【新智元导读】Meta的SAM「分割一切」模型刚发布，国内团队就进行了二创，打造了一个最强的零样本视觉应用Grounded-SAM，不仅能分割一切，还能检测一切，生成一切。
Meta的「分割一切」模型横空出世后，已经让圈内人惊呼CV不存在了。就在SAM发布后一天，国内团队在此基础上搞出了一个进化版本「Grounded-SAM」。注：项目的logo是团队用Midjourney花了一个小时做的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。谷歌大脑的研究科学家、滑铁卢大学计算机科学助理教授Wenhu Chen表示「这也太快了」。Grounded-Segment-Anything：自动检测、分割和生成任何有图像和文本输入的东西。边缘分割可以进一步改进。
截至目前，这个项目在GitHub上已经狂揽2k星。上周，SAM的发布让CV迎来了GPT-3时刻。甚至，Meta AI声称这是史上首个图像分割基础模型。该模型可以在统一的框架prompt encoder内，指定一个点、一个边界框、一句话，直接一键分割出任何物体。SAM具有广泛的通用性，即具有了零样本迁移的能力，足以涵盖各种用例，不需要额外训练，就可以开箱即用地用于新的图像领域，无论是水下照片，还是细胞显微镜。而现在，国内研究者基于这个模型想到了新的点子，将强大的零样本目标检测器Grounding DINO与之结合，便能通过文本输入，检测和分割一切。借助Grounding DINO强大的零样本检测能力，Grounded SAM可以通过文本描述就可以找到图片中的任意物体，然后通过SAM强大的分割能力，细粒度的分割出mas。最后，还可以利用Stable Diffusion对分割出来的区域做可控的文图生成。再Grounded-SAM具体实践中，研究者将Segment-Anything与3个强大的零样本模型相结合，构建了一个自动标注系统的流程，并展示出非常非常令人印象深刻的结果！· Grounding DINO：最先进的零样本检测器· Segment-Anything：强大的零样本分割模型· Stable-Diffusion：出色的生成模型所有的模型既可以组合使用，也可以独立使用。组建出强大的视觉工作流模型。整个工作流拥有了检测一切，分割一切，生成一切的能力。使用BLIP模型生成标题，提取标签，并使用Ground-SAM生成框和掩码:· 半自动标注系统：检测输入的文本，并提供精确的框标注和掩码标注。首先使用BLIP模型为输入图像生成可靠的标注，然后让Grounding DINO检测标注中的实体，接着使用SAM在其框提示上进行实例分割。Stable Diffusion+Grounded-SAM=数据工厂· 用作数据工厂生成新数据：可以使用扩散修复模型根据掩码生成新数据。Segment Anything+HumanEditing在这个分支中，作者使用Segment Anything来编辑人的头发/面部。作者对于Grounded-SAM模型提出了一些未来可能的研究方向：自动生成图像以构建新的数据集；分割预训练的更强大的基础模型；与(Chat-)GPT模型的合作；一个完整的管道，用于自动标注图像（包括边界框和掩码），并生成新图像。Grounded-SAM项目其中的一位研究者是清华大学计算机系的三年级博士生刘世隆。他近日在GitHub上介绍了自己和团队一起做出的最新项目，并称目前还在完善中。现在，刘世隆是粤港澳大湾区数字经济研究院（IDEA研究院），计算机视觉与机器人研究中心的实习生，由张磊教授指导，主要研究方向为目标检测，多模态学习。在此之前，他于2020年获得了清华大学工业工程系的学士学位，并于2019年在旷视实习过一段时间。个人主页：http://www.lsl.zone/顺便提一句，刘世隆也是今年3月份发布的目标检测模型Grounding DINO的一作。此外，他的4篇论文中了CVPR 2023，2篇论文被ICLR 2023接收，1篇论文被AAAI 2023接收。论文地址：https://arxiv.org/pdf/2303.05499.pdf而刘世隆提到的那位大佬——任天和，目前在IDEA研究院担任计算机视觉算法工程师，也由张磊教授指导，主要研究方向为目标检测和多模态。此外，项目的合作者还有，中国科学院大学博士三年级学生黎昆昌，主要研究方向为视频理解和多模态学习；IDEA研究院计算机视觉与机器人研究中心实习生曹赫，主要研究方向为生成模型；以及阿里云高级算法工程师陈佳禹。项目需要安装python 3.8及以上版本，pytorch 1.7及以上版本和torchvision 0.8及以上版本。此外，作者强烈建议安装支持CUDA的PyTorch和TorchVision。python -m pip install -e segment_anything
python -m pip install -e GroundingDINO
pip install --upgrade diffusers[torch]
安装掩码后处理、以COCO格式保存掩码、example notebook和以ONNX格式导出模型所需的可选依赖。同时，项目还需要jupyter来运行example notebook。pip install opencv-python pycocotools matplotlib onnxruntime onnx ipykernel
cd Grounded-Segment-Anythingwget https://github.com/IDEA-Research/GroundingDINO/releases/download/v0.1.0-alpha/groundingdino_swint_ogc.pth
export CUDA_VISIBLE_DEVICES=0python grounding_dino_demo.py \ --config GroundingDINO/groundingdino/config/GroundingDINO_SwinT_OGC.py \ --grounded_checkpoint groundingdino_swint_ogc.pth \ --input_image assets/demo1.jpg \ --output_dir "outputs" \ --box_threshold 0.3 \ --text_threshold 0.25 \ --text_prompt "bear" \ --device "cuda"
模型预测可视化将保存在output_dir中，如下所示：Grounded-Segment-Anything+BLIP演示
1. 使用BLIP（或其他标注模型）来生成一个标注。2. 从标注中提取标签，并使用ChatGPT来处理潜在的复杂句子。3. 使用Grounded-Segment-Anything来生成框和掩码。export CUDA_VISIBLE_DEVICES=0python automatic_label_demo.py \ --config GroundingDINO/groundingdino/config/GroundingDINO_SwinT_OGC.py \ --grounded_checkpoint groundingdino_swint_ogc.pth \ --sam_checkpoint sam_vit_h_4b8939.pth \ --input_image assets/demo3.jpg \ --output_dir "outputs" \ --openai_key your_openai_key \ --box_threshold 0.25 \ --text_threshold 0.2 \ --iou_threshold 0.5 \ --device "cuda"
伪标签和模型预测可视化将保存在output_dir中，如下所示：Grounded-Segment-Anything+Inpainting演示
CUDA_VISIBLE_DEVICES=0python grounded_sam_inpainting_demo.py \ --config GroundingDINO/groundingdino/config/GroundingDINO_SwinT_OGC.py \ --grounded_checkpoint groundingdino_swint_ogc.pth \ --sam_checkpoint sam_vit_h_4b8939.pth \ --input_image assets/inpaint_demo.jpg \ --output_dir "outputs" \ --box_threshold 0.3 \ --text_threshold 0.25 \ --det_prompt "bench" \ --inpaint_prompt "A sofa, high quality, detailed" \ --device "cuda"
Grounded-Segment-Anything+Inpainting Gradio APP
作者在此提供了可视化网页，可以更方便的尝试各种例子。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，而且马塞克谐音mask，之所以用熊作为logo主体，是因为作者主要示例的图片是熊。看到Grounded-SAM后，网友表示，知道要来，但没想到来的这么快。项目作者任天和称，「我们用的Zero-Shot检测器是目前来说最好的。」最后，作者表示，这个项目未来还可以基于生成模型做更多的拓展应用，例如多领域精细化编辑、高质量可信的数据工厂的构建等等。欢迎各个领域的人多多参与。https://github.com/IDEA-Research/Grounded-Segment-Anythinghttps://www.reddit.com/r/MachineLearning/comments/12gnnfs/r_groundedsegmentanything_automatically_detect/https://zhuanlan.zhihu.com/p/620271321