SAM را ملاقات کنید، ابزار جدید تقسیم‌بندی تصویر هوش مصنوعی متا که با تصاویر پیچیده برای شما سروکار دارد

مدل جدید Segment Anything Meta فاش شد. مدل SAM روش جدیدی برای ایجاد ماسک های با کیفیت بالا برای تقسیم بندی تصویر است.

یادآوری: تقسیم‌بندی تصویر یک کار اساسی در بینایی کامپیوتر است که هدف آن تقسیم‌بندی تصویر به مناطقی است که با اشیاء یا مقوله‌های معنایی مختلف مطابقت دارند و کاربردهای زیادی مانند تشخیص اشیا، درک صحنه، ویرایش تصویر و تجزیه و تحلیل ویدئو دارد.

با این حال، تقسیم‌بندی تصویر نیز یک مشکل چالش برانگیز است، به‌ویژه زمانی که با صحنه‌های پیچیده‌ای که حاوی چندین شی با اشکال، اندازه‌ها و ظاهر متفاوت هستند، سروکار داریم. علاوه بر این، اکثر روش‌های تقسیم‌بندی تصویر موجود، به مقادیر زیادی داده‌های حاشیه‌نویسی برای آموزش نیاز دارند، که می‌تواند پرهزینه و زمان‌بر باشد. متا می خواهد این مشکل را با مدل SAM حل کند.

مدل SAM: مدل جدید Segment Anything Meta چیست؟

Segment Anything Model (SAM) یک مدل هوش مصنوعی جدید و قدرتمند است که می تواند هر شی را در یک تصویر یا ویدیو با کیفیت و کارایی بالا تقسیم بندی کند. تقسیم بندی فرآیند جداسازی یک شی از پس زمینه یا اشیاء دیگر و ایجاد ماسکی است که شکل و مرزهای آن را مشخص می کند. با مدل SAM، وظایف ویرایش، ترکیب، ردیابی، تشخیص و تجزیه و تحلیل شما آسان تر می شود.

SAM از چند جهت با سایر مدل های تقسیم بندی متفاوت است، مانند:

• SAM promptable است، به این معنی که می‌تواند از اعلان‌های ورودی مختلف، مانند نقاط یا جعبه‌ها استفاده کند تا مشخص کند چه شیئی را قطعه‌سازی کند. به عنوان مثال، شما می توانید یک جعبه در اطراف صورت یک شخص بکشید، و Segment Anything Model یک ماسک برای صورت ایجاد می کند. همچنین می‌توانید چند دستور بدهید تا چندین شیء را همزمان تقسیم کنید. مدل SAM می تواند صحنه های پیچیده با انسداد، بازتاب و سایه را مدیریت کند.
• SAM بر روی مجموعه داده عظیمی از 11 میلیون تصویر و 1.1 میلیارد ماسک آموزش دیده است که بزرگترین مجموعه داده تقسیم بندی تا به امروز است. این مجموعه داده طیف گسترده ای از اشیاء و دسته بندی ها مانند حیوانات، گیاهان، وسایل نقلیه، مبلمان، غذا و غیره را پوشش می دهد. SAM به لطف قابلیت تعمیم و تنوع داده، می تواند اشیایی را که قبلاً هرگز ندیده است تقسیم بندی کند.
• SAM در انواع وظایف تقسیم‌بندی، عملکرد صفر-شات قوی دارد. شات صفر به این معنی است که SAM می تواند اشیاء را بدون هیچ گونه آموزش اضافی یا تنظیم دقیق در یک کار یا دامنه خاص تقسیم بندی کند. برای مثال، SAM می‌تواند صورت، دست‌ها، موها، لباس‌ها و لوازم جانبی را بدون هیچ‌گونه آگاهی یا نظارت قبلی تقسیم‌بندی کند. SAM همچنین می تواند اشیاء را در حالت های مختلف، مانند تصاویر مادون قرمز یا نقشه های عمق، تقسیم بندی کند.

مدل SAM در معیارهای مختلف تقسیم بندی تصویر، مانند COCO، به نتایج چشمگیری دست می یابد. SAM همچنین از روش‌های کاملاً نظارت شده قبلی در چندین کار تقسیم‌بندی صفر، مانند تقسیم‌بندی آرم‌ها، متن، چهره‌ها یا طرح‌ها، بهتر عمل می‌کند یا مطابقت دارد. این تطبیق پذیری و استحکام خود را در حوزه ها و سناریوهای مختلف نشان می دهد.

در آینده: پروژه Segment Anything Model (SAM model) هنوز در روزهای اولیه خود است. به گفته متا، اینها برخی از کاربردهای آینده مدل Segment Anything هستند:

• عینک‌های AR آینده ممکن است از SAM برای تشخیص اشیاء معمولی و ارائه یادآورها و دستورالعمل‌های مفید استفاده کنند.

• SAM توانایی تأثیرگذاری بر بسیاری از زمینه های دیگر مانند کشاورزی و زیست شناسی را دارد. حتی ممکن است روزی به نفع کشاورزان و دانشمندان باشد.

مدل SAM می تواند پیشرفتی در تحقیقات بینایی کامپیوتری و هوش مصنوعی باشد. این پتانسیل مدل‌های پایه برای بینایی را نشان می‌دهد، که مدل‌هایی هستند که می‌توانند از داده‌های مقیاس بزرگ یاد بگیرند و به وظایف و حوزه‌های جدید منتقل شوند.

ویژگی های مدل Segment Anything Model (مدل SAM).

در اینجا برخی از قابلیت های مدل SAM آورده شده است:

• با استفاده از مدل SAM، کاربران می توانند به سرعت و به راحتی اشیاء را با انتخاب نقاط منفرد برای گنجاندن یا حذف از تقسیم بندی تقسیم بندی کنند. یک جعبه مرزی نیز می تواند به عنوان نشانه ای برای مدل استفاده شود.
• هنگامی که عدم قطعیت در مورد قطعه بندی شده وجود دارد، مدل SAM می تواند ماسک های معتبر زیادی تولید کند، که یک مهارت حیاتی و حیاتی برای حل بخش بندی در دنیای واقعی است.
• اکنون با استفاده از مدل Segment Anything، تشخیص و پوشاندن خودکار اشیا ساده است.
• پس از محاسبه پیش‌محاسبه جاسازی تصویر، مدل Segment Anything می‌تواند فوراً یک ماسک تقسیم‌بندی برای هر درخواستی ارائه دهد و تعامل بی‌درنگ با مدل را امکان‌پذیر کند.

چشمگیر است، اینطور نیست؟ پس فناوری پشت آن چیست؟

مدل SAM چگونه کار می کند؟

یکی از جالب‌ترین اکتشافات در NLP و اخیراً در بینایی کامپیوتر، استفاده از رویکردهای "تشویق" برای فعال کردن یادگیری صفر و چند شات در مجموعه داده‌ها و وظایف جدید با استفاده از مدل‌های پایه است. متا در این زمینه انگیزه پیدا کرد.

اگر نقاط پیش‌زمینه/پس‌زمینه، کادر یا ماسک ناهموار، متن آزاد یا هر ورودی دیگری که نشان می‌دهد چه چیزی در یک تصویر قطعه‌بندی شود داده شود، تیم متا هوش مصنوعی به مدل Segment Anything آموزش می‌دهد تا یک ماسک تقسیم‌بندی مناسب ایجاد کند. نیاز به یک ماسک مناسب صرفاً به این معنی است که خروجی باید ماسک مناسبی برای یکی از مواردی باشد که درخواست ممکن است به آن اشاره کند (به عنوان مثال، یک نقطه روی پیراهن می تواند نشان دهنده پیراهن یا شخصی باشد که آن را می پوشد). این کار برای پیش‌آموزش مدل و راهنمایی برای حل مشکلات تقسیم‌بندی پایین دست عمومی استفاده می‌شود.

متا متوجه شد که وظیفه پیش‌آموزشی و جمع‌آوری داده‌های تعاملی محدودیت‌های خاصی را بر ساخت مدل تحمیل می‌کند. به طور خاص، حاشیه نویسان آنها باید بتوانند از مدل Segment Anything در یک مرورگر، به صورت تعاملی، در زمان واقعی، در یک CPU استفاده کنند تا موثر باشد. علیرغم این واقعیت که برای برآوردن نیاز زمان اجرا باید بین کیفیت و سرعت مصالحه وجود داشته باشد، آنها متوجه می شوند که یک رویکرد ساده نتایج رضایت بخشی ایجاد می کند.

در قسمت پشتی، یک رمزگذار تصویر یک جاسازی منحصر به فرد برای تصویر ایجاد می کند، در حالی که یک رمزگذار سبک وزن می تواند فوراً هر درخواستی را به یک بردار جاسازی تبدیل کند. سپس از یک رمزگشای سبک وزن برای ادغام این دو منبع داده به منظور پیش‌بینی ماسک‌های تقسیم‌بندی استفاده می‌شود. پس از محاسبه جاسازی تصویر، SAM می‌تواند به هر پرسشی در یک مرورگر وب با یک بخش در حدود 50 میلی‌ثانیه پاسخ دهد.

SAM یک ابزار مفید برای حرفه ای ها و علاقه مندان خلاقی است که می خواهند تصاویر و فیلم ها را با سهولت و انعطاف پذیری ویرایش کنند. اما ابتدا باید نحوه دسترسی و استفاده از آن را یاد بگیرید.

چگونه از مدل Segment Anything (مدل SAM) استفاده کنیم؟

SAM توسط Meta AI Research (که قبلاً Facebook AI Research بود) توسعه یافته است و در دسترس عموم قرار دارد GitHub. همچنین می توانید SAM را به صورت آنلاین با a امتحان کنید نسخه ی نمایشی یا مجموعه داده (SA-1B) 1 میلیارد ماسک و 11 میلیون تصویر را دانلود کنید. استفاده از این مدل بسیار آسان است. فقط این مراحل را دنبال کنید:

• نسخه ی نمایشی را دانلود کنید یا به نسخه ی نمایشی Segment Anything Model بروید.
• یک تصویر آپلود کنید یا یکی را در گالری انتخاب کنید.
• اضافه کردن و زمینه های موضوعی
  • مناطق را با اضافه کردن امتیاز بپوشانید. Add Area را انتخاب کنید، سپس شی را انتخاب کنید. با انتخاب Remove Area، ماسک را اصلاح کنید، سپس ناحیه را انتخاب کنید.

سپس وظیفه خود را همانطور که می خواهید انجام دهید!

برای اطلاعات بیشتر، کلیک کنید اینجا کلیک نمایید.

---

حسن نیت ارائه میدهد: متا

AI 101

آیا با هوش مصنوعی تازه کار هستید؟ هنوز هم می توانید سوار قطار هوش مصنوعی شوید! ما یک تفصیل ایجاد کرده ایم واژه نامه هوش مصنوعی برای بیشترین استفاده اصطلاحات هوش مصنوعی و توضیح دهید مبانی هوش مصنوعی و همچنین به عنوان خطرات و مزایای هوش مصنوعی. با خیال راحت از آنها استفاده کنید. یادگیری نحوه استفاده از هوش مصنوعی یک تغییر دهنده بازی است! مدل های هوش مصنوعی جهان را تغییر خواهد داد

ابزارهای هوش مصنوعی که بررسی کرده ایم

تقریباً هر روز، یک ابزار، مدل یا ویژگی جدید ظاهر می‌شود و مانند ابزار جدید، زندگی ما را تغییر می‌دهد پلاگین های OpenAI ChatGPT، و ما قبلاً برخی از بهترین آنها را بررسی کرده ایم:

• ابزارهای هوش مصنوعی متن به متن

آیا می خواهی یاد بگیری چگونه از ChatGPT به طور موثر استفاده کنیم؟ ما برای شما چند نکته و ترفند بدون تغییر به آن داریم چت GPT Plus! هنگامی که می خواهید از ابزار هوش مصنوعی استفاده کنید، می توانید خطاهایی مانند "ChatGPT در حال حاضر در ظرفیت است. و «تعداد زیادی درخواست در 1 ساعت بعداً دوباره امتحان کنید». بله، آنها واقعاً خطاهای آزاردهنده هستند، اما نگران نباشید. ما می دانیم که چگونه آنها را تعمیر کنیم. آیا سرقت ادبی ChatGPT رایگان است؟ یافتن یک پاسخ یک سوال سخت است. اگر از سرقت ادبی می ترسید، با خیال راحت از آن استفاده کنید بررسی‌کننده سرقت ادبی هوش مصنوعی. همچنین، می توانید موارد دیگر را بررسی کنید ربات های چت هوش مصنوعی و نویسندگان مقاله هوش مصنوعی برای نتایج بهتر

• ابزارهای تبدیل متن به تصویر هوش مصنوعی

در حالی که هنوز تعدادی وجود دارد بحث در مورد تصاویر تولید شده توسط هوش مصنوعی، مردم هنوز به دنبال آن هستند بهترین ژنراتورهای هنری هوش مصنوعی. آیا هوش مصنوعی جایگزین طراحان خواهد شد؟? به خواندن ادامه دهید و متوجه شوید.

• سایر ابزارهای هوش مصنوعی

• محتوای مبتنی بر SEO و توزیع روابط عمومی. امروز تقویت شوید.
• پلاتوبلاک چین. Web3 Metaverse Intelligence. دانش تقویت شده دسترسی به اینجا.
• منبع: https://dataconomy.com/2023/04/sam-model-meta-segment-anything-model-mask/