【深度学习】segment-anything使用过程

这篇具有很好参考价值的文章主要介绍了【深度学习】segment-anything使用过程。希望对大家有所帮助。如果存在错误或未考虑完全的地方,请大家不吝赐教,您也可以点击"举报违法"按钮提交疑问。

官网

https://github.com/facebookresearch/segment-anything

Checkpoints

三种模型:
parser.add_argument(
“–model-type”,
type=str,
required=True,
help=“The type of model to load, in [‘default’, ‘vit_h’, ‘vit_l’, ‘vit_b’]”,
)
【深度学习】segment-anything使用过程

安装

python>=3.8
pytorch>=1.7 and torchvision>=0.8

git clone git@github.com:facebookresearch/segment-anything.git
cd segment-anything; pip install -e .
pip install opencv-python pycocotools matplotlib onnxruntime onnx

快速体验

使用命令行执行scripts/amg.py:

python scripts/amg.py \
--checkpoint "/ssd/xiedong/workplace/segment-anything/sam_vit_b_01ec64.pth" \
--model-type "vit_b" \
--input "/ssd/xiedong/workplace/segment-anything/images" \
--output "/ssd/xiedong/workplace/segment-anything/images_dst"

会得到各个id块的黑白分割图:
【深度学习】segment-anything使用过程

导出onnx

命令行执行:

python scripts/export_onnx_model.py \
--checkpoint "/ssd/xiedong/workplace/segment-anything/sam_vit_b_01ec64.pth" \
--model-type "vit_b" \
--output "/ssd/xiedong/workplace/segment-anything/sam_vit_b_01ec64.onnx" \
--opset 12 

【深度学习】segment-anything使用过程

vit_l模型:

python scripts/export_onnx_model.py \
--checkpoint "/ssd/xiedong/workplace/segment-anything/sam_vit_l_0b3195.pth" \
--model-type "vit_l" \
--output "/ssd/xiedong/workplace/segment-anything/sam_vit_l_0b3195.onnx" \
--opset 12


vit_h 模型:


python scripts/export_onnx_model.py \
--checkpoint "/ssd/xiedong/workplace/segment-anything/sam_vit_h_4b8939.pth" \
--model-type "vit_h" \
--output "/ssd/xiedong/workplace/segment-anything/sam_vit_h_4b8939.onnx" \
--opset 12

Web应用

安装

sudo apt install npm
cd demo && sudo npm install --g yarn

【深度学习】segment-anything使用过程

打开web服务:

sudo yarn && sudo yarn start

在 Ubuntu 上升级 Node.js 可以通过以下步骤完成:

确认当前安装的 Node.js 版本:

node -v

使用 Node.js 的版本管理工具 n(需要先安装)来升级 Node.js:

sudo npm install -g n
sudo n stable

这里Web应用还是会有点问题,后面再看。

jupyter 脚本运行SAM的脚本

安装Jupyter:安装Python之后,你可以使用pip(Python包管理工具)来安装Jupyter。打开命令行终端(Windows系统可以使用命令提示符或PowerShell,Mac/Linux系统可以使用终端),然后运行以下命令安装Jupyter:

pip install jupyter

这将自动下载并安装Jupyter及其相关依赖项。

启动Jupyter Notebook:安装完成后,你可以通过以下步骤启动Jupyter Notebook:

在命令行终端中,转到你希望存储Jupyter笔记本文件的目录。

运行以下命令:

jupyter notebook

ubuntu安装chrome:
下载Chrome安装文件:使用命令行工具在服务器上下载Chrome的安装文件。你可以使用wget命令来下载特定版本的Chrome,例如:

wget https://dl.google.com/linux/direct/google-chrome-stable_current_amd64.deb

这将下载最新稳定版的Chrome的.deb文件。

安装依赖项:在安装Chrome之前,你需要安装一些依赖项。使用以下命令安装这些依赖项:

sudo apt-get update
sudo apt-get install -y libxss1 libappindicator1 libindicator7

这些依赖项是Chrome在Linux系统上运行所需的。

安装Chrome:使用以下命令安装下载的Chrome安装文件:

sudo dpkg -i google-chrome-stable_current_amd64.deb

这将开始安装Chrome。如果出现依赖项错误,请使用以下命令修复并完成安装:

sudo apt-get install -f

验证安装:安装完成后,你可以运行以下命令来验证Chrome是否正确安装:

google-chrome-stable --version

如果显示了Chrome的版本信息,则表示安装成功。

这几个脚本都是可以使用:
【深度学习】segment-anything使用过程

automatic_mask_generator_example

SA-1B 数据集是通过这个脚本得到的,这是对整图进行作用的脚本。

原图:
【深度学习】segment-anything使用过程
自动分割后:
【深度学习】segment-anything使用过程文章来源地址https://www.toymoban.com/news/detail-498960.html

到了这里,关于【深度学习】segment-anything使用过程的文章就介绍完了。如果您还想了解更多内容,请在右上角搜索TOY模板网以前的文章或继续浏览下面的相关文章,希望大家以后多多支持TOY模板网!

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处: 如若内容造成侵权/违法违规/事实不符,请点击违法举报进行投诉反馈,一经查实,立即删除!

领支付宝红包 赞助服务器费用

相关文章

  • 计算机视觉:分割一切AI大模型segment-anything

    Segment Anything Model (SAM)来源于Facebook公司Meta AI实验室。据Mata实验室介绍,SAM 已经学会了关于物体的一般概念,并且它可以为任何图像或视频中的任何物体生成 mask,甚至包括在训练过程中没有遇到过的物体和图像类型。SAM 足够通用,可以涵盖广泛的用例,并且可以在新的图像

    2024年02月11日
    浏览(56)
  • 【CV大模型SAM(Segment-Anything)】真是太强大了,分割一切的SAM大模型使用方法:可通过不同的提示得到想要的分割目标

    本文主要介绍SAM模型的使用方法:如何使用不同的提示进行目标分割。而且该模型在CPU的环境下就可以快速运行,真心不错~,赶紧来试试吧 关于Segment-Anything模型的 相关代码、论文PDF、预训练模型、使用方法 等,我都已打包好,供需要的小伙伴交流研究, 获取方式如下 : 关

    2023年04月18日
    浏览(38)
  • 【CV大模型SAM(Segment-Anything)】如何保存分割后的对象mask?并提取mask对应的图片区域?

    上一篇文章【CV大模型SAM(Segment-Anything)】真是太强大了,分割一切的SAM大模型使用方法:可通过不同的提示得到想要的分割目标中 详细介绍了大模型SAM(Segment-Anything)的不同使用方法 ,后面有很多小伙伴给我留言问我分割后的目标对象如何保存,这篇介绍一下分割后的ma

    2024年02月09日
    浏览(54)
  • 【图像分割】SAM:Segment Anything论文学习V1

    论文:2304.Segment Anything 代码: https://github.com/facebookresearch/segment-anything 官网与demo:https://segment-anything.com/ 【扩展阅读】——分割一切模型(SAM)的全面调研:2305.A Comprehensive Survey on Segment Anything Model for Vision and Beyond 【 应用 】在stable-diffusion-webui中使用的插件:https://github.com/co

    2024年02月07日
    浏览(52)
  • 使用Segment Anything(SAM)模型进行自动标注

    1.下载项目 项目1:https://github.com/zhouayi/SAM-Tool 项目2:https://github.com/facebookresearch/segment-anything 下载 SAM 模型:https://dl.fbaipublicfiles.com/segment_anything/sam_vit_h_4b8939.pth 2.把数据放置在 dataset_path/images/* 这样的路径中,并创建空文件夹 dataset_path/embeddings 3.将项目1中的 helpers 文件夹复

    2024年02月04日
    浏览(48)
  • Segment Anything(SAM)的demo的简单使用

    目录 SAM的demo源码使用 结合SAM,进行人机交互ui使用的案例介绍: 最近新发现的,可以利用这个模型,进行一个简单的UI使用,效果如下: labelimg结合SAM实现半自动标注软件 首先说明这个链接里面的代码是关于demo的,目前还不能训练。 原仓库 https://github.com/facebookresearch/seg

    2024年02月01日
    浏览(41)
  • Segment anything(SAM)论文及demo使用保姆级教程

    Meta在论文中发布了新模型Segment Anything Model(SAM),声称说可以分割一切,可以在任何图像中分割任何物体,论文链接https://arxiv.org/abs/2304.02643 大概看了一遍论文和感受了Meta提供的demo模型,我觉得主要有两个爆点,首先是收集数据的方式,加入了主动学习的形式,因为他的数据

    2024年02月06日
    浏览(40)
  • 【Python&语义分割】Segment Anything(SAM)模型详细使用教程+代码解释(一)

    1.1 概况         Meta AI 公司的 Segment Anything 模型是一项革命性的技术,该模型能够根据文本指令或图像识别,实现对任意物体的识别和分割。这一模型的推出,将极大地推动计算机视觉领域的发展,并使得图像分割技术进一步普及化。         论文地址:https://arxiv.org/

    2024年02月05日
    浏览(48)
  • 【图像分割】Grounded Segment Anything根据文字自动画框或分割环境配置和基本使用教程

    要求: python=3.8 , pytorch=1.7,   torchvision=0.8 官方地址: https://github.com/IDEA-Research/Grounded-Segment-Anything Marrying Grounding DINO with Segment Anything Stable Diffusion BLIP Whisper ChatBot - Automatically Detect , Segment and Generate Anything with Image, Text, and Audio Inputs - GitHub - IDEA-Research/Grounded-Segment-Anything: Marr

    2024年02月05日
    浏览(67)
  • 使用 java-onnx 部署 Meta-ai Segment anything 分割一切

      近日,Meta AI在官网发布了基础模型 Segment Anything Model(SAM)并开源,其本质是用GPT的方式(基于Transform 模型架构)让计算机具备理解了图像里面的一个个“对象”的通用能力。SAM模型建立了一个可以接受文本提示、基于海量数据(603138)训练而获得泛化能力的图像分割大模型

    2024年02月05日
    浏览(42)

觉得文章有用就打赏一下文章作者

支付宝扫一扫打赏

博客赞助

微信扫一扫打赏

请作者喝杯咖啡吧~博客赞助

支付宝扫一扫领取红包,优惠每天领

二维码1

领取红包

二维码2

领红包