的坐標點
input_point = np.array([[230, 194], [182, 63], [339, 279]])
# 一維數組，與坐標點一一對應，指定了每個點是前景（1）還是背景（0）
input_label = np.array([1, 1, 0])

plt.figure(figsize=(10, 10))
plt.imshow(image)
show_points(input_point, input_label, plt.gca())
plt.axis('on')
plt.show()

這里圖片可以用畫圖軟件打開查看像素坐標輔助標定。

步驟三：標記點完成前景目標的分割

簡單的調用源碼模型，就能完成前景目標的分割，源碼提供了三種不同大小的模型，我們也可以自己去嘗試不同的模型效果。

import numpy as np
import matplotlib.pyplot as plt
import cv2

# 在matplotlib的坐標軸ax上展示一個掩膜圖像mask
def show_mask(mask, ax, random_color=False):
    # 如果random_color為真，則通過np.random.random(3)生成一個隨機的RGB顏色向量，
    # 并與透明度值（0.6）拼接，形成一個RGBA顏色數組
    # 否則，使用預設的藍色透明色值
    if random_color:    # 掩膜顏色是否隨機決定
        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])
    # 獲取掩膜的高h和寬w
    h, w = mask.shape[-2:]
    # 將掩膜重塑為(h, w, 1)形狀，以便于與顏色數組相乘，準備作為圖像顯示
    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):
    # 從coords中篩選出前景點(pos_points)和背景點(neg_points)
    # 如果labels中的元素為1，則對應的坐標點被視為前景；如果為0，則視為背景
    pos_points = coords[labels == 1]
    neg_points = coords[labels == 0]
    # 繪制前景點和背景點
    ax.scatter(pos_points[:, 0], pos_points[:, 1], color='green', marker='*', s=marker_size, edgecolor='white',
               linewidth=1.25)  # 前景的標記點顯示
    ax.scatter(neg_points[:, 0], neg_points[:, 1], color='red', marker='*', s=marker_size, edgecolor='white',
               linewidth=1.25)  # 背景的標記點顯示
import sys
sys.path.append("..")
from segment_anything import sam_model_registry, SamPredictor

image = cv2.imread('img.png')
image = cv2.cvtColor(image, cv2.COLOR_BGR2RGB)

#------加載模型
# 權重文件保存地址
sam_checkpoint = "model_save/sam_vit_b_01ec64.pth"
# sam_checkpoint = "model_save/sam_vit_h_4b8939.pth"
# sam_checkpoint = "model_save/sam_vit_l_0b3195.pth"
# 模型類型
model_type = "vit_b"
# model_type = "vit_h"
# model_type = "vit_l"
device = "cuda"
sam = sam_model_registry[model_type](checkpoint=sam_checkpoint)
sam.to(device=device)
predictor = SamPredictor(sam)
predictor.set_image(image)

#------加載模型---------------------

# 鼠標標定(x,y)位置
# 因為可以有多個標定，所以有多個坐標點
input_point = np.array([[230, 194], [182, 63], [339, 279]])
# 1表示前景目標，0表示背景
# input_point和input_label一一對應
input_label = np.array([1, 1, 0])


masks, scores, logits = predictor.predict(
    point_coords=input_point,
    point_labels=input_label,
    multimask_output=True,
)
for i, (mask, score) in enumerate(zip(masks, scores)):
    plt.figure(figsize=(10, 10))
    plt.imshow(image)
    show_mask(mask, plt.gca())
    show_points(input_point, input_label, plt.gca())
    plt.title(f"Mask {i + 1}, Score: {score:.3f}", fontsize=18)
    plt.axis('off')
    plt.show()

這里會輸出三個結果。

步驟四：標定框完成前景目標的分割

綠色的框是用戶自己標定的，根據框選的區域完成前景目標的分割。

import numpy as np
import matplotlib.pyplot as plt
import cv2

def show_mask(mask, ax, random_color=False):
    if random_color:    # 掩膜顏色是否隨機決定
        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):
    # 篩選出前景目標標記點
    pos_points = coords[labels == 1]
    # 篩選出背景目標標記點
    neg_points = coords[labels == 0]
    # x-->pos_points[:, 0] y-->pos_points[:, 1]
    ax.scatter(pos_points[:, 0], pos_points[:, 1], color='green', marker='*', s=marker_size, edgecolor='white',
               linewidth=1.25)  # 前景的標記點顯示
    ax.scatter(neg_points[:, 0], neg_points[:, 1], color='red', marker='*', s=marker_size, edgecolor='white',
               linewidth=1.25)  # 背景的標記點顯示
def show_box(box, ax):
    # 畫出標定框 x0 y0是起始坐標
    x0, y0 = box[0], box[1]
    # w h 是框的尺寸
    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))

import sys
sys.path.append("..")
from segment_anything import sam_model_registry, SamPredictor
image = cv2.imread('img.png')
image = cv2.cvtColor(image, cv2.COLOR_BGR2RGB)

#------加載模型
# 權重文件保存地址
sam_checkpoint = "model_save/sam_vit_b_01ec64.pth"
# sam_checkpoint = "model_save/sam_vit_h_4b8939.pth"
# sam_checkpoint = "model_save/sam_vit_l_0b3195.pth"
# 模型類型
model_type = "vit_b"
# model_type = "vit_h"
# model_type = "vit_l"
device = "cuda"
sam = sam_model_registry[model_type](checkpoint=sam_checkpoint)
sam.to(device=device)
predictor = SamPredictor(sam)
predictor.set_image(image)

#------加載模型----------------

# 標定框的起始坐標和終點坐標
input_box = np.array([112, 41, 373, 320])

masks, _, _ = predictor.predict(
    point_coords=None,
    point_labels=None,
    box=input_box[None, :],
    multimask_output=False,
)

plt.figure(figsize=(10, 10))
plt.imshow(image)
show_mask(masks[0], plt.gca())
show_box(input_box, plt.gca())
plt.axis('off')
plt.show()

步驟五：標定框和標記點聯合完成前景目標的分割

對于一些復雜的目標，可能需要聯合使用提高前景目標的分割精度。box和points可以聯合標定完成圖像分割的，但是此時的box只能有一個，不能有多個。

import numpy as np
import matplotlib.pyplot as plt
import cv2

def show_mask(mask, ax, random_color=False):
    if random_color:    # 掩膜顏色是否隨機決定
        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):
    # 篩選出前景目標標記點
    pos_points = coords[labels == 1]
    # 篩選出背景目標標記點
    neg_points = coords[labels == 0]
    # x-->pos_points[:, 0] y-->pos_points[:, 1]
    ax.scatter(pos_points[:, 0], pos_points[:, 1], color='green', marker='*', s=marker_size, edgecolor='white',
               linewidth=1.25)  # 前景的標記點顯示
    ax.scatter(neg_points[:, 0], neg_points[:, 1], color='red', marker='*', s=marker_size, edgecolor='white',
               linewidth=1.25)  # 背景的標記點顯示

def show_box(box, ax):
    # 畫出標定框 x0 y0是起始坐標
    x0, y0 = box[0], box[1]
    # w h 是框的尺寸
    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))

import sys
sys.path.append("..")
from segment_anything import sam_model_registry, SamPredictor

image = cv2.imread('img.png')
image = cv2.cvtColor(image, cv2.COLOR_BGR2RGB)

#------加載模型
# 權重文件保存地址
sam_checkpoint = "model_save/sam_vit_b_01ec64.pth"
# sam_checkpoint = "model_save/sam_vit_h_4b8939.pth"
# sam_checkpoint = "model_save/sam_vit_l_0b3195.pth"
# 模型類型
model_type = "vit_b"
# model_type = "vit_h"
# model_type = "vit_l"
device = "cuda"
sam = sam_model_registry[model_type](checkpoint=sam_checkpoint)
sam.to(device=device)
predictor = SamPredictor(sam)
predictor.set_image(image)
#------加載模型


# 標定框的起始坐標和終點坐標
input_box = np.array([112, 41, 373, 320])
# 鼠標標定(x,y)位置
# 因為可以有多個標定，所以有多個坐標點
input_point = np.array([[230, 194], [182, 63], [339, 279]])
# 1表示前景目標，0表示背景
# input_point和input_label一一對應
input_label = np.array([1, 1, 0])

# 標定框和標記點聯合使用
masks, _, _ = predictor.predict(
    point_coords=input_point,
    point_labels=input_label,
    box=input_box,
    multimask_output=False,
)

plt.figure(figsize=(10, 10))
plt.imshow(image)
show_mask(masks[0], plt.gca())
show_box(input_box, plt.gca())
show_points(input_point, input_label, plt.gca())
plt.axis('off')
plt.show()

步驟六：多標定框完成前景目標的分割

可以是多標定框對應多個目標，也可以是多標定框對應同一目標的不同部位。

import numpy as np
import matplotlib.pyplot as plt
import torch
import cv2

def show_mask(mask, ax, random_color=False):
    if random_color:    # 掩膜顏色是否隨機決定
        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):
    # 篩選出前景目標標記點
    pos_points = coords[labels == 1]
    # 篩選出背景目標標記點
    neg_points = coords[labels == 0]
    # x-->pos_points[:, 0] y-->pos_points[:, 1]
    ax.scatter(pos_points[:, 0], pos_points[:, 1], color='green', marker='*', s=marker_size, edgecolor='white',
               linewidth=1.25)  # 前景的標記點顯示
    ax.scatter(neg_points[:, 0], neg_points[:, 1], color='red', marker='*', s=marker_size, edgecolor='white',
               linewidth=1.25)  # 背景的標記點顯示

def show_box(box, ax):
    # 畫出標定框 x0 y0是起始坐標
    x0, y0 = box[0], box[1]
    # w h 是框的尺寸
    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))

import sys
sys.path.append("..")
from segment_anything import sam_model_registry, SamPredictor

image = cv2.imread('img.png')
image = cv2.cvtColor(image, cv2.COLOR_BGR2RGB)

#------加載模型
# 權重文件保存地址
sam_checkpoint = "model_save/sam_vit_b_01ec64.pth"
# sam_checkpoint = "model_save/sam_vit_h_4b8939.pth"
# sam_checkpoint = "model_save/sam_vit_l_0b3195.pth"
# 模型類型
model_type = "vit_b"
# model_type = "vit_h"
# model_type = "vit_l"
device = "cuda"
sam = sam_model_registry[model_type](checkpoint=sam_checkpoint)
sam.to(device=device)
predictor = SamPredictor(sam)
predictor.set_image(image)
#------加載模型


# 存在多個目標標定框
input_boxes = torch.tensor([
    [121, 49, 361, 190],
    [143, 101, 308, 312],
    [366, 116, 451, 233],
], device=predictor.device)

transformed_boxes = predictor.transform.apply_boxes_torch(input_boxes, image.shape[:2])
masks, _, _ = predictor.predict_torch(
    point_coords=None,
    point_labels=None,
    boxes=transformed_boxes,
    multimask_output=False,
)
plt.figure(figsize=(10, 10))
plt.imshow(image)
for mask in masks:
    show_mask(mask.cpu().numpy(), plt.gca(), random_color=True)
for box in input_boxes:
    show_box(box.cpu().numpy(), plt.gca())
plt.axis('off')
plt.show()

步驟七：圖片批量完成前景目標的分割

源碼支持圖片的批量輸入，大大提升了分割效率。

import numpy as np
import matplotlib.pyplot as plt
import torch
import cv2

def show_mask(mask, ax, random_color=False):
    if random_color:    # 掩膜顏色是否隨機決定
        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):
    # 篩選出前景目標標記點
    pos_points = coords[labels == 1]
    # 篩選出背景目標標記點
    neg_points = coords[labels == 0]
    # x-->pos_points[:, 0] y-->pos_points[:, 1]
    ax.scatter(pos_points[:, 0], pos_points[:, 1], color='green', marker='*', s=marker_size, edgecolor='white',
               linewidth=1.25)  # 前景的標記點顯示
    ax.scatter(neg_points[:, 0], neg_points[:, 1], color='red', marker='*', s=marker_size, edgecolor='white',
               linewidth=1.25)  # 背景的標記點顯示

def show_box(box, ax):
    # 畫出標定框 x0 y0是起始坐標
    x0, y0 = box[0], box[1]
    # w h 是框的尺寸
    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 prepare_image(image, transform, device):
    image = transform.apply_image(image)
    image = torch.as_tensor(image, device=device.device)
    return image.permute(2, 0, 1).contiguous()


import sys
sys.path.append("..")
from segment_anything import sam_model_registry, SamPredictor

image1 = cv2.imread('img.png')
image1 = cv2.cvtColor(image1, cv2.COLOR_BGR2RGB)
image2 = cv2.imread('img_1.png')
image2 = cv2.cvtColor(image2, cv2.COLOR_BGR2RGB)

#------加載模型
# 權重文件保存地址
sam_checkpoint = "model_save/sam_vit_b_01ec64.pth"
# sam_checkpoint = "model_save/sam_vit_h_4b8939.pth"
# sam_checkpoint = "model_save/sam_vit_l_0b3195.pth"
# 模型類型
model_type = "vit_b"
# model_type = "vit_h"
# model_type = "vit_l"
device = "cuda"
sam = sam_model_registry[model_type](checkpoint=sam_checkpoint)
sam.to(device=device)
from segment_anything.utils.transforms import ResizeLongestSide
resize_transform = ResizeLongestSide(sam.image_encoder.img_size)
#------加載模型

# 存在多個目標標定框
image1_boxes = torch.tensor([
    [121, 49, 361, 190],
    [143, 101, 308, 312],
    [366, 116, 451, 233],
], device=sam.device)

image2_boxes = torch.tensor([
    [24, 4, 333, 265],
], device=sam.device)

# 批量輸入
batched_input = [
     {
         'image': prepare_image(image1, resize_transform, sam),
         'boxes': resize_transform.apply_boxes_torch(image1_boxes, image1.shape[:2]),
         'original_size': image1.shape[:2]
     },
     {
         'image': prepare_image(image2, resize_transform, sam),
         'boxes': resize_transform.apply_boxes_torch(image2_boxes, image2.shape[:2]),
         'original_size': image2.shape[:2]
     }
]
batched_output = sam(batched_input, multimask_output=False)

fig, ax = plt.subplots(1, 2, figsize=(20, 20))

# 批量輸出
ax[0].imshow(image1)
for mask in batched_output[0]['masks']:
    show_mask(mask.cpu().numpy(), ax[0], random_color=True)
for box in image1_boxes:
    show_box(box.cpu().numpy(), ax[0])
ax[0].axis('off')

ax[1].imshow(image2)
for mask in batched_output[1]['masks']:
    show_mask(mask.cpu().numpy(), ax[1], random_color=True)
for box in image2_boxes:
    show_box(box.cpu().numpy(), ax[1])
ax[1].axis('off')
plt.tight_layout()
plt.show()

2.automatic_mask_generator_example

源碼在notebooks文件內提供了一個Jupyter Notebook的自動分割教程，無需標定點和標定框。

步驟一：自動掩碼生成

import numpy as np
import torch
import matplotlib.pyplot as plt
import cv2

image = cv2.imread('img.png')
image = cv2.cvtColor(image, cv2.COLOR_BGR2RGB)

# 權重文件保存地址
sam_checkpoint = "model_save/sam_vit_b_01ec64.pth"
# sam_checkpoint = "model_save/sam_vit_h_4b8939.pth"
# sam_checkpoint = "model_save/sam_vit_l_0b3195.pth"
# 模型類型
model_type = "vit_b"
# model_type = "vit_h"
# model_type = "vit_l"
device = "cuda"

def show_anns(anns):
    if len(anns) == 0:
        return
    sorted_anns = sorted(anns, key=(lambda x: x['area']), reverse=True)
    ax = plt.gca()
    ax.set_autoscale_on(False)
    polygons = []
    color = []
    for ann in sorted_anns:
        m = ann['segmentation']
        img = np.ones((m.shape[0], m.shape[1], 3))
        color_mask = np.random.random((1, 3)).tolist()[0]   # 產生隨機顏色的mask
        for i in range(3):
            img[:, :, i] = color_mask[i]
        ax.imshow(np.dstack((img, m*0.35)))

from segment_anything import sam_model_registry, SamAutomaticMaskGenerator, SamPredictor
sam = sam_model_registry[model_type](checkpoint=sam_checkpoint)
sam.to(device=device)

mask_generator = SamAutomaticMaskGenerator(sam)
masks = mask_generator.generate(image)

plt.figure(figsize=(20, 20))
plt.imshow(image)
show_anns(masks)
plt.axis('off')
plt.show()

在自動掩模生成中有幾個可調參數，用于控制采樣點的密度以及去除低質量或重復掩模的閾值。此外，生成可以在圖像的裁剪上自動運行，以提高較小對象的性能，后處理可以去除雜散像素和孔洞。

import numpy as np
import torch
import matplotlib.pyplot as plt
import cv2

# 讀取圖片文件
image = cv2.imread('img.png')
# 將圖像從OpenCV默認的BGR格式轉換為RGB格式
image = cv2.cvtColor(image, cv2.COLOR_BGR2RGB)

# 權重文件保存地址
sam_checkpoint = "model_save/sam_vit_b_01ec64.pth"
# sam_checkpoint = "model_save/sam_vit_h_4b8939.pth"
# sam_checkpoint = "model_save/sam_vit_l_0b3195.pth"

# 模型類型
model_type = "vit_b"
# model_type = "vit_h"
# model_type = "vit_l"

device = "cuda"

# 掩膜顯示函數
def show_anns(anns):
    # 檢查傳入的注釋列表anns的長度
    # 如果列表為空（即沒有注釋），函數直接返回，不執行后續操作
    if len(anns) == 0:
        return
    # 使用sorted()函數按照每個注釋的面積(x['area'])對anns進行降序排序
    # 這樣可以確保繪制時較大的對象先被繪制，較小的對象后繪制，避免被遮擋
    sorted_anns = sorted(anns, key=(lambda x: x['area']), reverse=True)
    # 獲取當前的matplotlib坐標軸對象ax
    ax = plt.gca()
    # 關閉坐標軸的自動縮放功能
    ax.set_autoscale_on(False)
    polygons = []
    color = []
    # 循環處理每個注釋
    for ann in sorted_anns:
        # 獲取注釋的掩模信息
        m = ann['segmentation']
        # 創建一個與掩模形狀相同的全白色圖像img，尺寸為(m的高度, m的寬度, 3通道)，用于混合顏色
        img = np.ones((m.shape[0], m.shape[1], 3))
        # 生成一個隨機顏色color_mask，并將其應用于img的每個通道，使得每個掩模都擁有獨一無二的顏色
        color_mask = np.random.random((1, 3)).tolist()[0]   # 產生隨機顏色的mask
        # 將隨機顏色圖像img與透明度調整過的掩模m*0.35垂直堆疊，實現顏色遮罩效果
        for i in range(3):
            img[:, :, i] = color_mask[i]
        # 將堆疊后的圖像通過ax.imshow()方法顯示在當前坐標軸上，逐步疊加各個掩模
        ax.imshow(np.dstack((img, m*0.35)))

from segment_anything import sam_model_registry, SamAutomaticMaskGenerator, SamPredictor
# 根據選定的model_type實例化SAM模型，并從指定的檢查點加載
sam = sam_model_registry[model_type](checkpoint=sam_checkpoint)
sam.to(device=device)

# 默認版本
# mask_generator = SamAutomaticMaskGenerator(sam)
# 自定義參數版本

# 掩模生成
mask_generator_2 = SamAutomaticMaskGenerator(
    model=sam,
    points_per_side=32,
    pred_iou_thresh=0.86,
    stability_score_thresh=0.92,
    crop_n_layers=1,
    crop_n_points_downscale_factor=2,
    min_mask_region_area=100,  # Requires open-cv to run post-processing
)

masks = mask_generator_2.generate(image)
# 掩?？梢暬?plt.figure(figsize=(20, 20))
plt.imshow(image)
show_anns(masks)
plt.axis('off')
plt.show()


責任編輯：趙寧寧 來源： 小喵學AI
SAM大模型人工智能
相關推薦

2024-06-18 11:20:59

2025-02-28 09:25:03

2016-05-27 08:23:33

數據分析數據科學數據思維

2019-01-18 12:59:46

智能養老IOT智能

2024-01-16 10:54:14

2022-04-20 10:33:59

人工智能數字經濟互聯網 文章鏈接：智

2023-02-11 12:47:07

2014-08-11 14:36:42

2020-05-09 13:00:08

AI 工具自動化

2025-05-27 15:59:03

AI生成模型

2021-12-27 10:16:06

AI 數據人工智能

2020-12-18 09:32:03

Wi-Fi計算機隱私

2021-03-22 14:01:30

物聯網上海站

2018-04-27 23:06:59

物聯網萬物互聯技術

2023-06-08 10:28:13

2015-01-05 13:06:22

2014-08-06 09:29:08

2020-10-12 17:21:21

IPv6互聯網技術

2013-07-13 07:57:31

思科萬物互聯潛在價值
點贊
收藏

51CTO技術棧公眾號

主站蜘蛛池模板： 午夜成人免费视频 | 精品国产乱码久久久久久图片 | 国产精品成人一区二区三区 | 牛牛热在线视频 | 久久久精品视频一区二区三区 | 亚洲精品二三区 | 欧美在线一区二区三区 | 日韩欧美在线免费 | 国产一区二区三区四区区 | 天天天操操操 | 午夜视频一区二区 | 亚洲二区在线 | 精品国产精品 | 99热在线免费 | 国产在线视频一区二区 | 精品欧美一区二区三区久久久 | 国产亚洲精品美女久久久久久久久久 | 毛片黄片免费看 | 第四色狠狠 | 男女性毛片 | 国产91丝袜在线熟 | 欧美久久国产精品 | 国产精品美女久久久久久免费 | 日韩www| 四虎成人精品永久免费av九九 | 久久精品99 | 少妇一级淫片免费播放 | 欧美一区视频 | 天堂一区在线观看 | 夜夜操天天艹 | 成人3d动漫一区二区三区91 | 成人区精品一区二区婷婷 | 久久毛片| 国产成人精品免高潮在线观看 | 国产精品资源在线 | 精品在线一区 | www.精品国产| 亚洲精品视 | 亚洲一区二区三区四区五区中文 | 欧美亚洲国语精品一区二区 | 日韩精品一区二区三区中文在线 |