当前位置：首页>python>Python|SAM2安装与图像分割

Python|SAM2安装与图像分割

2026-10-22 10:16:53

科研图像处理

SAM2（Segment Anything Model 2）是 Meta AI 于 2024 年提出的通用视觉分割模型，是在 SAM 的基础上面向视频与时序数据的重要升级。

https://github.com/facebookresearch/sam2

相比只能对单张图像进行交互式分割的 SAM，SAM2 引入了时序一致性建模与掩膜传播（mask propagation）机制，能够在用户仅对少量帧进行提示（points / boxes / masks）的情况下，将目标分割结果稳定传播到整段视频或时间序列中。

之前的文章介绍了基于SAM的细胞分割与追踪方法：

点击跳转《利用Segment Anything进行细胞分割》

点击跳转《利用 Track-Anything 进行细胞追踪》

SAM2不仅可以对单张图片进行分割，在视频上的分割表现也有显著提升，且仅需个别标注即可工作，不依赖大规模自训练；

另外SAM2对目标形态变化、遮挡、短暂消失具有较强鲁棒性；

SAM2的这些优势天然适用于复杂的细胞和动物追踪任务。

因此，SAM2 为细胞追踪、形态动态分析、长时间成像数据的自动化处理，提供了一种低标注成本、高泛化能力的通用解决方案。

这篇文章会介绍怎样在Windows系统，安装SAM2，并实现单张图片的分割。

一、SAM2的安装

1、创建一个新的conda环境

首先你需要在电脑上安装Anaconda，生成一个新的环境，方便不同Python包的版本管理：

conda create -n SAM2 python=3.10

激活该环境：

conda activate SAM2

2、安装GPU dependency

SAM2必须用比较好的GPU才能运行，首先安装对应CUDA版本的Pytorch

pip install torch torchvision --index-url https://download.pytorch.org/whl/cu121

如果成功安装，运行：

python -c "import torch; print('torch', torch.__version__); print('cuda available:', torch.cuda.is_available()); print('gpu:', torch.cuda.get_device_name(0) if torch.cuda.is_available() else None)"

如果你可以看到如下的Output，则说明可以调用GPU了：

3、SAM2下载

cd到一个合适的文件夹，然后git clone SAM2的repo：

git clone https://github.com/facebookresearch/sam2.git

clone完成后，cd进入sam2的文件夹：

cd sam2

然后安装可以在Jupyter Notebook运行的SAM2:

pip install -e ".[notebooks]"

4、Checkpoints下载

SAM2的模型权重需要另外下载，可以通过运行：

cd checkpoints && \./download_ckpts.sh && \cd ..

如果仅需要其中一种模型，可以手动在GitHub上下载，然后放到.\sam2\checkpoints文件夹中。

文章中利用最大的模型：sam2.1_hiera_large.pt，大小856MB。

二、SAM2分割单张图像

推荐在Jupyter Notebook中调用SAM2。

1、加载SAM2模型

import numpy as npimport torchimport matplotlib.pyplot as pltfrom PIL import Imagefrom sam2.build_sam import build_sam2from sam2.sam2_image_predictor import SAM2ImagePredictordevice = torch.device("cuda" if torch.cuda.is_available() else "cpu")print("Using device:", device)img_path = "images/demo_cell_image.jpg"image = np.array(Image.open(img_path).convert("RGB"))ckpt = "../checkpoints/sam2.1_hiera_large.pt"cfg  = "configs/sam2.1/sam2.1_hiera_l.yaml"model = build_sam2(cfg, ckpt, device=device)predictor = SAM2ImagePredictor(model)predictor.set_image(image)

这一步主要是Check是否能调用GPU，加载图像以及模型的Checkpoint。

SAM2的输入应该是H×W×3的一个NumPy array，所以对于一个单通道的图像来说，首先需要先调整一下对比度，存成jpg格式：

2、定义特征点选择分割物体

在分割之前，你需要告诉SAM2，你想要分割哪个物体。

input_point = np.array([[135, 300],[180,300]])  # (x, y)input_label = np.array([1,0])             # 1 (foreground point) or 0 (background point)

选点有Positive和Negative两种，Positive代表想要分割的物体（foreground, label = 1），Negative代表非目标物体（background, label = 0）。

可以只定义foreground，但给定的标签越多，分割越准确。

3、分割图像

masks, scores, _ = predictor.predict(    point_coords=input_point,    point_labels=input_label,    multimask_output=False,)mask = masks[0]  # (H, W) bool

如果‘multimask_output’选择True，会生成Score排名前三的Mask，这里为了节省时间，选择False，只输出排名第一的Mask：

三、SAM2 zero-shot分割整张图像的物体

SAM2可以不依赖输入，分割整张图像：

from sam2.build_sam import build_sam2from sam2.automatic_mask_generator import SAM2AutomaticMaskGeneratorsam2_checkpoint = "../checkpoints/sam2.1_hiera_large.pt"model_cfg = "configs/sam2.1/sam2.1_hiera_l.yaml"sam2 = build_sam2(model_cfg, sam2_checkpoint, device=device, apply_postprocessing=False)mask_generator = SAM2AutomaticMaskGenerator(sam2)img_path = "images/cars.jpg"image = np.array(Image.open(img_path).convert("RGB"))masks = mask_generator.generate(image)print(len(masks))print(masks[0].keys())def show_anns(anns, borders=True):    if len(anns) == 0:        return    sorted_anns = sorted(anns, key=(lambda x: x['area']), reverse=True)    ax = plt.gca()    ax.set_autoscale_on(False)    img = np.ones((sorted_anns[0]['segmentation'].shape[0], sorted_anns[0]['segmentation'].shape[1], 4))    img[:, :, 3] = 0    for ann in sorted_anns:        m = ann['segmentation']        color_mask = np.concatenate([np.random.random(3), [0.5]])        img[m] = color_mask         if borders:            import cv2            contours, _ = cv2.findContours(m.astype(np.uint8), cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_NONE)             # Try to smooth contours            contours = [cv2.approxPolyDP(contour, epsilon=0.01, closed=True) for contour in contours]            cv2.drawContours(img, contours, -1, (0, 0, 1, 0.4), thickness=1)     ax.imshow(img)plt.figure(figsize=(20, 20))plt.imshow(image)show_anns(masks)plt.axis('off')plt.show()