SAM2 Video

Отслеживайте и сегментируйте объекты в видео с помощью SAM2 от Meta на Clore.ai

Отслеживайте и сегментируйте любой объект в видео с помощью SAM2.1 от Meta — улучшенной версии SAM2 с повышенной точностью видео.

Все примеры можно запускать на GPU-серверах, арендованных через маркетплейс CLORE.AI.

Все примеры в этом руководстве можно запускать на GPU-серверах, арендованных через маркетплейс CLORE.AI маркетплейс.

Аренда на CLORE.AI

1. Перейдите на маркетплейс CLORE.AI

2. Отфильтруйте по типу GPU, объёму VRAM и цене

3. Выберите On-Demand (фиксированная ставка) или Spot (цена ставки)

4. Настройте свой заказ:

   • Выберите Docker-образ

   • Установите порты (TCP для SSH, HTTP для веб-интерфейсов)

   • При необходимости добавьте переменные окружения

   • Введите команду запуска

5. Выберите способ оплаты: CLORE, BTC, или USDT/USDC

6. Создайте заказ и дождитесь развертывания

Получите доступ к своему серверу

• Найдите данные для подключения в Мои заказы

• Веб-интерфейсы: используйте URL HTTP-порта

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

Что такое SAM2?

SAM2 (Segment Anything Model 2) от Meta AI позволяет:

• Сегментация объектов в видео в реальном времени

• Отслеживание любого объекта по щелчку

• Стабильное отслеживание сквозь перекрытия

• Эффективная по памяти обработка видео

Что нового в SAM2.1

SAM2.1 приносит значительные улучшения по сравнению с оригинальным SAM2:

• Улучшенная точность видео — Лучшее отслеживание при перекрытиях и быстром движении

• Улучшенный модуль памяти — Более стабильное дальнобойное отслеживание

• Новые чекпойнты — sam2.1_hiera_* серии с лучшей производительностью

• Официальный пакет pip — Установите с помощью pip install sam-2 (ручная сборка не требуется)

• Более быстрый вывод — Оптимизированные ядра CUDA

Ресурсы

• GitHub: facebookresearch/sam2

• Статья: Статья о SAM2

• Демо: Демо SAM2

• Веса модели: Чекпойнты SAM2.1

Рекомендуемое оборудование

Компонент	Минимум	Рекомендуется	Оптимально
GPU	RTX 3060 12GB	RTX 4080 16GB	RTX 4090 24GB
VRAM	8 ГБ	16GB	24 ГБ
CPU	4 ядра	8 ядер	16 ядер
ОЗУ	16GB	32GB	64GB
Хранилище	30GB SSD	50GB NVMe	100GB NVMe
Интернет	100 Мбит/с	500 Мбит/с	1 Гбит/с

Быстрое развертывание на CLORE.AI

Docker-образ:

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

Порты:

22/tcp
7860/http

Команда:

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

Доступ к вашему сервису

После развертывания найдите свой http_pub URL в Мои заказы:

1. Перейдите на Мои заказы страницу

2. Нажмите на свой заказ

3. Найдите http_pub URL (например, abc123.clorecloud.net)

Используйте https://YOUR_HTTP_PUB_URL вместо localhost в примерах ниже.

Установка

# Официальный пакет pip (рекомендуется для SAM2.1)
pip install sam-2

# Скачайте чекпойнты SAM2.1
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'),
]
"

# Или используйте скрипт загрузки
mkdir -p checkpoints && cd checkpoints
wget https://dl.fbaipublicfiles.com/segment_anything_2/092824/sam2.1_hiera_large.pt

Альтернатива: из исходного кода (для разработки)

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

# Скачайте чекпойнты SAM2.1
cd checkpoints
bash download_ckpts.sh

Что вы можете создать

Редактирование видео

• Удаление объектов из видео

• Бесшовная замена фонов

• Создавайте видеомаски для композитинга

Анализ спорта

• Отслеживайте игроков на протяжении матчей

• Анализируйте схемы движения

• Создавайте нарезки лучших моментов

Медицинская визуализация

• Сегментируйте органы в видео КТ/МРТ

• Отслеживайте движение клеток в микроскопии

• Измеряйте рост с течением времени

Наблюдение и безопасность

• Отслеживайте объекты между камерами

• Подсчитывайте людей/транспортные средства

• Обнаружение аномалий

Творческие проекты

• Ротоскопинг для VFX

• Интерактивные видеоинсталляции

• Создание контента для AR/VR

Базовое использование

Сегментация изображений

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

# Загрузите модель SAM2.1 (улучшенная точность по сравнению с SAM2)
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)

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

# Сегментация по точечному запросу
point_coords = np.array([[500, 375]])  # координаты x, y
point_labels = np.array([1])  # 1 = передний план

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

# Получить лучшую маску
best_mask = masks[scores.argmax()]

Отслеживание объектов в видео

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

# Инициализируйте видеопредиктор SAM2.1 (улучшенная точность отслеживания)
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")

# Инициализация с видео
video_path = "./video_frames"  # Каталог с изображениями кадров
inference_state = predictor.init_state(video_path=video_path)

# Добавьте точку на первом кадре
predictor.reset_state(inference_state)
frame_idx = 0
obj_id = 1  # ID объекта для отслеживания

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

# Добавьте объект для отслеживания
_, 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
)

# Распространите по видео
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)
    }

Отслеживание нескольких объектов

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)

# Отслеживайте несколько объектов
objects_to_track = [
    {"id": 1, "point": [200, 150], "frame": 0},  # Человек 1
    {"id": 2, "point": [400, 200], "frame": 0},  # Человек 2
    {"id": 3, "point": [600, 300], "frame": 0},  # Мяч
]

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)
    )

# Распространите все объекты
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()

Сегментация по запросу с рамкой

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)

# Сегментация по ограничивающему прямоугольнику
box = np.array([100, 100, 400, 400])  # x1, y1, x2, y2

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

Интерфейс Gradio

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()]

    # Создать наложение
    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="Входное изображение"),
        gr.Number(label="Координата X"),
        gr.Number(label="Координата Y")
    ],
    outputs=gr.Image(label="Сегментированное изображение"),
    title="SAM2 - Сегментируй что угодно",
    description="Укажите координаты для сегментации объектов. Работает на GPU-серверах CLORE.AI."
)

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

Экспорт масок в видео

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"
)

# ... (код отслеживания выше)

# Экспортировать в видео
fourcc = cv2.VideoWriter_fourcc(*'mp4v')
out = cv2.VideoWriter('output_masks.mp4', fourcc, 30.0, (width, height))

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

    # Примените наложение маски
    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()

Производительность

Задача	Разрешение	GPU	Скорость
Сегментация изображений	1024x1024	RTX 3090	50 мс
Сегментация изображений	1024x1024	RTX 4090	30 мс
Видео (на кадр)	720p	RTX 4090	45 мс
Видео (на кадр)	1080p	A100	35 мс

Варианты модели (SAM2.1)

SAM2.1 представляет новые sam2.1_hiera_* чекпойнты с улучшенной точностью отслеживания видео:

Модель	Параметры	VRAM	Скорость	Качество	Чекпойнт
sam2.1_hiera_tiny	38M	4 ГБ	Самый быстрый	Хорошо	sam2.1_hiera_tiny.pt
sam2.1_hiera_small	46M	5 ГБ	Быстро	Лучше	sam2.1_hiera_small.pt
sam2.1_hiera_base_plus	80M	8 ГБ	Средне	Отлично	sam2.1_hiera_base_plus.pt
sam2.1_hiera_large	224M	12GB	Медленнее	Лучше всего	sam2.1_hiera_large.pt

Примечание: Модели SAM2.1 стабильно превосходят свои аналоги SAM2 в видеобенчмарках, особенно для быстро движущихся объектов и длительных окклюзий.

Распространённые проблемы и решения

Недостаточно памяти

Проблема: Нехватка памяти CUDA на длинных видео

Решения:

# Обрабатывать по частям
chunk_size = 100  # кадров в одном фрагменте

for start_frame in range(0, total_frames, chunk_size):
    end_frame = min(start_frame + chunk_size, total_frames)
    # Обработать фрагмент...
    torch.cuda.empty_cache()  # Очистить память между фрагментами

Отслеживание потеряно

Проблема: Отслеживание объекта срывается в середине видео

Решения:

• Добавляйте точки коррекции, когда отслеживание смещается

• Используйте запросы с рамкой для лучшей начальной сегментации

• Выбирайте более четкие начальные кадры

# Добавьте точку коррекции
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)
)

Медленная обработка

Проблема: Обработка видео слишком медленная

Решения:

• Используйте меньший вариант модели (tiny/small)

• Снизьте разрешение видео

• Включите полупрецизионный режим (fp16)

• Обрабатывайте на GPU A100

# Используйте меньшую модель SAM2.1 для повышения скорости
predictor = build_sam2_video_predictor(
    "configs/sam2.1/sam2.1_hiera_t.yaml",
    "./checkpoints/sam2.1_hiera_tiny.pt",
    device="cuda"
)

Низкое качество маски

Проблема: Границы сегментации неровные

Решения:

• Используйте более крупную модель (large вместо tiny)

• Добавьте больше точечных запросов

• Комбинируйте точечные запросы и запросы с рамкой

Устранение неполадок

Неточная сегментация

• Щелкайте точнее по целевому объекту

• Добавьте несколько положительных/отрицательных точек

• Используйте запрос с рамкой для крупных объектов

Ошибка памяти при обработке видео

• Обрабатывайте меньше кадров за раз

• Снизьте разрешение видео

• Используйте потоковый режим для длинных видео

Отслеживание потеряно

• Добавляйте больше запросов, когда объект меняется

• Используйте функцию банка памяти

• Проверьте, что объект не перекрыт

Медленная обработка

• SAM2 требовательна к вычислительным ресурсам

• Используйте A100 для длинных видео

• Рассмотрите пропуск кадров

Оценка стоимости

Типичные цены на маркетплейсе CLORE.AI (по состоянию на 2024 год):

GPU	Почасовая ставка	Дневная ставка	4-часовая сессия
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 40 ГБ	~$0.17	~$4.00	~$0.70
A100 80 ГБ	~$0.25	~$6.00	~$1.00

Цены зависят от провайдера и спроса. Проверьте маркетплейс CLORE.AI актуальные тарифы.

Сэкономьте деньги:

• Используйте Spot рынок для прерываемых задач — примерно треть серверов оценивает spot-цены ниже on-demand (медиана ~13% скидки), остальные совпадают с ними

• Платите CLORE токенами

• Сравните цены у разных провайдеров

Дальнейшие шаги

• GroundingDINO - Автоматически обнаруживать объекты для сегментации

• Florence-2 - Понимание изображения и языка

• Depth Anything - Оценка глубины