FastSAM：50倍更快的Segment Anything模型
FastSAM：50倍更快的Segment Anything革命
闪电般的性能与SAM品质结果
FastSAM 来自CASIA-LMC-Lab，重新定义了图像分割。只用SA-1B数据集的2%训练，这个基于CNN的模型匹配Meta的Segment Anything (SAM)性能，同时运行速度快50倍。
关键统计： - 6800万参数（对比SAM-H的6亿） - 无论提示数量多少，推理仅40ms - 2608MB GPU内存（对比SAM-H的7060MB）
🚀 4种强大的提示模式
# Everything模式 - 分割所有内容
python Inference.py --model_path ./weights/FastSAM.pt --img_path ./images/dogs.jpg
# 文本提示
python Inference.py --img_path ./images/dogs.jpg --text_prompt "the yellow dog"
# 框提示 [x,y,w,h]
python Inference.py --box_prompt "[[570,200,230,400]]"
# 点提示
python Inference.py --point_prompt "[[520,360],[620,300]]" --point_label "[1,0]"
🛠️ 快速开始（5分钟）
git clone https://github.com/CASIA-LMC-Lab/FastSAM.git
cd FastSAM
conda create -n FastSAM python=3.9
conda activate FastSAM
pip install -r requirements.txt
# 下载FastSAM.pt检查点
python Inference.py --model_path ./weights/FastSAM.pt --img_path ./images/dogs.jpg
🌐 实时演示可用
- HuggingFace Space - Everything + Points模式
- Replicate Demo - 支持所有模式
- Gradio UI - 本地网页界面
- Colab Notebook - 无需设置测试
📊 基准测试结果
| 方法 | 参数量 | 1点 | 10点 | 100点 | E(64x64) |
|---|---|---|---|---|---|
| SAM-H | 0.6G | 446 | 464 | 627 | 6972 |
| SAM-B | 136M | 110 | 125 | 230 | 5417 |
| FastSAM | 68M | 40 | 40 | 40 | 40 |
🔬 实际应用
- 边缘检测 - BSDS500: ODS 0.750（对比SAM 0.768）
- 对象提议 - COCO AR@1000: 63.7（对比SAM-H 67.7）
- 实例分割 - COCO AP: 0.379
- 下游任务：异常检测、显著对象检测、建筑物提取
🎯 为什么选择FastSAM？
✅ 生产就绪 - YOLOv8模型中心集成
✅ 开发者友好 - Python API + 网页演示
✅ 硬件高效 - 在消费级GPU上运行
✅ 可扩展 - 发布训练代码
✅ 社区驱动 - 8.3k星标，26位贡献者
最近更新（2024年6月）
- 边缘质量改进已合并到Ultralytics YOLOv8
- HuggingFace演示已更新
- TensorRT优化可用
- Semantic FastSAM扩展
FastSAM证明，您无需庞大的ViT模型即可实现最先进的分割。完美适用于速度至关重要的实时应用。
原始文章:
查看原文