从图像到视频：SAM3大模型镜像全面支持多模态提示分割
1. 引言：让视频分割变得像说话一样简单
你有没有想过，只要说一句“把那个穿红衣服的小孩圈出来”，就能自动从一段视频里精准分割出目标，并持续跟踪它的运动轨迹？这不再是科幻场景——借助SAM3（Segment Anything Model 3）大模型，这种自然语言驱动的智能分割已经触手可及。
本次我们使用的镜像名为sam3 提示词引导万物分割模型，它基于最新的 SAM3 算法构建，并集成了二次开发的 Gradio Web 交互界面。这个镜像的强大之处在于：无需画框、无需点击，只需输入简单的英文描述（如 "dog", "red car"），即可完成图像甚至视频中任意物体的精确掩码提取。
更令人兴奋的是，这套系统不仅支持文本提示，还兼容点提示、框提示等多种交互方式，真正实现了“你说我分”的智能化操作。无论是做视频编辑、内容分析，还是开发智能监控系统，都能大幅提升效率。
本文将带你一步步掌握如何使用该镜像实现：
- 文本提示自动识别并分割视频中的目标
- 通过点提示添加或修正特定对象
- 跨帧跟踪与目标管理（添加/移除）
- 实现精细化区域控制（比如只分割衣服而不包括整个人）
无论你是AI新手还是有一定基础的开发者，都能快速上手，看到立竿见影的效果。
2. 镜像环境与部署准备
2.1 镜像核心配置一览
该镜像为生产级部署优化，预装了高性能运行环境，开箱即用：
| 组件 | 版本 |
|---|---|
| Python | 3.12 |
| PyTorch | 2.7.0+cu126 |
| CUDA / cuDNN | 12.6 / 9.x |
| 代码路径 | /root/sam3 |
这些配置确保了在GPU环境下能够高效加载和推理大型视觉模型，尤其适合处理高分辨率图像和长时视频序列。
2.2 启动Web界面（推荐方式）
实例启动后，模型会自动后台加载，请耐心等待10-20秒。
- 登录实例控制台
- 点击右侧“WebUI”按钮
- 进入网页后上传图片或视频，输入英文提示词（Prompt），点击“开始执行分割”
整个过程无需敲命令，拖拽上传即可完成操作，非常适合非编程用户快速验证效果。
2.3 手动重启服务命令
如果需要重新启动应用服务，可以运行以下脚本：
/bin/bash /usr/local/bin/start-sam3.sh此命令可用于调试或恢复异常中断的服务状态。
3. Web界面功能详解
该镜像由开发者“落花不写码”进行可视化二次开发，极大提升了用户体验。以下是主要功能亮点：
3.1 自然语言引导分割
最直观的功能就是直接输入物体名称，例如：
catfaceblue shirtbottle on the table
系统会根据语义理解，在图像中定位并生成对应的分割掩码。整个过程完全脱离传统繁琐的手动标注流程。
注意：目前模型原生仅支持英文 Prompt，中文输入可能无法正确解析。建议使用常见名词组合表达需求。
3.2 AnnotatedImage 渲染技术
采用高性能可视化组件，输出结果以图层形式呈现，支持：
- 点击查看每个分割区域的标签
- 显示置信度分数
- 多目标叠加显示与独立切换
这让结果更加透明可控，便于后续分析与应用集成。
3.3 参数动态调节
为了应对复杂场景，提供了两个关键参数供用户调整：
| 参数 | 作用说明 |
|---|---|
| 检测阈值 | 控制模型对目标的敏感程度。调低可减少误检，调高可捕捉更多潜在目标 |
| 掩码精细度 | 调节边缘平滑度。对于毛发、树叶等细节丰富的区域，适当提高可获得更自然的轮廓 |
这两个滑块式调节器让用户无需修改代码就能快速优化输出质量。
4. 视频分割实战：从文本提示到精细控制
接下来我们将进入实战环节，展示如何利用 SAM3 完成一段卧室监控视频中的目标分割与跟踪任务。
原始视频如下（示意）：
视频中有两名儿童活动，我们的目标是：
- 使用文本提示分离出所有人
- 移除其中一个目标
- 用点提示重新添加并精确限定其范围（仅衣服部分）
4.1 环境准备与库导入
首先导入必要的依赖库：
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
为简化流程，定义两个实用函数：
# 设置绘图字体大小 plt.rcParams["axes.titlesize"] = 12 plt.rcParams["figure.titlesize"] = 12 # 传播视频中所有帧的目标分割结果 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 # 坐标归一化：从像素坐标转为0~1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"未知坐标类型: {coord_type}")4.3 加载SAM3模型
使用GPU加速推理：
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
使用ffmpeg将视频切分为单帧图像，方便逐帧处理：
SOURCE_VIDEO = "assets/videos/bedroom.mp4" output_dir = 'output2' os.makedirs(output_dir, exist_ok=True) !ffmpeg -i {SOURCE_VIDEO} -q:v 2 -start_number 0 output2/%05d.jpg处理后的帧存储在output2/目录下，命名格式为00000.jpg,00001.jpg...
4.5 读取视频帧用于可视化
video_frames_for_vis = sorted( glob.glob(os.path.join("output2", "*.jpg")), key=lambda p: int(os.path.splitext(os.path.basename(p))[0]) )4.6 初始化视频处理会话
创建一个会话来管理当前视频的上下文状态：
response = predictor.handle_request( request=dict(type="start_session", resource_path=SOURCE_VIDEO) ) session_id = response["session_id"]提示：每次新任务前建议调用
reset_session清理会话缓存，避免历史数据干扰。
4.7 方法一：使用文本提示分割目标
在第0帧添加文本提示“person”，让模型自动识别所有人：
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"]查看首帧分割结果：
visualize_formatted_frame_output( frame_idx, video_frames_for_vis, outputs_list=[prepare_masks_for_visualization({frame_idx: out})], titles=["SAM3 分割结果"], figsize=(6, 4), )结果清晰地标注出了两个孩子，分别赋予 ID=0 和 ID=1。
4.8 全程跟踪目标
基于初始提示，让模型在整个视频中持续跟踪这两个目标：
outputs_per_frame = propagate_in_video(predictor, session_id) outputs_per_frame = prepare_masks_for_visualization(outputs_per_frame) # 每60帧展示一次结果 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=["全程跟踪结果"], figsize=(6, 4), )可以看到两个目标在整个视频中都被稳定追踪，即使有遮挡也能较好恢复。
4.9 移除指定目标（ID=1）
如果我们只想保留小男孩，可以移除小女孩（假设她对应 ID=1）：
obj_id = 1 predictor.handle_request( request=dict( type="remove_object", session_id=session_id, obj_id=obj_id, ) ) # 重新传播 outputs_per_frame = propagate_in_video(predictor, session_id) outputs_per_frame = prepare_masks_for_visualization(outputs_per_frame)再次查看结果，ID=1 的目标已消失，只剩下小男孩被持续跟踪。
4.10 方法二：用点提示重新添加目标
现在我们想把小女孩加回来，但这次不是整人，而是只关注她的衣服区域。可以通过点提示实现：
sample_img = Image.fromarray(load_frame(video_frames_for_vis[0])) IMG_WIDTH, IMG_HEIGHT = sample_img.size frame_idx = 0 obj_id = 1 points_abs = np.array([[406, 170]]) # 衣服上的正样本点 labels = np.array([1]) # 1表示正样本 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=frame_idx, points=points_tensor, point_labels=labels_tensor, obj_id=obj_id, ) )此时再传播，模型就会以该点为中心，推测出属于“衣服”的区域并进行跨帧跟踪。
4.11 方法三：结合正负样本实现精细分割
为进一步提升精度，我们可以加入负样本点排除干扰区域：
points_abs = np.array([ [421, 155], # 正样本：衣服区域 [420, 202], # 负样本：腿部（不要包含） [400, 107], # 负样本：头部（不要包含） ]) labels = np.array([1, 0, 0]) # 转换并发送请求...经过调整后，模型成功将分割范围限制在上衣区域，不再覆盖全身，实现了真正的“按需分割”。
最终效果如下：
5. 常见问题与使用建议
5.1 是否支持中文输入？
目前 SAM3 原生模型主要训练于英文语料，因此建议使用英文 Prompt。虽然部分简单词汇可能能被识别，但准确率不稳定。推荐使用常见名词组合，如：
red ballwhite dog with black spotsperson wearing glasses
5.2 分割结果不准怎么办？
可尝试以下方法优化：
- 降低检测阈值：减少背景误检
- 增加颜色或位置描述：如
left red car比car更精准 - 使用点/框提示辅助：当文本模糊时，手动点一下更可靠
- 结合正负样本点：精细控制分割边界
5.3 如何提升处理速度？
- 使用更高性能GPU
- 降低视频分辨率预处理
- 减少同时跟踪的目标数量
- 关闭不必要的可视化渲染
6. 总结：开启多模态提示分割新时代
SAM3 的出现，标志着图像与视频分割进入了“对话式交互”的新阶段。通过本次实践我们可以看到：
- 文本提示让普通人也能轻松完成复杂分割任务
- 点提示与正负样本机制提供了专业级的精细控制能力
- 跨帧跟踪支持长时间视频中的目标一致性管理
- Web界面集成极大降低了使用门槛，适合快速验证与原型设计
更重要的是，这套镜像已经为你准备好了一切：从环境配置到交互界面，再到完整API接口，你可以专注于业务逻辑本身，而不用陷入繁琐的部署与调试。
无论是用于视频剪辑、安防监控、医学影像分析，还是作为AI应用的基础模块，SAM3 都展现出了极强的通用性与实用性。
如果你正在寻找一种高效、灵活、易用的分割解决方案，那么这个sam3 提示词引导万物分割模型镜像绝对值得一试。
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。
