图像分割界又迎新王者！Meta 2025年11月开源的 SAM3（Segment Anything Model 3） 太顶了，不仅延续了前两代的强大分割能力，还新增文本提示功能，能听懂“bear”“汽车”这类关键词，直接精准分割图像中的目标，性能直接狂飙2倍！

但不少小伙伴反馈：权重下载难、环境搭建踩坑多、测试代码跑不通？别慌！这篇保姆级实战教程，从源码权重下载到图片分割测试，一步一步带你来操作，亲测有效！

模型亮点速览

SAM3作为新一代通用分割模型，核心优势拉满：

• 支持多模态提示：文本、点、框、图像示例都能当提示，比如输入“dog”就能分割图中所有狗
• 新增可提示概念分割（PCS）：能一次性分割场景中某类概念的所有实例，比如“视频中所有猫”
• 性能炸裂：H200 GPU处理100个检测对象仅需30毫秒，图像视频分割精度远超前代
• 应用广泛：创意媒体编辑、智能家居预览、野生动物监测、3D重建都能用

一、源码&权重文件下载

想跑通模型，先把“粮草”备齐！

1. 源代码下载

直接从Meta官方Github仓库克隆：

git clone https://github.com/facebookresearch/sam3.git

2. 权重文件下载（关键踩坑点！）

模型权重文件 sam3.pt（3.2GB）是运行核心，但官方下载有坑：

• 官方路径：https://huggingface.co/facebook/sam3（需申请，易被拒，不推荐！）
• 推荐路径：https://pan.baidu.com/s/1DsGUiV3xvAVADLtEaVuDog?pwd=49wg
• 备用路径：https://www.modelscope.cn/models/facebook/sam3/files

• 放置位置：下载后直接放到根目录下即可

二、环境搭建：一步不踩坑

小编建议使用官方推荐环境配置，以下是经过小编测试过的配置情况。

1. 环境要求

• Python：3.12 及以上
• PyTorch：2.7 及以上
• 显卡：Nvidia 显卡（必须支持 CUDA），CUDA 12.6 及以上

2. 详细搭建步骤

（1）创建并激活 conda 环境

打开终端，执行以下命令创建独立环境（避免依赖冲突）：

# 创建sam3专属环境，指定Python版本conda create -n sam3 python=3.12# 激活环境（Windows/Linux通用）conda activate sam3

（2）安装 PyTorch（带 CUDA 支持）

根据自己的 CUDA 版本选择命令，以 CUDA 12.8 为例：

pip3 install torch torchvision --index-url https://download.pytorch.org/whl/cu128

（3）安装 SAM3 依赖包

进入克隆的 sam3 目录，执行本地安装：

cd sam3pip install -e .

（4）（可选）解决关键报错：缺少 triton 模块

如果在Linux下执行上述步骤，那么这一步可以省略；如果是在Windows上执行上述步骤，那么运行代码时，大概率会提示 No module named 'triton'，直接安装以下包即可：

pip install triton triton-windows

至此，环境搭建完成！可以开始测试啦～

三、实战测试：图片分割手把手来

1. 完整测试代码

import matplotlib.pyplot as pltimport osfrom PIL import Imagefrom sam3.model_builder import build_sam3_image_modelfrom sam3.model.sam3_image_processor import Sam3Processorfrom sam3.visualization_utils import plot_resultsSAVE_DIR = "/root/autodl-tmp/sam3/results"CKPT_PATH = "/root/autodl-tmp/sam3/sam3.pt"IMAGE_PATH = "/root/autodl-tmp/sam3/download.jpg"PROMPT = "dog"OUTPUT_IMAGE_NAME = "download_inference.jpg"defmain():    os.makedirs(SAVE_DIR, exist_ok=True)    model = build_sam3_image_model(checkpoint_path=CKPT_PATH)    processor = Sam3Processor(model)    image = Image.open(IMAGE_PATH).convert("RGB")    state = processor.set_image(image)    processor.set_text_prompt(state=state, prompt=PROMPT)    plot_results(image, state)    vis_path = os.path.join(SAVE_DIR, OUTPUT_IMAGE_NAME)    plt.savefig(vis_path, dpi=300, bbox_inches="tight")    print(vis_path)    plt.close()if __name__ == "__main__":    main()

2. 测试效果

3. 代码关键说明

• 图片路径：将 /root/autodl-tmp/sam3/...png 改为你的本地图片路径
• 文本提示：修改 prompt 参数即可分割不同目标，比如 car、flower
• 输出变量解释：
• masks：分割掩码，与原图分辨率一致，不同目标用不同颜色标记
• boxes：检测框坐标，每个框包含（左上角 x、左上角 y、右下角 x、右下角 y）
• scores：目标置信度，数值越高越可靠

四、常见问题

• 权重下载失败：放弃 Hugging Face 申请，直接用小编下载链接
• CUDA 版本不匹配：安装 PyTorch 时选择与本地 CUDA 对应的 whl 包
  
• 可视化无弹窗：在 plot_results 后手动添加 plt.show()

五、小结

SAM3 凭借文本提示的灵活交互和超高分割精度，直接把通用分割模型的实用性拉满！未来随着模型轻量化和推理加速技术的发展，SAM3 有望在移动端和实时场景中大展身手。赶紧跟着教程动手试试吧！

欢迎大家点赞、评论！