Tổng quan
Mô hình phân đoạn bất kỳ (SAM) là Meta mô hình nền tảng của AI để phân đoạn hình ảnh: khi được cung cấp một điểm, hộp hoặc gợi ý thô, nó sẽ ngay lập tức phác thảo đối tượng tương ứng. Nó được xây dựng để khái quát hóa các đối tượng và hình ảnh mà nó chưa từng thấy trong quá trình đào tạo, khiến việc phân đoạn trở thành một nhiệm vụ có thể thực hiện được.
Segment Anything Model thuộc về quy trình công việc thị giác máy tính diễn giải hoặc tạo ra phương tiện trực quan để phân tích, vận hành và sáng tạo.
Lặn sâu
Được phát hành bởi Meta AI vào năm 2023, SAM sắp xếp lại phân đoạn như một vấn đề có thể nhắc nhở: bạn đưa ra lời nhắc (một cú nhấp chuột, một hộp, mặt nạ hoặc gợi ý có nguồn gốc từ văn bản) và SAM sẽ trả về một hoặc nhiều mặt nạ đối tượng. Sức mạnh của nó một phần đến từ quy mô: nó được đào tạo trên SA-1B, một bộ dữ liệu gồm hơn 1 tỷ mặt nạ trên 11 triệu hình ảnh, được xây dựng bằng công cụ chú thích mô hình trong vòng lặp. Về mặt kiến trúc, SAM có bộ mã hóa hình ảnh nặng chạy một lần cho mỗi hình ảnh, bộ mã hóa dấu nhắc nhẹ và bộ giải mã mặt nạ nhanh, do đó, một hình ảnh nhúng có thể được nhắc lại một cách tương tác trong thời gian thực. Nó cho phép chuyển giao không ảnh tới nhiều nhiệm vụ. SAM 2, được phát hành vào năm 2024, mở rộng tính năng này sang video, theo dõi các đối tượng trên các khung hình.
Hiểu biết kỹ thuật
SAM sử dụng bộ mã hóa hình ảnh Vision Transformer (ViT), thường được huấn luyện trước bằng mã hóa tự động che giấu, để tạo ra khả năng nhúng hình ảnh dày đặc. Lời nhắc được mã hóa thành mã thông báo và bộ giải mã dựa trên máy biến áp có khả năng chú ý chéo kết hợp các mã thông báo lời nhắc với hình ảnh được nhúng vào mặt nạ đầu ra cộng với điểm tin cậy. Để giải quyết sự mơ hồ (một cú nhấp chuột có thể có nghĩa là một nút, một chiếc áo sơ mi hoặc một người), SAM dự đoán một số mặt nạ hợp lệ cùng một lúc và xếp hạng chúng, cho phép các lời nhắc sử dụng tiếp theo hoặc các lời nhắc bổ sung phân biệt.
Làm chủ mọi mô hình phân đoạn
Mô hình phân đoạn bất kỳ (SAM) là Meta mô hình nền tảng của AI để phân đoạn hình ảnh: khi được cung cấp một điểm, hộp hoặc gợi ý thô, nó sẽ ngay lập tức phác thảo đối tượng tương ứng. Nó được xây dựng để khái quát hóa các đối tượng và hình ảnh mà nó chưa từng thấy trong quá trình đào tạo, khiến việc phân đoạn trở thành một nhiệm vụ có thể thực hiện được. Segment Anything Model thuộc về quy trình công việc thị giác máy tính diễn giải hoặc tạo ra phương tiện trực quan để phân tích, vận hành và sáng tạo. Để xây dựng sự hiểu biết sâu sắc, hãy coi Mô hình phân đoạn bất kỳ như một mô hình vận hành chứ không phải một tính năng duy nhất: xác định kết quả mong muốn, làm rõ các giả định và tách biệt những gì hệ thống có thể thực hiện một cách đáng tin cậy với những gì vẫn cần đến sự đánh giá của chuyên gia.
Trong thực tế, các nhóm mạnh sử dụng Mô hình phân đoạn bất kỳ sẽ cân bằng độ chính xác với thực tế hoạt động như chất lượng dữ liệu, phương sai ánh sáng và tính nhất quán của nhãn. Họ ghi lại các tiêu chí thành công rõ ràng, kiểm tra dựa trên dữ liệu và quy trình làm việc thực tế, đồng thời lặp lại dựa trên các kiểu thất bại được quan sát thay vì chiến thắng điểm chuẩn một lần. Đây là nơi sự hiểu biết về mặt lý thuyết biến thành khả năng bền vững trên toàn bộ sản phẩm, chính sách và hoạt động.
Visual AI có thể tự động hóa các nhiệm vụ kiểm tra, phát hiện và gắn thẻ trên quy mô lớn. Đồng thời, quyền về hình ảnh và sự đồng ý có thể trở thành rủi ro pháp lý nếu nguồn gốc xuất xứ không rõ ràng. Cách tiếp cận linh hoạt nhất là kết hợp tốc độ thử nghiệm với kỷ luật quản trị: chạy thử nghiệm, thu thập bằng chứng, xuất bản nhật ký quyết định và liên tục cập nhật các biện pháp bảo vệ khi hành vi của mô hình, kỳ vọng của người dùng và các yêu cầu pháp lý phát triển.
Tác động chiến lược
Visual AI có thể tự động hóa các nhiệm vụ kiểm tra, phát hiện và gắn thẻ trên quy mô lớn.
Visual AI có thể tự động hóa các nhiệm vụ kiểm tra, phát hiện và gắn thẻ trên quy mô lớn. Trong quá trình triển khai chất lượng cao, điều này được chuyển thành các quy tắc vận hành, ranh giới quyền sở hữu và quy trình đánh giá định kỳ có thể đo lường được để các nhóm có thể mở rộng quy mô một cách tự tin thay vì mở rộng quy mô sự mơ hồ.
Các nhóm sáng tạo có thể tạo nguyên mẫu nhanh hơn với ít sửa đổi thủ công hơn.
Các nhóm sáng tạo có thể tạo nguyên mẫu nhanh hơn với ít sửa đổi thủ công hơn. Trong quá trình triển khai chất lượng cao, điều này được chuyển thành các quy tắc vận hành, ranh giới quyền sở hữu và quy trình đánh giá định kỳ có thể đo lường được để các nhóm có thể mở rộng quy mô một cách tự tin thay vì mở rộng quy mô sự mơ hồ.
Các hoạt động có thể sử dụng tín hiệu hình ảnh và video mà trước đây khó xử lý.
Các hoạt động có thể sử dụng tín hiệu hình ảnh và video mà trước đây khó xử lý. Trong quá trình triển khai chất lượng cao, điều này được chuyển thành các quy tắc vận hành, ranh giới quyền sở hữu và quy trình đánh giá định kỳ có thể đo lường được để các nhóm có thể mở rộng quy mô một cách tự tin thay vì mở rộng quy mô sự mơ hồ.
Triển khai trong thế giới thực
Nền tảng chú thích hình ảnh sử dụng SAM để cho phép người gắn nhãn nhấp một lần và tự động tạo mặt nạ đối tượng chính xác, giảm thời gian ghi nhãn.
Các nhà nghiên cứu điều chỉnh SAM (ví dụ: MedSAM) để phác thảo các cơ quan và khối u trong quá trình quét CT và MRI.
Trình chỉnh sửa ảnh và video tích hợp SAM để cắt chủ thể hoặc xóa nền chỉ bằng một cú nhấp chuột.
SAM 2 theo dõi và phân đoạn các đối tượng trên các khung hình video để tạo ra hiệu ứng AR và nhận thức về robot.
Các mẫu triển khai
Mô hình phân đoạn bất kỳ thứ gì trong thực tế
Nền tảng chú thích hình ảnh sử dụng SAM để cho phép người gắn nhãn nhấp một lần và tự động tạo mặt nạ đối tượng chính xác, giảm thời gian ghi nhãn.
Nền tảng chú thích hình ảnh sử dụng SAM để cho phép người gắn nhãn nhấp một lần và tự động tạo mặt nạ đối tượng chính xác, giảm thời gian gắn nhãn Các nhóm thường đạt được kết quả tốt hơn khi họ xác định trước ngưỡng chất lượng, duy trì lộ trình leo thang của con người đối với các trường hợp khó khăn và theo dõi cả mức tăng năng suất và chi phí lỗi theo thời gian.
Mô hình phân đoạn bất kỳ thứ gì trong thực tế
Các nhà nghiên cứu điều chỉnh SAM (ví dụ: MedSAM) để phác thảo các cơ quan và khối u trong quá trình quét CT và MRI.
Các nhà nghiên cứu điều chỉnh SAM (ví dụ: MedSAM) để phác thảo các cơ quan và khối u trong quá trình quét CT và MRI. Các nhóm thường đạt được kết quả tốt hơn khi họ xác định trước các ngưỡng chất lượng, theo dõi lộ trình leo thang của con người đối với các trường hợp khó khăn và theo dõi cả mức tăng năng suất và chi phí do sai sót theo thời gian.
Mô hình phân đoạn bất kỳ thứ gì trong thực tế
Trình chỉnh sửa ảnh và video tích hợp SAM để cắt chủ thể hoặc xóa nền chỉ bằng một cú nhấp chuột.
Trình chỉnh sửa ảnh và video tích hợp SAM để cắt chủ đề hoặc xóa nền chỉ bằng một cú nhấp chuột. Các nhóm thường đạt được kết quả tốt hơn khi họ xác định trước ngưỡng chất lượng, duy trì lộ trình leo thang của con người đối với các trường hợp khó khăn và theo dõi cả mức tăng năng suất và chi phí lỗi theo thời gian.
Mô hình phân đoạn bất kỳ thứ gì trong thực tế
SAM 2 theo dõi và phân đoạn các đối tượng trên các khung hình video để tạo ra hiệu ứng AR và nhận thức về robot.
SAM 2 theo dõi và phân đoạn các đối tượng trên các khung hình video để tạo ra hiệu ứng AR và nhận thức về robot. Các nhóm thường đạt được kết quả tốt hơn khi họ xác định trước các ngưỡng chất lượng, duy trì lộ trình leo thang của con người đối với các trường hợp phức tạp và theo dõi cả mức tăng năng suất và chi phí lỗi theo thời gian.
Rủi ro & lan can
Quyền và sự đồng ý về hình ảnh có thể trở thành rủi ro pháp lý nếu nguồn gốc xuất xứ không rõ ràng.
Hiệu suất của mô hình có thể khác nhau tùy theo ánh sáng, nhân khẩu học và môi trường.
Kết quả dương tính giả có thể không được chú ý trừ khi ngưỡng tin cậy được theo dõi.
Lộ trình thực hiện
Xác định tiêu chí chấp nhận về độ chính xác, thu hồi và chi phí lỗi.
Xác định tiêu chí chấp nhận về độ chính xác, thu hồi và chi phí lỗi. Hãy coi mỗi bước như một cổng bằng chứng: nếu không đáp ứng được các tiêu chí, hãy tạm dừng triển khai, thu hẹp khoảng cách và chỉ sau đó mới mở rộng mức sử dụng.
Kiểm tra với dữ liệu phù hợp với điều kiện sản xuất thực tế.
Kiểm tra với dữ liệu phù hợp với điều kiện sản xuất thực tế. Hãy coi mỗi bước như một cổng bằng chứng: nếu không đáp ứng được các tiêu chí, hãy tạm dừng triển khai, thu hẹp khoảng cách và chỉ sau đó mới mở rộng mức sử dụng.
Thêm đánh giá của con người đối với những dự đoán có độ tin cậy thấp hoặc tác động cao.
Thêm đánh giá của con người đối với những dự đoán có độ tin cậy thấp hoặc tác động cao. Hãy coi mỗi bước như một cổng bằng chứng: nếu không đáp ứng được các tiêu chí, hãy tạm dừng triển khai, thu hẹp khoảng cách và chỉ sau đó mới mở rộng mức sử dụng.
Theo dõi sự trôi dạt của mô hình và xác nhận lại sau khi thay đổi máy ảnh hoặc tập dữ liệu.
Theo dõi sự trôi dạt của mô hình và xác nhận lại sau khi thay đổi máy ảnh hoặc tập dữ liệu. Hãy coi mỗi bước như một cổng bằng chứng: nếu không đáp ứng được các tiêu chí, hãy tạm dừng triển khai, thu hẹp khoảng cách và chỉ sau đó mới mở rộng mức sử dụng.