高质量的任何物体分割

高质量的任何物体分割
神经信息处理系统大会 2023
苏黎世联邦理工学院 & 香港科技大学

我们提出了HQ-SAM，用于升级SAM以实现高质量的零样本分割。更多细节请参阅我们的论文。

最新进展

2025/06 -- :fire::fire: HQ-SAM已支持Huggingface Transformers库。请查看详细的使用说明这里。预训练模型检查点也可从这里下载。

2024/11/17 -- HQ-SAM 2发布

• 一组新的改进模型检查点（标记为HQ-SAM 2, 测试版）已发布。详情请参阅模型描述。通过cd sam-hq2更改工作目录。

更新内容

:fire::fire: 用于视频分割的SAM: 想要将SAM与视频结合？HQ-SAM已在DEVA的文本提示模式下支持！此外，还可查看基于SAM的工作MASA和SAM-PT。

:fire::fire: 3D中的SAM: 想要将SAM与3D高斯散射结合？请查看我们的新工作Gaussian Grouping！另外，如果你对SAM与NeRF的结合感兴趣，请查看工作SANeRF-HQ！

更多：HQ-SAM已被应用于Osprey、CaR、SpatialRGPT、GLaMM、ENIGMA-51，以提供细粒度的掩码标注。

平台集成：HQ-SAM已在OpenMMLab PlayGround中支持，可用于Label-Studio标注；在segment-geospatial中用于地理空间数据分割；以及掩码标注工具ISAT，还有Supervisely！

2023/08/11：支持Python包以便更轻松地进行pip安装。轻量级HQ-SAM属于EfficientSAM系列，并与Grounded SAM结合！

:rocket::rocket: 2023/07/17：我们发布了使用TinyViT作为骨干的轻量级HQ-SAM，可实现快速且高质量的零样本分割，达到41.2 FPS。更多细节请参阅轻量级HQ-SAM与MobileSAM对比。

:trophy::1st_place_medal: 2023/07/14：基于Grounded的HQ-SAM在Segmentation in the Wild竞赛的零样本赛道上获得第一名：1st_place_medal:（该竞赛由CVPR 2023研讨会主办），性能超越Grounded SAM。更多细节请参阅我们的[SGinW评估](#基于Grounded的HQ-SAM与Grounded SAM在SeginW上的对比)。

2023/07/05：我们发布了SAM调优说明和HQSeg-44K数据。

2023/07/04：HQ-SAM被采用于SAM-PT以提升基于SAM的零样本视频分割性能。此外，HQ-SAM还用于Grounded-SAM、Inpaint Anything和HQTrack（在2023年VOTS中排名第二）。

2023/06/28：我们发布了ONNX导出脚本和Colab笔记本用于导出和使用ONNX模型。

2023/06/23：在体验HQ-SAM演示，支持点、框和文本提示。

2023/06/14：我们发布了Colab演示和自动掩码生成器笔记本。

2023/06/13：我们发布了模型检查点和演示可视化代码。

SAM与HQ-SAM的视觉对比

SAM与HQ-SAM

简介

近期推出的分割一切模型（SAM）在扩展分割模型规模方面实现了重大突破，赋予了强大的零样本能力和灵活的提示功能。尽管SAM使用11亿个掩码进行训练，但在许多情况下，其掩码预测质量仍显不足，尤其是在处理结构复杂的物体时。我们提出了HQ-SAM，为SAM增添了精准分割任意物体的能力，同时保留了SAM原有的可提示设计、高效性和零样本泛化能力。我们的精心设计复用了并保留了SAM预训练模型的权重，仅引入了极少的额外参数和计算量。我们设计了一种可学习的高质量输出标记，将其注入SAM的掩码解码器中，负责生成高质量的掩码。与仅应用于掩码解码器特征不同，我们首先将这些标记与早期和最终的ViT特征进行融合，以提升掩码细节。为了训练我们引入的可学习参数，我们从多个来源构建了一个包含4.4万个精细掩码的数据集。HQ-SAM仅基于这4.4万掩码数据集进行训练，仅需8块GPU运行4小时。我们在一系列涵盖不同下游任务的9个多样化分割数据集中验证了HQ-SAM的有效性，其中7个数据集采用了零样本迁移评估协议。

SAM与HQ-SAM的定量对比

注：对于基于框提示的评估，我们为SAM、MobileSAM和我们的HQ-SAM提供了相同的图像/视频边界框，并采用SAM的单掩码输出模式。

我们提供了SAM变体的全面性能、模型大小和速度对比：

COCO数据集上的多种ViT主干网络：

注：对于COCO数据集，我们使用在COCO数据集上训练的SOTA检测器FocalNet-DINO作为我们的框提示生成器。

YTVIS与HQ-YTVIS

注：使用ViT-L主干网络。我们采用在YouTubeVIS 2019数据集上训练的SOTA检测器Mask2Former作为视频框提示生成器，同时复用其目标关联预测。

DAVIS

注：使用ViT-L主干网络。我们采用SOTA模型XMem作为视频框提示生成器，同时复用其目标关联预测。

通过pip快速安装

pip install segment-anything-hq
python
from segment_anything_hq import sam_model_registry
model_type = "<model_type>" # "vit_l/vit_b/vit_h/vit_tiny"
sam_checkpoint = "<path/to/checkpoint>"
sam = sam_model_registry[model_type](checkpoint=sam_checkpoint)

通过运行以下命令查看具体使用示例（如vit-l）：

export PYTHONPATH=$(pwd)
python demo/demo_hqsam_pip_example.py

标准安装

该代码需要python>=3.8，以及pytorch>=1.7和torchvision>=0.8。请按照这里的说明安装PyTorch和TorchVision依赖。强烈建议安装支持CUDA的PyTorch和TorchVision。

克隆仓库到本地并安装：

git clone https://github.com/SysCV/sam-hq.git
cd sam-hq; pip install -e .

以下可选依赖项用于掩码后处理、以COCO格式保存掩码、示例笔记本以及导出ONNX格式的模型。运行示例笔记本还需要jupyter。

pip install opencv-python pycocotools matplotlib onnxruntime onnx timm

示例conda环境设置

conda create --name sam_hq python=3.8 -y
conda activate sam_hq
conda install pytorch==1.10.0 torchvision==0.11.0 cudatoolkit=11.1 -c pytorch -c nvidia
pip install opencv-python pycocotools matplotlib onnxruntime onnx timm

# 在工作目录下
git clone https://github.com/SysCV/sam-hq.git
cd sam-hq
pip install -e .
export PYTHONPATH=$(pwd)

模型检查点

提供三种不同主干尺寸的HQ-SAM模型版本。可通过以下方式实例化这些模型：

from segment_anything import sam_model_registry
sam = sam_model_registry["<model_type>"](checkpoint="<path/to/checkpoint>")

下载提供的训练好的模型并放入pretrained_checkpoint文件夹：

mkdir pretrained_checkpoint

点击以下链接下载对应型号的检查点。我们还提供了这里或Hugging Face上的备用模型下载链接。

• vit_b: ViT-B HQ-SAM模型。
• vit_l: ViT-L HQ-SAM模型。
• vit_h: ViT-H HQ-SAM模型。
• vit_tiny（适用于实时需求的轻量级HQ-SAM）: ViT-Tiny HQ-SAM模型。

开始使用

首先下载一个模型检查点。然后只需几行代码即可使用该模型从给定提示中获取掩码：

from segment_anything import SamPredictor, sam_model_registry
sam = sam_model_registry["<model_type>"](checkpoint="<path/to/checkpoint>")
predictor = SamPredictor(sam)
predictor.set_image(<your_image>)
masks, _, _ = predictor.predict(<input_prompts>)

此外，还可参阅我们的示例、Colab笔记本和自动掩码生成笔记本中的使用示例。

要获取HQ-SAM的可视化结果：

python demo/demo_hqsam.py

要获取基准SAM的可视化结果。请注意，您需要从基准SAM-L模型下载原始SAM检查点，并将其放入pretrained_checkpoint文件夹。

python demo/demo_sam.py

要获取轻量级HQ-SAM的可视化结果：

python demo/demo_hqsam_light.py

HQ-SAM调优与HQ-Seg44k数据

我们在HQ-SAM训练中提供了详细的训练、评估、可视化和数据下载说明。您还可以替换我们的训练数据，以针对特定应用领域（如医疗、OCR和遥感）获得您自己的SAM。

请将当前文件夹路径更改为：

cd train

然后参考详细的readme说明。

Grounded HQ-SAM 与 Grounded SAM 在 SegInW 上的对比

Grounded HQ-SAM 在 SegInW 基准测试中荣获第一名：1st_place_medal:，该基准测试由 25 个公开的零样本野外分割数据集组成，且其性能优于使用相同 GroundingDINO 检测器的 Grounded SAM。

模型名称	编码器	GroundingDINO	平均 AP	评估脚本	日志	输出 JSON
Grounded SAM	vit-h	swin-b	48.7	脚本	日志	结果
Grounded HQ-SAM	vit-h	swin-b	49.6	脚本	日志	结果

请将当前文件夹路径更改为：

cd seginw

我们在 Grounded-HQ-SAM 评估 中提供了 SegInW 的详细评估说明和指标。

Light HQ-SAM 与 MobileSAM 在 COCO 上的对比

我们基于 MobileSAM 提供的 tiny vit 图像编码器，提出了 Light HQ-SAM。以下是 Light HQ-SAM 在零样本 COCO 性能、速度和内存方面的量化对比。您可在此处尝试 Light HQ-SAM：here。

模型	编码器	AP	AP@L	AP@M	AP@S	模型参数（MB）	FPS	内存（GB）
MobileSAM	TinyViT	44.3	61.8	48.1	28.8	38.6	44.8	3.7
Light HQ-SAM	TinyViT	45.0	62.8	48.8	29.2	40.3	41.2	3.7

注：对于 COCO 数据集，我们使用了与 Mobile SAM 相同的 SOTA 检测器 FocalNet-DINO，并在 COCO 数据集上进行了训练，作为我们的边界框提示生成器。

ONNX 导出

HQ-SAM 的轻量级掩码解码器可以导出为 ONNX 格式，以便在任何支持 ONNX 运行时的环境中运行。使用以下命令导出模型：

python scripts/export_onnx_model.py --checkpoint <path/to/checkpoint> --model-type <model_type> --output <path/to/output>

有关如何通过 HQ-SAM 的主干进行图像预处理，并使用 ONNX 模型进行掩码预测的详细信息，请参阅 示例笔记本。建议使用最新稳定版的 PyTorch 进行 ONNX 导出。

引用

如果您在研究中发现 HQ-SAM 有用，或参考了提供的基线结果，请为本仓库点赞 :star:，并考虑引用 :pencil::

@inproceedings{sam_hq,
    title={Segment Anything in High Quality},
    author={Ke, Lei and Ye, Mingqiao and Danelljan, Martin and Liu, Yifan and Tai, Yu-Wing and Tang, Chi-Keung and Yu, Fisher},
    booktitle={NeurIPS},
    year={2023}
}  

相关高质量实例分割工作：

@inproceedings{transfiner,
    title={Mask Transfiner for High-Quality Instance Segmentation},
    author={Ke, Lei and Danelljan, Martin and Li, Xia and Tai, Yu-Wing and Tang, Chi-Keung and Yu, Fisher},
    booktitle={CVPR},
    year={2022}
}

致谢

• 感谢 SAM、Grounded SAM 和 MobileSAM 提供的公开代码和发布的模型。

SAM-HQ 快速上手指南

SAM-HQ (Segment Anything in High Quality) 是对原始 SAM 模型的升级版本，旨在提供高质量的零样本分割能力，特别擅长处理结构复杂的物体。它在保持 SAM 原有提示交互设计和效率的同时，显著提升了掩码（Mask）的预测精度。

1. 环境准备

在开始之前，请确保您的开发环境满足以下要求：

• 操作系统: Linux, macOS, Windows
• Python 版本: >= 3.8
• PyTorch: >= 1.7 (强烈建议安装支持 CUDA 的版本以加速推理)
• TorchVision: >= 0.8

前置依赖安装： 请访问 PyTorch 官网 获取适合您环境的 PyTorch 和 TorchVision 安装命令。例如，使用 pip 安装 CUDA 版本的示例：

pip install torch torchvision --index-url https://download.pytorch.org/whl/cu118

2. 安装步骤

您可以选择通过 pip 快速安装，或通过源码安装以获取更多自定义功能。

方式一：通过 Pip 快速安装（推荐）

这是最简单的方式，适合直接调用模型进行推理。

pip install segment-anything-hq

安装完成后，还需安装一些可选依赖以支持图像处理和可视化：

pip install opencv-python pycocotools matplotlib onnxruntime onnx timm

方式二：源码安装

如果您需要运行官方 Demo 或修改底层代码，建议使用此方式。

# 克隆仓库
git clone https://github.com/SysCV/sam-hq.git
cd sam-hq

# 以可编辑模式安装
pip install -e .

# 设置环境变量
export PYTHONPATH=$(pwd)

# 安装可选依赖
pip install opencv-python pycocotools matplotlib onnxruntime onnx timm

国内加速提示：如果 git clone 或 pip install 速度较慢，建议配置国内镜像源。

• Git: 使用 Gitee 镜像（如有）或配置 git config --global url."https://ghproxy.com/".insteadOf "https://github.com/"
• Pip: 使用清华或阿里源，例如 pip install -e . -i https://pypi.tuna.tsinghua.edu.cn/simple

3. 基本使用

第一步：下载模型权重

SAM-HQ 提供了不同大小的骨干网络版本。请下载对应的 .pth 文件并保存到本地目录（例如 pretrained_checkpoint）。

• ViT-B (平衡型): 下载链接
• ViT-L (高精度): 下载链接
• ViT-H (超高质量): 下载链接
• ViT-Tiny (Light HQ-SAM, 实时需求): 下载链接

注意：如果无法访问 Google Drive，可尝试从 Hugging Face 下载。

第二步：代码示例

以下是最基础的 Python 使用示例，展示如何加载模型并进行图像分割预测。

from segment_anything import SamPredictor, sam_model_registry
import cv2

# 1. 初始化模型
# model_type 可选："vit_b", "vit_l", "vit_h", "vit_tiny"
# checkpoint 替换为你下载的模型文件实际路径
model_type = "vit_l" 
sam_checkpoint = "pretrained_checkpoint/sam_hq_vit_l.pth"

sam = sam_model_registry[model_type](checkpoint=sam_checkpoint)
predictor = SamPredictor(sam)

# 2. 加载图像
image = cv2.imread("your_image.jpg")
image = cv2.cvtColor(image, cv2.COLOR_BGR2RGB)
predictor.set_image(image)

# 3. 定义提示 (Prompts)
# 示例：使用点提示 (point_coords) 和 点标签 (point_labels)
# point_labels: 1 表示前景点，0 表示背景点
input_point = [[500, 375]]
input_label = [1]

# 4. 预测掩码
masks, scores, logits = predictor.predict(
    point_coords=input_point,
    point_labels=input_label,
    multimask_output=True, # 是否输出多个可能的掩码
)

# masks 形状为 (N, H, W)，包含 N 个预测的掩码
print(f"预测完成，生成 {len(masks)} 个掩码候选。")

验证安装 (仅源码安装用户)

如果您是通过源码安装的，可以运行官方提供的示例脚本来验证环境是否正确：

python demo/demo_hqsam_pip_example.py