Grounded-SAM Demo部署搭建

最新推荐文章于 2025-11-22 00:17:03 发布
原创 最新推荐文章于 2025-11-22 00:17:03 发布 · 1.1k 阅读 · 1 ·
CC 4.0 BY-SA版权
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
文章标签：

#人工智能 #图像分割 #SAM #grounded-sam #grounding-dino #零样本 #图像生成

目录

1 环境部署

2 Grounded-SAM Demo安装

3 运行Demo

3.1 运行Gradio APP

3.2 Gradio APP操作

1 环境部署

由于SAM建议使用CUDA 11.3及以上版本，这里使用CUDA 11.4版本。

另外，由于整个SAM使用的是Pytorch开发，因此需要Python环境，这里使用conda环境，能够更方便地安装各依赖库。Python版本要求3.8及以上，这里使用Python3.8。使用conda安装Python3.8的过程如下。

（1）安装Anaconda

  1. 下载Anaconda
wget https://mirrors.tuna.tsinghua.edu.cn/anaconda/archive/Anaconda3-5.3.1-Linux-x86_64.sh
  1. 安装Anaconda
bash Anaconda3-5.3.1-Linux-x86_64.sh
了解本专栏 订阅专栏 解锁全文 超级会员免费看
LLM - 搭建 Grounded SAM 2 模型的视觉检测与分割服务 API
AGI
08-12 1004
Grounded-SAM-2 是基于 Grounding DINO 和 SAM2 (Segment Anything Model) 的联合图像分割预测系统。通过 FastAPI 库与 Grounded-SAM-2 源码，搭建算法的 API 服务。
Grounded SAM 2 实现开放世界集的多目标跟踪 Linux配置
m0_60501098的博客
03-21 2958
如何使用Grounded SAM 2 实现开放世界集的多目标跟踪，使用 Linux配置
Grounded-SAM
qq_36226586的博客
08-02 1209
Grounded-SAM。
Grounded-Segment-Anything 本地测试，win11 +Anaconda3+torch==2.0.0+cu117 torchvision==0.15.1+cu117 torch环境
浪淘沙jkp的专栏
08-09 1337
以后在csdn写笔记成为一种态度，我觉得很好，可以记录过程，下次也好找，也可给大家参考，可谓一举两得。
Grounded-Segment-Anything批量处理教程：大规模数据集的自动化分割流水线
最新发布
gitblog_01179的博客
11-22 255
想要快速处理成千上万张图片，实现自动化的目标检测和分割吗？🔥 **Grounded-Segment-Anything** 正是你需要的终极工具！这个开源项目将Grounding DINO、Segment Anything和Stable Diffusion等强大模型完美结合，为大规模数据集处理提供了完整的解决方案。 ## 🚀 为什么选择Grounded-Segment-Anything？ *
Grounded-Segment-Anything本地部署
m0_46926492的博客
06-20 1万+
- 介绍 - Segment Anything Model，简称 SAM。 - SAM 已经学会了关于物体的一般概念，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**图像领域**即开即用，无需额外的训练 文件太多了，其他的不像测试了，因该都没有很大的问题文件初始化参数太大了，一个项目占了几十个G效果也不好，不想做了，摆烂。
Grounded-SAM（最强Zero-Shot视觉应用）：本地部署及各个模块的全网最详细使用教程！
热门推荐
小小帅
02-18 1万+
本篇文章主要对Grounded-SAM项目的部署以及使用进行讲解，目的是使读者可以直接参考文档去使用Grounded-SAM，而无需再去参考Github一步步自己去分析尝试（也算是我使用过程中的心得）。
Grounded-SAM（Zero-Shot图像目标检测与分割）：手把手教环境配置及各个模块的基本使用教程
qq_51526341的博客
07-04 2195
然后导入到Grounded-Segment-Anything-main目录下，在/GroundingDINO/groundingdino/util目录下找到get_tokenlizer.py文件，修改以下三处地方，text_encoder_type1换成我们本地存放 bert-base-uncased文件的路径。Grounded-SAM的作用是根据用户给定的提示（如点、框、文字提示等），在输入图像上生成高质量的二值分割掩码。关于其他项目的具体详情请看Grounded-SAM项目的。
sam环境搭建
03-30
用户提到的Grounded-SAM Demo部署，可能涉及到几个不同的项目，比如Hi-SAM和Grounded-SAM，我需要先理清这些项目的关系和各自的配置步骤。 首先，根据用户提供的引用，引用[4]提到了Grounded-SAM的部署步骤，包括...
【图像生成与编辑】最新进展！Inpaint Anything、Edit Everything 和 Grounded SAM：一文了解最强大的图像生成、修复和编辑技术
qq_45752541的博客
05-20 4139
在CV和NLP领域，最近涌现出了许多跨模态的大模型，在处理图像和文本数据时取得了令人瞩目的成果。其中，生成模型是一类重要的模型，可以生成新颖的图像、文本或音频等内容，具有重要的实用价值。和，利用了最新的深度学习技术和模型架构，创造性地解决了图像生成、修复和编辑等问题，具有许多实际应用价值。具体来说， Inpaint Anything 主要用于实现物体移除、内容填补、场景替换等图像修复和编辑任务；Edit Everything 则是一个基于文本引导的图像生成和编辑系统；
【免费下载】 Grounded SAM 2 安装与配置指南
gitblog_01036的博客
04-09 1686
Grounded SAM 2 是一个开源项目，基于深度学习技术，旨在实现视频中的目标定位和跟踪。该项目通过结合多个先进模型（如 Grounding DINO、Florence-2、DINO-X 和 SAM 2），提供了一个完整的工具链，以处理各种视觉任务，包括目标检测、分割和跟踪。 主要的编程语言：Python ## 2. 关键技术和框架 - **Grounding DINO**: 用于目标...
GroundingDINO+SAM官方demo本地配置运行
Regisa的博客
03-03 9212
grounded-sam官方demo本地部署，参照官方文档一步一步的操作发现还是有些问题，之后又参考了相关博客，基本已经能够运行，但有些细节还需指出。
全自动标注集成项目（Grounded-SAM）技术报告阅读:Grounded SAM: Assembling Open-World Models for Diverse Visual Tasks
小小帅
02-17 4292
我们引入了Grounded SAM，它使用Grounding DINO [38] 作为开放集对象检测器，并与任何分割模型（SAM）[25] 相结合。这种整合可以根据任意文本输入检测和分割任何区域，并为连接各种视觉模型打开一扇大门。如图 1 所示，通过使用通用的 Grounded SAM 管道，可以实现多种视觉任务。例如，一个完全基于输入图像的自动注释管道可以通过合并诸如 BLIP [31]和Recognize Anything[83]这样的模型来实现。
实战篇-Grounded-SAM/GroundingDINO：如何在实际中文场景中提高检测性能~
小小帅
02-29 8225
本篇的内容建立在对Grounded-SAM有一定基础，且上手实际使用过。
Grounded SAM 2 项目安装与使用指南
gitblog_00854的博客
04-09 546
Grounded SAM 2 项目的目录结构如下： ``` . ├── assets/ # 存放项目所需的资源文件 ├── checkpoints/ # 存放预训练模型和训练结果 ├── demo/ # 包含项目演示脚本 ├── demo_images/ ...
Grounded-SAM 改批量处理图片并保存（附代码）
qq_53821866的博客
09-08 1365
make dir###此处有一断点###有一断点。
检测一切，分割一切，生成一切！最强计算机视觉应用Grounded-SAM
2401_83063795的博客
03-20 1608
Grounded-SAM：赋予机器智慧之眼，检测即分割，文字重塑AI描绘，驾驭万千图像分割可能 - 精选真开源，释放新价值。
【GitHub开源项目实战】基于自然语言指令的零样本分割利器：Grounded-SAM 全面解析与工程实战指南
努力分享一些人工智能、计算机视觉、影像等相关的知识干货！
05-15 1513
Grounded-SAM 是 IDEA 研究院推出的一项创新性开源视觉模型，融合了 Grounding DINO 的文本驱动目标检测能力与 Segment Anything 的任意区域分割能力，形成了一套支持自然语言交互的多模态视觉系统。该模型无需任何微调即可完成零样本的语义识别与分割任务，广泛适用于自动驾驶、医学影像分析、图像编辑等高精度需求场景。更重要的是，Grounded-SAM 提供了与 Stable Diffusion 等生成模型的无缝集成能力，能够在图像理解基础上实现精准的编辑与重绘。本文将基于
科普视觉图像分割框架Grounded SAM
xuweilin的博客
07-03 1027
（Segment Anything Model，Meta 的分割模型）的计算机视觉框架，能够通过文本输入检测并分割图像中的任意对象。此外，它还能与其他模型（如 Stable Diffusion、BLIP、RAM 等）结合，实现自动标注、可控图像编辑、3D 人体分析等任务。，实现了强大的零样本视觉理解能力，并可通过集成其他模型（如 Stable Diffusion、BLIP、OSX）扩展应用场景。它在自动标注、图像编辑、3D 分析等领域展现出巨大潜力，是计算机视觉领域的重要突破之一。（开放集目标检测器）和。
Grounded-SAM部署
06-17
### 部署 Grounded-SAM 模型的指南 部署 Grounded-SAM 模型需要准备两个主要的大模型文件：一个是 SAM（Segment Anything Model）的分割模型 `sam_vit_h_4b8939.pth`，另一个是 GroundingDINO 的检测模型 `groundingdino_swint_ogc.pth`[^2]。以下是详细的部署步骤： #### 1. 环境准备 确保系统已安装 Python（推荐版本为 3.8 或更高）。然后创建一个虚拟环境以避免依赖冲突： ```bash python -m venv grounded-sam-env source grounded-sam-env/bin/activate # Linux/MacOS grounded-sam-env\Scripts\activate # Windows ``` #### 2. 安装依赖项 克隆 Grounded-Segment-Anything 仓库并安装相关依赖项： ```bash git clone https://github.com/IDEA-Research/Grounded-Segment-Anything.git cd Grounded-Segment-Anything pip install -r requirements.txt ``` 如果需要从源码安装 GroundingDINO，请执行以下命令： ```bash python -m pip install -e GroundingDINO ``` 此操作会将 GroundingDINO 包作为可编辑模式安装到环境中[^3]。 #### 3. 下载预训练模型 下载 SAM 和 GroundingDINO 的预训练权重文件： ```bash mkdir models cd models wget https://dl.fbaipublicfiles.com/segment_anything/sam_vit_h_4b8939.pth wget https://github.com/IDEA-Research/GroundingDINO/releases/download/v0.1.0-alpha/groundingdino_swint_ogc.pth ``` 这些模型文件应保存在项目的 `models` 文件夹中以便加载使用[^2]。 #### 4. 配置与运行 配置脚本以加载模型并进行推理。例如，可以参考官方提供的示例脚本 `demo.py` 进行修改或直接运行： ```bash python demo.py --config-file groundingdino/config/GroundingDINO_SwinT_OGC.py --ckpt groundingdino_swint_ogc.pth --image image.jpg --sam-checkpoint sam_vit_h_4b8939.pth --output-dir outputs/ ``` 上述命令将加载指定的模型并对输入图像 `image.jpg` 执行分割和检测任务，结果将保存到 `outputs/` 文件夹中[^2]。 #### 5. 自定义集成 如果希望将 Grounded-SAM 与其他开放世界模型（如 RAM、BLIP 或 Stable Diffusion）结合使用，则需进一步调整代码逻辑。例如，通过引入额外的 API 接口来实现自动图像注释或精确编辑功能[^1]。 --- ### 注意事项 - 确保网络连接正常，以便成功下载模型文件。 - 如果在部署过程中遇到问题，可以参考 GitHub 仓库中的 Issue 页面寻求帮助。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

space01

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值