官方网站-首页官方网站-首页
还记得以前用图像分割工具时，必须用鼠标在目标物体上点一个点，或者画个框才能分割吗？现在，这种“手动操作”已经成了“老古董”。2025年10月，Meta发布的SAM 3模型直接颠覆了传统玩法——你只需要输入“黄色校车”“条纹猫”这样的简单名词，甚至上传一张示例图片，它就能自动在图像或视频里找出所有匹配的物体，并精准勾勒出轮廓。这可不是科幻电影里的场景，而是ICLR 2025🥕入口会(huì)议(yì)上(shàng)被(bèi)热(rè)议(yì)的(de)真(zhēn)实(shí)技(jì)术(shù)突(tū)破(pò)。
根(gēn)据(jù)论(lùn)文数(shù)据(jù)，SAM 3在(zài)全新(xīn)的(de)SA-Co基(jī)准(zhǔn)测(cè)试(shì)中(zhōng)，性(xìng)能(néng)比(bǐ)前(qián)代(dài)系(xì)统(tǒng)提(tí)升(shēng)了(le)至少2倍，在LVIS数据集上的零样本掩码平均精度达到47.0，远超之前38.5的最佳纪录。更夸张的是，它在H200 GPU上处理一张包含100多个物体的图像仅需30毫秒，视频处理也能接近实时。这意味着，未来视频编辑可能只需一句话就能自动追踪并分割所有特定对象，自动驾驶系统能更精准地识别道路上的各种物体，医学影像分析也能快速定位特定类型的细胞或组织——这些曾经需要大量人工标注或复杂算法的场景，现在可能被一个“听懂概念”的模型轻松搞定。
SAM 3的“聪明”离不开背后庞大的数据支撑。为了让它理解各种视觉概念，Meta构建了一个可扩展的数据引擎，生成了包含400万个独特概念标⛵️入口签的高质量数据集，涵盖图像和视频中的困难负样本。这个数据集的规模有多夸张？它比之前最大的分割(gē)数(shù)据(jù)集多(duō)400倍(bèi)，甚(shén)至(zhì)在(zài)某(mǒu)些(xiē)情(qíng)况(kuàng)下(xià)，标(biāo)注(zhù)质(zhì)量(liàng)能(néng)与(yǔ)完(wán)全手(shǒu)动(dòng)标(biāo)注(zhù)的(de)数(shù)据(jù)集媲(pì)美(měi)。
更(gèng)有(yǒu)趣(qù)的(de)是(shì)，这(zhè)个(gè)数(shù)据(jù)引(yǐn)擎(qíng)采用(yòng)了(le)“人(rén)机(jī)协(xié)作(zuò)”模(mó)式(shì)：AI模(mó)型(xíng)先(xiān)自动挖掘图像和视频，生成字幕、解析文本✅标签、创建初始分割掩码，再由人工标注员和AI标注员共同验证和修正结果。这种模式让标注速度大幅提升——对于否定提示（图像中不存在的概念），AI标注比人工快约5倍；对于肯定提示，即使在细粒度领域，速度也比人工快36%。举个例子，如果你要标注“红色条纹伞”这种复杂概念，传统方法可能需要人工逐张检查，但现在AI可以先筛选出可能包含该概念的图像，再由人工确认，效率直接翻倍。这种“AI打辅助，人类把关”的模式，或许会成为未来数据标注的主流方向。
如果说SAM 3是2D分割的“智能升级”，那么同期发布的SAM 3D就是计算机视觉的“空间革命”。这个模型能从单张图像中重建物体和人体的3D结构，直接把“平面分割”升级成“立(lì)体(tǐ)建(jiàn)模(mó)”。比(bǐ)如(rú)，SAM 3D Body可(kě)以(yǐ)直(zhí)接(jiē)从(cóng)图(tú)像(xiàng)预(yù)测(cè)3D人(rén)体(tǐ)姿(zī)态(tài)和(hé)网(wǎng)格(gé)参(cān)数(shù)，实(shí)现(xiàn)精(jīng)确(què)且(qiě)可(kě)互(hù)动(dòng)的(de)姿(zī)态(tài)回(huí)归(guī)；SAM 3D Objects则(zé)采用(yòng)两(liǎng)阶(jiē)段(duàn)设(shè)计(jì)，先(xiān)生(shēng)成(chéng)3D物(wù)体(tǐ)形(xíng)状(zhuàng)和(hé)姿(zī)态(tài)，再(zài)优(yōu)化(huà)纹(wén)理和细节，最终输出高保真、🈁逼真的3D模型。
这一突破对多个行业意义重大。在电商领域，商家可能只需上传一张商品照片，就能自动生成3D模型，用于虚拟试穿或AR展示；在文物保护领域，研究人员可以通过单张照片重建文物3D模型，减少对实物的接触；在机器人领域，3D分割能让机器人更准确地理解周围物体的空间位置，实现更灵活的抓取和操作。更重要的是，SAM 3D的发布标志着计算机视觉从“理解图像内容”向“重建空间关系”迈进了一大步，未来可能催生更多“所见即所得”的交互方式。
从SAM 3到SAM 3D，再到YOLO26等模型的演进，我们可以看到一个明显趋势：计算机视觉技术正在从“实验室研究”转向“实际应用”。比如，YOLO26通过移除DFL层、引入混合优化器等设计，在CPU上推理速度提升最高达43%，同时保持精度不变，特别适合嵌入式设备和边缘计算；Mask2Former通过掩码注意力机制和多尺度特征策略，在小目标分割上平均精度提升10-15个百分点，解决了传统方法在小物体上的“漏检”问题。
这些技术突破的背后，是行业对“效率、精度、通用性”的极致追求。以自动驾驶为例，车辆需要在复杂场景中实时识别行人、车辆、交通标志等物体，同时还要处理雨雾天气、光照变化等干扰因素。SAM 3的快速推理和概念理解能力，YOLO26的轻量化设计，以及3D分割的空间感知能力，都能为自动驾驶系统提供更可靠的视觉支持。未来，随着这些技术的普及，我们可能会看到更多“傻瓜式”的视觉工具——用户只需输入自然语言指令，就能完成复杂的图像处理任务，就像现在用ChatGPT写代码一样简单。
计算机视觉的“分割革命”才刚刚开始。从“点选式”操作到“概念级”理解，从2D平面到3D空间，这些突破不仅重新定义了人与机器的交互方式，也为自动驾驶、医疗影像、工业质检等领域打开了新的想象空间。或许在不久的将来，我们真的会迎来视觉AI的“GPT-3时刻”——一个能像人类一样“看懂”世界，甚至超越人类视觉极限的智能系统。
