实例与语义分割 / 18

SAM 2

图像与视频可提示分割模型

SAM 2把图像视为单帧视频，并通过流式记忆机制在连续帧间传播目标信息，实现统一的图像与视频可提示分割和交互式修正。代表性参数规模为约 38.9M–224.4M（tiny 至 large），性能定位是视频掩码传播高效，交互体验优于第一代。适合视频数据标注、连续帧目标分割和交互式跟踪修正。

PARAMETERS

参考参数与输入输出

代表性参数量约 38.9M–224.4M（tiny 至 large）

输入图像/视频加点、框或掩码提示

输出图像掩码或跨帧持续传播的实例掩码

算力与部署GPU 推荐；长视频需管理显存与记忆状态

参数量是公开代表性配置或合理范围，不同骨干、类别数、输入尺寸和实现版本会改变结果；详细实施时以选定配置导出的模型信息为准。

PERFORMANCE

视频掩码传播高效，交互体验优于第一代。视频能力显著强于 SAM，但状态管理和部署复杂度更高。网站不使用脱离条件的单一 FPS 或 mAP 数字作为承诺，因为数据集、输入尺寸、精度模式、批量大小、GPU 型号和后处理口径都会显著改变测试结果。

CHARACTERISTICS & USE CASES

MODEL COMPARISON

模型	参考参数规模	速度	精度定位	部署	优先场景
Mask R-CNN	约 44M（R50-FPN 代表配置）	低	很高	成熟	零件实例轮廓
U-Net	约 7M–31M（依通道数与骨干而变）	高	中高	成熟	连续缺陷区域
DeepLabV3+	约 26M–60M（取决于骨干）	中	很高	较成熟	大幅面表面分割
SAM	约 91M/308M/636M（ViT-B/L/H）	中低	泛化高	较成熟	交互式辅助标注
SAM 2当前	约 38.9M–224.4M（tiny 至 large）	中高	泛化高	较成熟	视频数据标注
YOLO Seg	约 3M–72M（随 YOLO 版本与尺度变化）	很高	高	成熟	在线轮廓检测

表中“速度、精度、部署”为同类别内的定性定位，用于缩小候选范围，不替代同一测试集、同一硬件和同一精度模式下的实测。

SELECTION SUMMARY

SAM 2适合优先考虑视频数据标注、连续帧目标分割、交互式跟踪修正的项目。它的主要价值是统一处理静态图像与视频序列；需要重点评估遮挡、目标消失重现和长序列漂移仍需质检、工业私有数据应先验证泛化和提示策略。

建议先用企业真实数据建立基线，再统一测试准确率、召回率、误检率、单张延迟、峰值显存和导出兼容性，最后确定模型规模与部署方式。