SAM2 Video

Clore.ai पर Meta के SAM2 के साथ वीडियो में वस्तुओं को ट्रैक और सेगमेंट करें

Meta के SAM2.1 के साथ वीडियो में किसी भी ऑब्जेक्ट को ट्रैक और सेगमेंट करें — SAM2 का उन्नत संस्करण, जिसमें वीडियो सटीकता बेहतर है.

सभी उदाहरण GPU सर्वरों पर चलाए जा सकते हैं, जिन्हें किराए पर लिया गया है CLORE.AI मार्केटप्लेस.

इस गाइड के सभी उदाहरण GPU सर्वरों पर चलाए जा सकते हैं, जिन्हें किराए पर लिया गया हो CLORE.AI मार्केटप्लेस मार्केटप्लेस।

CLORE.AI पर किराए पर लेना

1. विज़िट करें CLORE.AI मार्केटप्लेस

2. GPU प्रकार, VRAM और कीमत के अनुसार फ़िल्टर करें

3. चुनें ऑन-डिमांड (स्थिर दर) या स्पॉट (बोली मूल्य)

4. अपना ऑर्डर कॉन्फ़िगर करें:

   • Docker इमेज चुनें

   • पोर्ट सेट करें (SSH के लिए TCP, वेब UI के लिए HTTP)

   • यदि आवश्यक हो तो environment variables जोड़ें

   • स्टार्टअप कमांड दर्ज करें

5. भुगतान चुनें: CLORE, BTCया USDT/USDC

6. ऑर्डर बनाएं और डिप्लॉयमेंट की प्रतीक्षा करें

अपने सर्वर तक पहुँचें

• कनेक्शन विवरण यहाँ खोजें मेरे ऑर्डर

• वेब इंटरफ़ेस: HTTP पोर्ट URL का उपयोग करें

• SSH: ssh -p <port> root@<proxy-address>

SAM2 क्या है?

Meta AI का SAM2 (Segment Anything Model 2) निम्न को सक्षम बनाता है:

• रीयल-टाइम वीडियो ऑब्जेक्ट सेगमेंटेशन

• क्लिक करके किसी भी ऑब्जेक्ट को ट्रैक करें

• ऑक्लूज़न के दौरान सुसंगत ट्रैकिंग

• मेमोरी-कुशल वीडियो प्रोसेसिंग

SAM2.1 में नया क्या है

SAM2.1 मूल SAM2 की तुलना में महत्वपूर्ण सुधार लाता है:

• बेहतर वीडियो सटीकता — ऑक्लूज़न और तेज़ गति के दौरान बेहतर ट्रैकिंग

• उन्नत मेमोरी मॉड्यूल — अधिक सुसंगत लंबी दूरी की ट्रैकिंग

• नए चेकपॉइंट्स — sam2.1_hiera_* बेहतर प्रदर्शन वाली श्रृंखला

• आधिकारिक pip पैकेज — इसके साथ इंस्टॉल करें pip install sam-2 (हाथ से बिल्ड करने की आवश्यकता नहीं)

• तेज़ इंफेरेंस — अनुकूलित CUDA कर्नेल्स

संसाधन

• GitHub: facebookresearch/sam2

• पेपर: SAM2 पेपर

• डेमो: SAM2 डेमो

• मॉडल वज़न: SAM2.1 चेकपॉइंट्स

अनुशंसित हार्डवेयर

घटक	न्यूनतम	अनुशंसित	इष्टतम
GPU	RTX 3060 12GB	RTX 4080 16GB	RTX 4090 24GB
VRAM	8GB	16GB	24GB
CPU	4 कोर	8 कोर	16 कोर
RAM	16GB	32GB	64GB
स्टोरेज	30GB SSD	50GB NVMe	100GB NVMe
इंटरनेट	100 Mbps	500 Mbps	1 Gbps

CLORE.AI पर त्वरित परिनियोजन

Docker इमेज:

pytorch/pytorch:2.11.0-cuda12.8-cudnn9-devel

पोर्ट:

22/tcp
7860/http

कमांड:

cd /workspace && \
pip install sam-2 && \\
python -c "from sam2.build_sam import build_sam2; print('SAM2.1 तैयार है!')"

अपनी सेवा तक पहुँचना

डिप्लॉयमेंट के बाद, अपना http_pub URL यहाँ मेरे ऑर्डर:

1. पर जाएँ मेरे ऑर्डर पेज

2. अपने ऑर्डर पर क्लिक करें

3. खोजें http_pub URL (उदा., abc123.clorecloud.net)

उपयोग करें https://YOUR_HTTP_PUB_URL की बजाय localhost नीचे दिए गए उदाहरणों में।

इंस्टॉलेशन

# आधिकारिक pip पैकेज (SAM2.1 के लिए अनुशंसित)
pip install sam-2

# SAM2.1 चेकपॉइंट्स डाउनलोड करें
python -c "
from sam2.utils.misc import download_file_with_progress

checkpoints = [
    ('https://dl.fbaipublicfiles.com/segment_anything_2/092824/sam2.1_hiera_tiny.pt', 'checkpoints/sam2.1_hiera_tiny.pt'),
    ('https://dl.fbaipublicfiles.com/segment_anything_2/092824/sam2.1_hiera_small.pt', 'checkpoints/sam2.1_hiera_small.pt'),
    ('https://dl.fbaipublicfiles.com/segment_anything_2/092824/sam2.1_hiera_base_plus.pt', 'checkpoints/sam2.1_hiera_base_plus.pt'),
    ('https://dl.fbaipublicfiles.com/segment_anything_2/092824/sam2.1_hiera_large.pt', 'checkpoints/sam2.1_hiera_large.pt'),
]
"

# या डाउनलोड स्क्रिप्ट का उपयोग करें
mkdir -p checkpoints && cd checkpoints
wget https://dl.fbaipublicfiles.com/segment_anything_2/092824/sam2.1_hiera_large.pt

विकल्प: स्रोत से (डेवलपमेंट के लिए)

git clone https://github.com/facebookresearch/sam2.git
cd sam2
pip install -e ".[demo]"

# SAM2.1 चेकपॉइंट्स डाउनलोड करें
cd checkpoints
bash download_ckpts.sh

आप क्या बना सकते हैं

वीडियो संपादन

• वीडियो से ऑब्जेक्ट हटाएँ

• बैकग्राउंड को बिना रुकावट बदलें

• कम्पोज़िटिंग के लिए वीडियो मास्क बनाएं

स्पोर्ट्स विश्लेषण

• खेलों के दौरान खिलाड़ियों को ट्रैक करें

• गतिविधि पैटर्न का विश्लेषण करें

• हाइलाइट रील्स बनाएं

चिकित्सीय इमेजिंग

• CT/MRI वीडियो में अंगों को सेगमेंट करें

• माइक्रोस्कोपी में कोशिका गति को ट्रैक करें

• समय के साथ वृद्धि मापें

निगरानी एवं सुरक्षा

• कैमरों के बीच ऑब्जेक्ट्स को ट्रैक करें

• लोगों/वाहनों की गिनती करें

• असामान्यता का पता लगाना

रचनात्मक प्रोजेक्ट

• VFX के लिए रोटोस्कोपिंग

• इंटरैक्टिव वीडियो इंस्टॉलेशन

• AR/VR कंटेंट निर्माण

मूल उपयोग

छवि विभाजन

import torch
from sam2.build_sam import build_sam2
from sam2.sam2_image_predictor import SAM2ImagePredictor
from PIL import Image
import numpy as np

# SAM2.1 मॉडल लोड करें (SAM2 की तुलना में बेहतर सटीकता)
checkpoint = "./checkpoints/sam2.1_hiera_large.pt"
model_cfg = "configs/sam2.1/sam2.1_hiera_l.yaml"

sam2 = build_sam2(model_cfg, checkpoint, device="cuda")
predictor = SAM2ImagePredictor(sam2)

# छवि लोड करें
image = np.array(Image.open("image.jpg"))
predictor.set_image(image)

# बिंदु प्रॉम्प्ट के साथ सेगमेंट करें
point_coords = np.array([[500, 375]])  # x, y निर्देशांक
point_labels = np.array([1])  # 1 = अग्रभूमि

masks, scores, logits = predictor.predict(
    point_coords=point_coords,
    point_labels=point_labels,
    multimask_output=True
)

# सबसे अच्छा मास्क प्राप्त करें
best_mask = masks[scores.argmax()]

वीडियो ऑब्जेक्ट ट्रैकिंग

import torch
from sam2.build_sam import build_sam2_video_predictor
import numpy as np

# SAM2.1 वीडियो प्रेडिक्टर आरंभ करें (बेहतर ट्रैकिंग सटीकता)
checkpoint = "./checkpoints/sam2.1_hiera_large.pt"
model_cfg = "configs/sam2.1/sam2.1_hiera_l.yaml"

predictor = build_sam2_video_predictor(model_cfg, checkpoint, device="cuda")

# वीडियो के साथ आरंभ करें
video_path = "./video_frames"  # फ्रेम छवियों की डायरेक्टरी
inference_state = predictor.init_state(video_path=video_path)

# पहले फ्रेम पर बिंदु जोड़ें
predictor.reset_state(inference_state)
frame_idx = 0
obj_id = 1  # ट्रैकिंग के लिए ऑब्जेक्ट ID

points = np.array([[400, 300]], dtype=np.float32)
labels = np.array([1], dtype=np.int32)

# ट्रैक करने के लिए ऑब्जेक्ट जोड़ें
_, out_obj_ids, out_mask_logits = predictor.add_new_points_or_box(
    inference_state=inference_state,
    frame_idx=frame_idx,
    obj_id=obj_id,
    points=points,
    labels=labels
)

# वीडियो के माध्यम से प्रसारित करें
video_segments = {}
for out_frame_idx, out_obj_ids, out_mask_logits in predictor.propagate_in_video(inference_state):
    video_segments[out_frame_idx] = {
        obj_id: (out_mask_logits[i] > 0.0).cpu().numpy()
        for i, obj_id in enumerate(out_obj_ids)
    }

कई ऑब्जेक्ट ट्रैकिंग

import torch
from sam2.build_sam import build_sam2_video_predictor
import numpy as np

predictor = build_sam2_video_predictor(
    "configs/sam2.1/sam2.1_hiera_l.yaml",
    "./checkpoints/sam2.1_hiera_large.pt",
    device="cuda"
)

video_path = "./video_frames"
inference_state = predictor.init_state(video_path=video_path)

# कई ऑब्जेक्ट्स को ट्रैक करें
objects_to_track = [
    {"id": 1, "point": [200, 150], "frame": 0},  # व्यक्ति 1
    {"id": 2, "point": [400, 200], "frame": 0},  # व्यक्ति 2
    {"id": 3, "point": [600, 300], "frame": 0},  # गेंद
]

for obj in objects_to_track:
    predictor.add_new_points_or_box(
        inference_state=inference_state,
        frame_idx=obj["frame"],
        obj_id=obj["id"],
        points=np.array([obj["point"]], dtype=np.float32),
        labels=np.array([1], dtype=np.int32)
    )

# सभी ऑब्जेक्ट्स को प्रसारित करें
all_masks = {}
for frame_idx, obj_ids, mask_logits in predictor.propagate_in_video(inference_state):
    all_masks[frame_idx] = {}
    for i, obj_id in enumerate(obj_ids):
        all_masks[frame_idx][obj_id] = (mask_logits[i] > 0.0).cpu().numpy()

बॉक्स प्रॉम्प्ट सेगमेंटेशन

from sam2.build_sam import build_sam2
from sam2.sam2_image_predictor import SAM2ImagePredictor
import numpy as np
from PIL import Image

sam2 = build_sam2(
    "configs/sam2.1/sam2.1_hiera_l.yaml",
    "./checkpoints/sam2.1_hiera_large.pt",
    device="cuda"
)
predictor = SAM2ImagePredictor(sam2)

image = np.array(Image.open("image.jpg"))
predictor.set_image(image)

# बाउंडिंग बॉक्स के साथ सेगमेंट करें
box = np.array([100, 100, 400, 400])  # x1, y1, x2, y2

masks, scores, _ = predictor.predict(
    box=box,
    multimask_output=False
)

Gradio इंटरफ़ेस

import gradio as gr
import numpy as np
from PIL import Image
import torch
from sam2.build_sam import build_sam2
from sam2.sam2_image_predictor import SAM2ImagePredictor

sam2 = build_sam2(
    "configs/sam2.1/sam2.1_hiera_l.yaml",
    "./checkpoints/sam2.1_hiera_large.pt",
    device="cuda"
)
predictor = SAM2ImagePredictor(sam2)

def segment_image(image, x, y):
    predictor.set_image(np.array(image))

    masks, scores, _ = predictor.predict(
        point_coords=np.array([[x, y]]),
        point_labels=np.array([1]),
        multimask_output=True
    )

    best_mask = masks[scores.argmax()]

    # ओवरले बनाएं
    overlay = np.array(image).copy()
    overlay[best_mask] = overlay[best_mask] * 0.5 + np.array([255, 0, 0]) * 0.5

    return Image.fromarray(overlay.astype(np.uint8))

demo = gr.Interface(
    fn=segment_image,
    inputs=[
        gr.Image(type="pil", label="Input Image"),
        gr.Number(label="X निर्देशांक"),
        gr.Number(label="Y निर्देशांक")
    ],
    outputs=gr.Image(label="सेगमेंट की गई छवि"),
    title="SAM2 - किसी भी चीज़ को सेगमेंट करें",
    description="वस्तुओं को सेगमेंट करने के लिए निर्देशांकों पर क्लिक करें। CLORE.AI GPU सर्वरों पर चल रहा है."
)

demo.launch(server_name="0.0.0.0", server_port=7860)

मास्क को वीडियो के रूप में निर्यात करें

import cv2
import numpy as np
from sam2.build_sam import build_sam2_video_predictor

predictor = build_sam2_video_predictor(
    "configs/sam2.1/sam2.1_hiera_l.yaml",
    "./checkpoints/sam2.1_hiera_large.pt",
    device="cuda"
)

# ... (ऊपर से ट्रैकिंग कोड)

# वीडियो में निर्यात करें
fourcc = cv2.VideoWriter_fourcc(*'mp4v')
out = cv2.VideoWriter('output_masks.mp4', fourcc, 30.0, (width, height))

for frame_idx in sorted(video_segments.keys()):
    frame = cv2.imread(f"./video_frames/{frame_idx:05d}.jpg")

    # मास्क ओवरले लागू करें
    for obj_id, mask in video_segments[frame_idx].items():
        color = [0, 255, 0] if obj_id == 1 else [0, 0, 255]
        frame[mask.squeeze()] = frame[mask.squeeze()] * 0.5 + np.array(color) * 0.5

    out.write(frame.astype(np.uint8))

out.release()

प्रदर्शन

कार्य	रिज़ॉल्यूशन	GPU	गति
छवि सेगमेंटेशन	1024x1024	RTX 3090	50ms
छवि सेगमेंटेशन	1024x1024	RTX 4090	30ms
वीडियो (प्रति फ्रेम)	720p	RTX 4090	45ms
वीडियो (प्रति फ्रेम)	1080p	A100	35ms

मॉडल प्रकार (SAM2.1)

SAM2.1 नए sam2.1_hiera_* बेहतर वीडियो ट्रैकिंग सटीकता वाले चेकपॉइंट्स प्रस्तुत करता है:

मॉडल	पैरामीटर	VRAM	गति	गुणवत्ता	चेकपॉइंट
sam2.1_hiera_tiny	38M	4GB	सबसे तेज़	अच्छा	sam2.1_hiera_tiny.pt
sam2.1_hiera_small	46M	5GB	तेज़	बेहतर	sam2.1_hiera_small.pt
sam2.1_hiera_base_plus	80M	8GB	मध्यम	उत्कृष्ट	sam2.1_hiera_base_plus.pt
sam2.1_hiera_large	224M	12GB	धीमा	सर्वोत्तम	sam2.1_hiera_large.pt

ध्यान दें: SAM2.1 मॉडल वीडियो बेंचमार्क्स पर अपने SAM2 समकक्षों से लगातार बेहतर प्रदर्शन करते हैं, विशेष रूप से तेज़ चलने वाले ऑब्जेक्ट्स और लंबे ऑक्लूज़न के लिए।

सामान्य समस्याएँ और समाधान

मेमोरी समाप्त

समस्या: लंबे वीडियो पर CUDA मेमोरी समाप्त हो गई

समाधान:

# टुकड़ों में प्रोसेस करें
chunk_size = 100  # फ्रेम प्रति चंक

for start_frame in range(0, total_frames, chunk_size):
    end_frame = min(start_frame + chunk_size, total_frames)
    # चंक प्रोसेस करें...
    torch.cuda.empty_cache()  # चंक्स के बीच मेमोरी साफ़ करें

ट्रैकिंग खो गई

समस्या: ऑब्जेक्ट ट्रैकिंग वीडियो के बीच में विफल हो जाती है

समाधान:

• जब ट्रैकिंग भटकने लगे तो सुधार बिंदु जोड़ें

• बेहतर प्रारंभिक सेगमेंटेशन के लिए बॉक्स प्रॉम्प्ट का उपयोग करें

• अधिक स्पष्ट प्रारंभिक फ्रेम चुनें

# सुधार बिंदु जोड़ें
predictor.add_new_points_or_box(
    inference_state=inference_state,
    frame_idx=lost_frame,
    obj_id=obj_id,
    points=np.array([[new_x, new_y]], dtype=np.float32),
    labels=np.array([1], dtype=np.int32)
)

धीमी प्रोसेसिंग

समस्या: वीडियो प्रोसेसिंग बहुत धीमी है

समाधान:

• छोटे मॉडल प्रकार (tiny/small) का उपयोग करें

• वीडियो रेज़ोल्यूशन कम करें

• हाफ-प्रिसिजन (fp16) सक्षम करें

• A100 GPU पर प्रोसेस करें

# गति के लिए छोटा SAM2.1 मॉडल उपयोग करें
predictor = build_sam2_video_predictor(
    "configs/sam2.1/sam2.1_hiera_t.yaml",
    "./checkpoints/sam2.1_hiera_tiny.pt",
    device="cuda"
)

खराब मास्क गुणवत्ता

समस्या: सेगमेंटेशन किनारे खुरदरे हैं

समाधान:

• बड़ा मॉडल उपयोग करें (tiny के बजाय large)

• अधिक पॉइंट प्रॉम्प्ट जोड़ें

• पॉइंट और बॉक्स प्रॉम्प्ट्स को मिलाएं

समस्या निवारण

सेगमेंटेशन अशुद्ध

• लक्षित ऑब्जेक्ट पर अधिक सटीक क्लिक करें

• कई सकारात्मक/नकारात्मक बिंदु जोड़ें

• बड़े ऑब्जेक्ट्स के लिए बॉक्स प्रॉम्प्ट का उपयोग करें

वीडियो मेमोरी त्रुटि

• एक बार में कम फ्रेम प्रोसेस करें

• वीडियो रेज़ोल्यूशन कम करें

• लंबे वीडियो के लिए स्ट्रीमिंग मोड का उपयोग करें

ट्रैकिंग खो गई

• जब ऑब्जेक्ट बदल जाए तो और प्रॉम्प्ट जोड़ें

• मेमोरी बैंक फीचर का उपयोग करें

• जांचें कि ऑब्जेक्ट ऑक्लूडेड नहीं है

धीमी प्रोसेसिंग

• SAM2 संसाधन-गहन है

• लंबे वीडियो के लिए A100 का उपयोग करें

• फ्रेम स्किपिंग पर विचार करें

लागत का अनुमान

CLORE.AI मार्केटप्लेस की सामान्य दरें (2024 तक):

GPU	प्रति घंटा दर	प्रति दिन दर	4-घंटे का सत्र
RTX 3060	~$0.03	~$0.70	~$0.12
RTX 3090	~$0.06	~$1.50	~$0.25
RTX 4090	~$0.10	~$2.30	~$0.40
A100 40GB	~$0.17	~$4.00	~$0.70
A100 80GB	~$0.25	~$6.00	~$1.00

मूल्य प्रदाता और मांग के अनुसार बदलते हैं। देखें CLORE.AI मार्केटप्लेस वर्तमान दरों के लिए।

पैसे बचाएँ:

• का उपयोग करें स्पॉट बाधित किए जा सकने वाले कार्य के लिए मार्केट — लगभग एक-तिहाई सर्वरों की स्पॉट कीमत ऑन-डिमांड से कम होती है (मध्य ~13% छूट), बाकी उससे मेल खाते हैं

• से भुगतान करें CLORE टोकन

• विभिन्न प्रदाताओं के बीच कीमतों की तुलना करें

अगले चरण

• GroundingDINO - सेगमेंट करने के लिए ऑब्जेक्ट्स को स्वतः पहचानें

• Florence-2 - दृष्टि-भाषा समझ

• Depth Anything - गहराई अनुमान