【计算机视觉】最强 Zero-Shot 视觉应用：Grounding DINO + Segment Anything + Stable Diffusion

最新推荐文章于 2025-09-07 16:03:27 发布

原创最新推荐文章于 2025-09-07 16:03:27 发布 · 置顶 · 3.9k 阅读

11 ·

CC 4.0 BY-SA版权

文章标签：

#计算机视觉 #stable diffusion #segment #Grounding

计算机视觉专栏收录该内容

165 篇文章

订阅专栏

Grounded-SAM是一个集成SAM、BLIP和StableDiffusion的项目，结合多种功能如图像分割、对象检测和生成。它能通过语音指令转换图片内容，自动标注图片并生成标签，同时提供有趣的应用如更换图像元素。虽然在复杂场景中仍需优化，但其潜力在于构建强大的视觉工作流，并且各组件可与其他模型互换使用。

一、前言

在这里插入图片描述
用 Midjourney 花一个小时做的项目 logo 图：

在这里插入图片描述

解释一下 logo 的含义：一只坐在地上的马赛克风格的熊。

坐在地面上是因为 ground 有地面的含义，然后分割后的图片可以认为是一种马赛克风格，而且马赛克谐音 mask，之所以用熊作为 logo 主体，是因为项目主要示例的图片是熊。

Grounded-SAM 把 SAM 和 BLIP、Stable Diffusion 集成在一起，将图片「分割」、「检测」和「生成」三种能力合一，成为最强 Zero-Shot 视觉应用。

二、功能介绍

项目体验的地址为：

https://github.com/IDEA-Research/Grounded-Segment-Anything

在这里插入图片描述

2.1 功能一

这个功能主要是通过 whisper 模块对语音进行转换，直接对图片的检测对象进行替换，例如将狗替换成猴子，看图片确实是毫无违和感，这部分功能相信在不久的将来应该能实现落地使用。

在这里插入图片描述

2.2 功能二

这个功能是实现自动数据标注，包括标签信息及预测概率，有点类似于 YOLOV8 系列，借助 SAM 分割万物的思想可以直接对图片中的所有场景进行分割及分类标注。

使用 Tag2Text 直接生成标签，使用 Grounded-SAM 进行 box 和 mask 生成。Tag2Text 具有卓越的标记和字幕功能。使用 BLIP 生成标题，使用 chatGPT 提取标签，使用 Ground-SAM 生成框和 MASK 图片。

浅浅的谈一句，针对简单场景，确实该项目有很多过人的优势，复杂场景的实际应用还有待商榷，目前看来最大的一个问题是分割的场景会存在分割过细的情况，需要手动人工 check，而且并不是所有参数对不同图片都适用，针对训练的大量图片，实际自动标注效果还有待优化。

在这里插入图片描述

2.3 其他有趣的功能

其他更多有趣的功能，比如更换头发颜色、背景、交互式应用等。这些模块感觉就是抖音的下一个热点！

在这里插入图片描述

三、总结

可以想象未来只需要语音交互就能够完成所有的视觉工作流任务，这是多么奇妙的一件事情啊！

这个项目背后的核心思想是结合不同模型的优势，以构建一个非常强大的管道来解决复杂的问题。

值得一提的是，这是一个结合强大专家模型的工作流程，其中所有部分都可以单独或组合使用，并且可以替换为任何相似但不同的模型（例如用 GLIP 或其他检测器替换 Grounding DINO / 替换 Stable- 与 ControlNet 或 GLIGEN 的扩散/与 ChatGPT 结合）。