Meta不久前开源发布了一款图像处理模型，即分割一切模型：Segment Anything Model，简称 SAM，号称要从任意一张图片中分割万物，源码地址为：

https://github.com/facebookresearch/segment-anything

打开后看到目录结构大概这样：

一般一个开源项目中都会有项目介绍和示例代码。本示例中的文件 README.md 即为项目概况介绍，主要说明了使用 SAM 模型需要的 python 环境安装方法，和 SAM 的使用方法。notebooks 文件夹内是几个 jupyter notebook 格式的 python 示例代码。

运行示例代码步骤如下：
1、按照 README.md 文件所述，逐步安装所有依赖库。记得 python 要安装3.8，3.9， 3.10 其中的一个，目前不建议安装 3.11，因为会和最新的 pytorch 不兼容。
2、安装 jupyter。
3、下载模型文件到本地：点击 README.md 文件中的模型下载链接，即可下载指定的模型：

模型总共有三个，其中 vit-h 最大，有越 2G ，fit-l 为 1.2G, vit-b 最小为 366M。我测试了 最小的 vit-b。

4、运行 jupyter notebook ，打开示例文件 automatic_mask_generator_example.ipynb，修改以下两行：

即模型文件路径和 设备类型（ 使用 cpu 还是 gpu, 如果是gpu则设置为 cuda, 是 cpu 的话设为 cpu 即可 ）。

5、将 automatic_mask_generator_example.ipynb 文件内的所有代码运行一遍，会自动从网上下载一个图片进行原图显示和 mask 处理，最后会得出 图片处理的 mask 结果：

总结：

1、SAM 模型确实很强大，唯一缺点可能是运行比较消耗资源，如果是普通 cpu，运行起来会非常慢。我的 cpu 是 Intel® Core™ i7-7500U CPU @ 2.70GHz 2.90 GHz，内存是 8G，笔记本为华为 MateBook X，用的是最小的模型，mask 处理用了足足有至少半分钟，或者更久。等了一会儿发现还没结果，就只好先去洗澡。洗完澡发现结果出来了。。土豪们可以用 GPU 尝试，相信一定快很多。
2、实际操练难点可能在于环境的搭建，晚点介绍环境安装。如果安装过程中发现某些步骤不成功，可以尝试跳过该步骤继续下一步，最后仍然尝试运行脚本，可能也可以。

祝大家进步！