如何用自然语言精准分割视频物体？SAM3大模型镜像实战解析

1. 技术背景与核心价值

在计算机视觉领域，视频目标分割是一项关键但极具挑战性的任务。传统方法通常依赖于大量标注数据和复杂的训练流程，难以实现“开箱即用”的通用分割能力。随着大模型技术的发展，SAM3（Segment Anything Model 3）的出现彻底改变了这一局面。

SAM3 是 Meta 推出的第三代万物分割模型，其最大突破在于引入了多模态提示机制，支持通过文本、点、框等多种方式引导模型进行精确分割。尤其在视频处理方面，SAM3 实现了跨帧一致性跟踪，使得用户仅凭一句自然语言描述（如 "dog" 或 "red car"），即可从视频中精准提取指定物体的掩码。

本镜像基于 SAM3 算法构建，并集成 Gradio Web 交互界面，极大降低了使用门槛。开发者无需深入理解底层架构，也能快速部署并调用高性能视频分割服务。

核心优势总结：

• 支持自然语言驱动的零样本分割
• 兼容多种提示方式（文本/点/框）
• 内置跨帧跟踪能力，保障视频时序一致性
• 提供可视化 WebUI，操作直观便捷

2. 镜像环境配置与启动流程

2.1 运行环境说明

该镜像采用生产级深度学习环境配置，确保高兼容性与运行效率：

所有依赖已预装完成，开箱即用，适用于 A10、V100、H100 等主流 GPU 设备。

2.2 快速启动 Web 界面

推荐使用 WebUI 方式进行交互式操作：

1. 实例启动后，请等待10-20 秒让模型自动加载。
2. 在控制台点击右侧“WebUI”按钮。
3. 页面加载完成后，上传图像或视频帧，输入英文描述语（Prompt），点击“开始执行分割”即可获得分割结果。

若需手动重启服务，可执行以下命令：

/bin/bash /usr/local/bin/start-sam3.sh

3. Web 界面功能详解

该镜像由开发者“落花不写码”进行二次开发，增强了交互体验与参数调节能力。

3.1 自然语言引导分割

无需绘制边界框或点击像素点，只需输入常见名词（如cat,person,blue shirt），模型即可自动识别并生成对应物体的掩码。此功能基于 SAM3 的 CLIP 文本编码器与掩码解码器协同工作，实现语义到空间区域的映射。

3.2 AnnotatedImage 可视化渲染

系统采用高性能可视化组件，支持： - 分割层叠加显示 - 点击查看每个掩码的标签名称与置信度分数 - 多目标并行展示与颜色区分

3.3 参数动态调节

为应对复杂场景下的误检或漏检问题，提供两个关键参数调节选项：

合理设置这两个参数，可在不同光照、遮挡条件下保持稳定输出。

4. 视频物体分割实战步骤

虽然 WebUI 主要面向单帧图像处理，但我们可以通过编程接口扩展至完整视频流处理。以下是基于 Python 的完整实践流程。

4.1 环境准备与库导入

import cv2 import torch import numpy as np import supervision as sv from pathlib import Path from PIL import Image from typing import Optional from IPython.display import Video from sam3.model_builder import build_sam3_video_predictor import os import glob import matplotlib.pyplot as plt from sam3.visualization_utils import ( load_frame, prepare_masks_for_visualization, visualize_formatted_frame_output, )

4.2 辅助函数定义

坐标转换：绝对坐标 → 相对坐标

def abs_to_rel_coords(coords, IMG_WIDTH, IMG_HEIGHT, coord_type="point"): if coord_type == "point": return [[x / IMG_WIDTH, y / IMG_HEIGHT] for x, y in coords] elif coord_type == "box": return [ [x / IMG_WIDTH, y / IMG_HEIGHT, w / IMG_WIDTH, h / IMG_HEIGHT] for x, y, w, h in coords ] else: raise ValueError(f"Unknown coord_type: {coord_type}")

跨帧传播分割结果

def propagate_in_video(predictor, session_id): outputs_per_frame = {} for response in predictor.handle_stream_request( request=dict( type="propagate_in_video", session_id=session_id, ) ): outputs_per_frame[response["frame_index"]] = response["outputs"] return outputs_per_frame

4.3 加载 SAM3 模型

DEVICES = [torch.cuda.current_device()] checkpoint_path = "models/sam3.pt" bpe_path = "assets/bpe_simple_vocab_16e6.txt.gz" predictor = build_sam3_video_predictor( checkpoint_path=checkpoint_path, bpe_path=str(bpe_path), gpus_to_use=DEVICES )

4.4 视频预处理：拆分为帧序列

使用ffmpeg将视频切分为独立图像帧：

SOURCE_VIDEO="assets/videos/bedroom.mp4" output_dir='output2' mkdir -p $output_dir ffmpeg -i $SOURCE_VIDEO -q:v 2 -start_number 0 output2/%05d.jpg

4.5 读取视频帧用于推理

video_frames_for_vis = sorted(glob.glob(os.path.join("output2", "*.jpg"))) try: video_frames_for_vis.sort(key=lambda p: int(os.path.basename(p).split('.')[0])) except: video_frames_for_vis.sort()

4.6 初始化视频会话

response = predictor.handle_request( request=dict( type="start_session", resource_path=SOURCE_VIDEO, ) ) session_id = response["session_id"]

⚠️ 若需重新开始，请调用reset_session清除历史状态。

4.7 方法一：文本提示分割目标

prompt_text_str = "person" frame_idx = 0 response = predictor.handle_request( request=dict( type="add_prompt", session_id=session_id, frame_index=frame_idx, text=prompt_text_str, ) ) out = response["outputs"]

可视化首帧结果：

plt.close("all") visualize_formatted_frame_output( frame_idx, video_frames_for_vis, outputs_list=[prepare_masks_for_visualization({frame_idx: out})], titles=["SAM3 Text-Prompted Output"], figsize=(6, 4), )

4.8 全程跟踪分割目标

outputs_per_frame = propagate_in_video(predictor, session_id) outputs_per_frame = prepare_masks_for_visualization(outputs_per_frame) vis_frame_stride = 60 for frame_idx in range(0, len(outputs_per_frame), vis_frame_stride): visualize_formatted_frame_output( frame_idx, video_frames_for_vis, outputs_list=[outputs_per_frame], titles=["Dense Tracking Result"], figsize=(6, 4), )

4.9 移除指定 ID 的目标

obj_id = 1 predictor.handle_request( request=dict( type="remove_object", session_id=session_id, obj_id=obj_id, ) ) # 重新传播验证效果 outputs_per_frame = propagate_in_video(predictor, session_id)

4.10 使用点提示添加新目标

sample_img = Image.fromarray(load_frame(video_frames_for_vis[0])) IMG_WIDTH, IMG_HEIGHT = sample_img.size points_abs = np.array([[406, 170]]) labels = np.array([1]) points_tensor = torch.tensor( abs_to_rel_coords(points_abs, IMG_WIDTH, IMG_HEIGHT, "point"), dtype=torch.float32 ) labels_tensor = torch.tensor(labels, dtype=torch.int32) predictor.handle_request( request=dict( type="add_prompt", session_id=session_id, frame_index=0, points=points_tensor, point_labels=labels_tensor, obj_id=1, ) )

4.11 正负样本结合实现精细分割

points_abs = np.array([ [421, 155], # 正样本：衣服区域 [420, 202], # 负样本：腿部 [400, 107], # 负样本：头部 ]) labels = np.array([1, 0, 0]) points_tensor = torch.tensor( abs_to_rel_coords(points_abs, IMG_WIDTH, IMG_HEIGHT, "point"), dtype=torch.float32 ) labels_tensor = torch.tensor(labels, dtype=torch.int32) predictor.handle_request( request=dict( type="add_prompt", session_id=session_id, frame_index=0, points=points_tensor, point_labels=labels_tensor, obj_id=1, ) )

此时模型将仅保留上衣部分的分割区域，排除其他干扰部位。

5. 常见问题与优化建议

5.1 是否支持中文 Prompt？

目前 SAM3 原生模型主要训练于英文语料，建议使用标准英文名词（如tree,bottle,car）。若输入中文可能导致无法识别。

✅解决方案：前端增加轻量级中英翻译模块（如 MarianMT），实现自动转译。

5.2 分割结果不准怎么办？

可尝试以下策略：

5.3 性能优化建议

• 批量处理：对于长视频，建议分段处理以避免显存溢出
• 分辨率裁剪：输入尺寸控制在 720p 以内，兼顾精度与速度
• 缓存机制：对已处理帧的结果进行本地存储，避免重复计算

6. 总结

SAM3 大模型通过创新的提示式交互范式，实现了真正意义上的“万物可分割”。本文介绍的镜像封装了完整的推理流程与 Web 交互能力，使开发者能够快速落地视频物体分割应用。

无论是通过自然语言一键提取目标，还是利用正负样本点实现亚像素级精细控制，SAM3 都展现出强大的泛化能力和工程实用性。结合其跨帧跟踪特性，已在智能监控、视频编辑、AR/VR 等多个领域展现出广阔前景。

未来，随着更多多语言适配与边缘端优化版本的推出，SAM3 将进一步降低 AI 视觉技术的应用门槛，推动自动化内容理解迈向新阶段。

获取更多AI镜像

想探索更多AI镜像和应用场景？访问 CSDN星图镜像广场，提供丰富的预置镜像，覆盖大模型推理、图像生成、视频生成、模型微调等多个领域，支持一键部署。