今年4月，，，，Meta的AI模型Segment Anything Model（SAM，，，分割一切模型）发布,一键轻松实现图像分割，，难怪网友直呼太强。。。
SAM模型之所以在计算机视觉领域产生重要影响，，，是因为图像分割是许多任务中的基础步骤，，比如自动驾驶、、、人脸识别、、、车牌识别等都有用到。。。
在这些应用过程中，，，从目标检测、、、、分割再到识别的整个流程，，由算法自动完成，，无需人工干预，，而SAM模型正是专攻其中的图像分割。。。。
虽然SAM是图像分割的代表性模型，，但不可避免存在以下短板：
1.它能够处理图片分割，，，但是不能处理视频，，尤其是不能对视频里边移动的物体做连续追踪。。
2.它能分割，，，，但是并不认识所分割的区域到底是什么。。。
3.它存在过度分割的问题，，，，经常把一个完整的物体分割成不同的部分，，，，而人是把目标作为整体看待的。。
一、、SAV模型
现在，，，，云创数据（835305.BJ）在SAM和YOLOv8的基础上，，，“分割一切”模型的进化版——分割一切视频Segment-Any-Video(SAV)来了，，进一步丰富了计算机视觉成果。。
图片SAV模型（图片来源:SAV）
作为一种新的图像、、视频分割方法，，，SAV可以在图片或视频中实现全自动标注，，一键分割物体。。。
同时，，，基于Zero-Shot Transfer（零样本迁移），，，，SAV无需额外训练，，即使是训练库中没有的图片，，，也可以实现轻松分割。。
与SAM相比，，，SAV升级主要表现在以下方面：
1.既可以分割图片，，也可以分割视频；
2.可以明确目标对象并打标签；
3.可得到语义上完整的目标区域。。。。
图片SAV与SAM图像分割对比结果（图片来源:SAV）
从上图可以看出，，SAV将巴士、、小汽车等分割成一个个完整的区域，，而SAM是把这些单个的物体又分割为不同的区域。。
除了图片以外，，，，通过SAV，，，视频也可以进行清晰的目标分割和追踪。。。。
二、、示例
现在，，，我们在网页版 demo (https://sav.021jxlh.com)上体验一下SAV，，，，可以直观地感受SAM和SAV两者的差异。。。
在首页可任意选择一张示例图片，，，也可从本地上传图片，，，然后点击Segment按钮，，，，就可以同时得到SAM和SAV的结果。。。。
demo首页示例图片（图片来源:SAV）
图片分割结果：左侧为SAM，，右侧为SAV（图片来源:SAV）
如果需要观察某个实例的详细效果，，鼠标放置原图，，，，移动鼠标即可。。。
图片移动鼠标查看详细分割效果（图片来源:SAV）
在上图中，，由SAV分割的两只小狗是完整而独立的色块，，，并不像左边分割结果所展示——小狗耳朵颜色和身体部分颜色不一，，，，不是完整的目标对象。。。。同时，，，，SAV分割的两只小狗都打上了“dog”的标签。。。
需要说明的是，，，，本项目只关注算法自动分割的应用场景，，，所以SAV无需人工输入点、、、曲线、、矩形框等提示信息。。。
更多示例如下：
图片图片分割结果对比（图片来源:SAV）
三、、、原理
如前所述，，， SAM的自动分割不返回标签信息，，，并且一个实例（例如，，，一辆车）可能会被拆分成多个小区域。。。。
自动分割模式下，，，SAM不返回标签信息，，，，车辆被分割成多个区域（图片来源:SAM）
基于此，，，，研发团队在SAM的基础上加入YOLOv8检测模型，，，YOLOv8返回的结果中包含目标框、、、类别及置信度，，，目标框可作为提示信息输入到SAM，，类别名称即为标签，，因此SAM加YOLOv8可有效地解决上述问题。。
该方法同样可用于视频分割任务，，，，与处理单幅图像不同的是，，，，除了分割，，我们通常更关心目标的运动轨迹、、、、目标重识别，，，，以及如何实现一键抠视频等。。。。因此研发团队在SAM和YOLOv8的基础上加入跟踪算法，，持续关注感兴趣的目标，，这样比单纯地分割每帧图像更有实际意义。。。
考虑到使用了目标检测模型，，在跟踪方面，，研发团队选择Tracking-By-Detection(TBD) 范式的跟踪方法，，，，例如BoTSORT，，，，而TBD是目前多目标跟踪任务中特别有效的范式。。。
图像分割
使用YOLOv8做前向推理，，，获得n个目标框，，将这n个目标框作为提示信息输入到SAM模型并推理，，即可完成目标框的实例分割并且得到n个对应的掩膜，，然后对这n个掩膜取并集，，，，结果记为m。。。。
使用YOLOv8做前向推理（图片来源:SAV）
然后使用SAM做一次全局自动分割，，，将此时得到的掩膜图像记为m2。。。
使用SAM做全局自动分割（图片来源:SAV）
由于YOLOv8无法检测到它不能识别的物体，，，可以设置两个超参数来确定新的物体，，，即未知区域与检测区域的交并比r，，，以及未知区域的像素个数n。。具体而言，，按面积对m2中的区域作降序排序，，，，依次取出其中的区域，，然后分别与m计算交并比，，若交并比r小于0.3且该区域的像素个数n大于100，，则认为该区域是一个新的物体。。。。按照此方法处理m2中的所有区域，，即可完成SAV分割单幅图像的全部流程。。
SAV分割单幅图像（图片来源:SAV）
视频分割
SAV视频分割的原理可以简单描述为：
1.使用YOLOv8检测某帧图像中的所有目标；
2.使用跟踪算法预测后续帧中的目标框；
3.根据检测到的目标框与当前轨迹集合相关联，，，，获得每个目标的id；
4.将目标矩形框输入SAM，，进行实例分割。。
重复上述1~4步骤，，，，实现视频分割。。
SAV视频分割算法框架图(图片来源:SAV)
效果展示
图像分割对比(图片来源:SAV)
可以看出，，，SAV能够很好地解决文章开头提到的SAM存在的问题。。。。
四、、、潜在用途
无人驾驶。。。特斯拉无人驾驶汽车经常会把树桩或者墓碑当成行人，，，，这个对于无人驾驶来说是不利的，，因为如果是电线杆子在路边的话，，我们没必要让无人驾驶汽车减速，，但如果是一个行人准备过马路的话，，那么就需要预先作出处理。。SAV可以有效地解决这种问题。。。。
无人机自主飞行。。无人机自主飞行在密林中或者建筑物中，，，，需要对所有的目标进行识别，，，并且做出恰当的反应。。。SAV将大大提高这种智能水平。。
机器人视觉。。。。机器人行走在工厂或者街上的时候，，，如果不认得障碍物，，，不认得道路，，，，不认得其他移动的物体，，，那将寸步难行。。。SAV将为机器人装上智慧的眼睛。。。。
重点区域防护。。。可连续追踪和识别每个目标，，，，结合其他的算法对目标的身份和行为进行识别。。确保重点区域的的每一个人，，每一辆车都在管控的范围内。。。。
五、、更多
目前，，SAV模型已开源，，并在GitHub正式上线。。。。感兴趣的朋友可以点击【阅读原文】或者直接前往https://github.com/cStor-cDeep/Segment-Any-Video了解，，也欢迎向研发团队订制更高性能的大模型算法，，，联系方式如下：
联系人：张先生
邮箱：zhangkun@021jxlh.com
手机：15895885574（微信同号）
参考文献
[1] Kirillov A, Mintun E, Ravi N, et al. Segment anything[J]. arXiv preprint arXiv:2304.02643, 2023.
[2] Dillon Reis, Jordan Kupec, et al. Real-Time Flying Object Detection with YOLOv8[J]. arXiv preprint arXiv:2305.09972, 2023.
