Meta 的 SAM「分割一切」模型刚发布，国内团队就进行了二创，打造了一个最强的零样本视觉应用 Grounded-SAM，不仅能分割一切，还能检测一切，生成一切。

Meta 的「分割一切」模型横空出世后，已经让圈内人惊呼 CV 不存在了。

就在 SAM 发布后一天，国内团队在此基础上搞出了一个进化版本「Grounded-SAM」。

Grounded-SAM 把 SAM 和 BLIP、Stable Diffusion 集成在一起，将图片「分割」、「检测」和「生成」三种能力合一，成为最强 Zero-Shot 视觉应用。

网友纷纷表示，太卷了！

谷歌大脑的研究科学家、滑铁卢大学计算机科学助理教授 Wenhu Chen 表示「这也太快了」。

AI 大佬沈向洋也向大家推荐了这一最新项目：

Grounded-Segment-Anything：自动检测、分割和生成任何有图像和文本输入的东西。边缘分割可以进一步改进。

截至目前，这个项目在 GitHub 上已经狂揽 2k 星。

检测一切，分割一切，生成一切

上周，SAM 的发布让 CV 迎来了 GPT-3 时刻。甚至，Meta AI 声称这是史上首个图像分割基础模型。

该模型可以在统一的框架 prompt encoder 内，指定一个点、一个边界框、一句话，直接一键分割出任何物体。

SAM 具有广泛的通用性，即具有了零样本迁移的能力，足以涵盖各种用例，不需要额外训练，就可以开箱即用地用于新的图像领域，无论是水下照片，还是细胞显微镜。

由此可见，SAM 可以说是强到发指。

而现在，国内研究者基于这个模型想到了新的点子，将强大的零样本目标检测器 Grounding DINO 与之结合，便能通过文本输入，检测和分割一切。

借助 Grounding DINO 强大的零样本检测能力，Grounded SAM 可以通过文本描述就可以找到图片中的任意物体，然后通过 SAM 强大的分割能力，细粒度的分割出 mas。

最后，还可以利用 Stable Diffusion 对分割出来的区域做可控的文图生成。

再 Grounded-SAM 具体实践中，研究者将 Segment-Anything 与 3 个强大的零样本模型相结合，构建了一个自动标注系统的流程，并展示出非常非常令人印象深刻的结果！

这一项目结合了以下模型：

・BLIP：强大的图像标注模型

・Grounding DINO：最先进的零样本检测器

・Segment-Anything：强大的零样本分割模型

・Stable-Diffusion：出色的生成模型

所有的模型既可以组合使用，也可以独立使用。组建出强大的视觉工作流模型。整个工作流拥有了检测一切，分割一切，生成一切的能力。

该系统的功能包括：

BLIP+Grounded-SAM = 自动标注器

使用 BLIP 模型生成标题，提取标签，并使用 Ground-SAM 生成框和掩码:

・半自动标注系统：检测输入的文本，并提供精确的框标注和掩码标注。

・全自动标注系统：

首先使用 BLIP 模型为输入图像生成可靠的标注，然后让 Grounding DINO 检测标注中的实体，接着使用 SAM 在其框提示上进行实例分割。

Stable Diffusion+Grounded-SAM = 数据工厂

・用作数据工厂生成新数据：可以使用扩散修复模型根据掩码生成新数据。

Segment Anything+HumanEditing

在这个分支中，作者使用 Segment Anything 来编辑人的头发 / 面部。

・SAM + 头发编辑

・SAM + 时尚编辑

作者对于 Grounded-SAM 模型提出了一些未来可能的研究方向：

自动生成图像以构建新的数据集；分割预训练的更强大的基础模型；与 (Chat-) GPT 模型的合作；一个完整的管道，用于自动标注图像（包括边界框和掩码），并生成新图像。

作者介绍

Grounded-SAM 项目其中的一位研究者是清华大学计算机系的三年级博士生刘世隆。

他近日在 GitHub 上介绍了自己和团队一起做出的最新项目，并称目前还在完善中。

现在，刘世隆是粤港澳大湾区数字经济研究院（IDEA 研究院），计算机视觉与机器人研究中心的实习生，由张磊教授指导，主要研究方向为目标检测，多模态学习。

在此之前，他于 2020 年获得了清华大学工业工程系的学士学位，并于 2019 年在旷视实习过一段时间。

顺便提一句，刘世隆也是今年 3 月份发布的目标检测模型 Grounding DINO 的一作。

此外，他的 4 篇论文中了 CVPR 2023，2 篇论文被 ICLR 2023 接收，1 篇论文被 AAAI 2023 接收。

而刘世隆提到的那位大佬 —— 任天和，目前在 IDEA 研究院担任计算机视觉算法工程师，也由张磊教授指导，主要研究方向为目标检测和多模态。

此外，项目的合作者还有，中国科学院大学博士三年级学生黎昆昌，主要研究方向为视频理解和多模态学习；IDEA 研究院计算机视觉与机器人研究中心实习生曹赫，主要研究方向为生成模型；以及阿里云高级算法工程师陈佳禹。

安装运行

项目需要安装 python 3.8 及以上版本，pytorch 1.7 及以上版本和 torchvision 0.8 及以上版本。此外，作者强烈建议安装支持 CUDA 的 PyTorch 和 TorchVision。

安装 Segment Anything：

python -m pip install -e segment_anything

安装 GroundingDINO：
python -m pip install -e GroundingDINO
 
安装 diffusers：
pip install --upgrade diffusers[torch]
安装掩码后处理、以 COCO 格式保存掩码、example notebook 和以 ONNX 格式导出模型所需的可选依赖。同时，项目还需要 jupyter 来运行 example notebook。
pip install opencv-python pycocotools matplotlib onnxruntime onnx ipykernel
Grounding DINO 演示
下载 groundingdino 检查点：
cd Grounded-Segment-Anything
wget https://github.com/IDEA-Research/GroundingDINO/releases/download/v0.1.0-alpha/groundingdino_swint_ogc.pth
运行 demo：
export CUDA_VISIBLE_DEVICES=0
python grounding_dino_demo.py \  
  --config GroundingDINO/groundingdino/config/GroundingDINO_SwinT_OGC.py \  
  --grounded_checkpoint groundingdino_swint_ogc.pth \  
  --input_image assets/demo1.jpg \  
  --output_dir "outputs" \  
  --box_threshold 0.3 \  
  --text_threshold 0.25 \  
  --text_prompt "bear" \  
  --device "cuda"
模型预测可视化将保存在 output_dir 中，如下所示：

Grounded-Segment-Anything+BLIP 演示
自动生成伪标签很简单：
1. 使用 BLIP（或其他标注模型）来生成一个标注。
2. 从标注中提取标签，并使用 ChatGPT 来处理潜在的复杂句子。
3. 使用 Grounded-Segment-Anything 来生成框和掩码。
export CUDA_VISIBLE_DEVICES=0
python automatic_label_demo.py \
  --config GroundingDINO/groundingdino/config/GroundingDINO_SwinT_OGC.py \
  --grounded_checkpoint groundingdino_swint_ogc.pth \
  --sam_checkpoint sam_vit_h_4b8939.pth \  
  --input_image assets/demo3.jpg \  
  --output_dir "outputs" \  
  --openai_key your_openai_key \  
  --box_threshold 0.25 \  
  --text_threshold 0.2 \  
  --iou_threshold 0.5 \  
  --device "cuda"
伪标签和模型预测可视化将保存在 output_dir 中，如下所示：

Grounded-Segment-Anything+Inpainting 演示
CUDA_VISIBLE_DEVICES=0
python grounded_sam_inpainting_demo.py \
  --config GroundingDINO/groundingdino/config/GroundingDINO_SwinT_OGC.py \  
  --grounded_checkpoint groundingdino_swint_ogc.pth \  
  --sam_checkpoint sam_vit_h_4b8939.pth \  
  --input_image assets/inpaint_demo.jpg \  
  --output_dir "outputs" \  
  --box_threshold 0.3 \  
  --text_threshold 0.25 \  
  --det_prompt "bench" \  
  --inpaint_prompt "A sofa, high quality, detailed" \  
  --device "cuda"
Grounded-Segment-Anything+Inpainting Gradio App
python gradio_.py
作者在此提供了可视化网页，可以更方便的尝试各种例子。

网友评论
对于这个项目 logo，还有个深层的含义：
一只坐在地上的马赛克风格的熊。坐在地面上是因为 ground 有地面的含义，然后分割后的图片可以认为是一种马赛克风格，而且马塞克谐音 mask，之所以用熊作为 logo 主体，是因为作者主要示例的图片是熊。

看到 Grounded-SAM 后，网友表示，知道要来，但没想到来的这么快。

项目作者任天和称，「我们用的 Zero-Shot 检测器是目前来说最好的。」

未来，还会有 web demo 上线。

最后，作者表示，这个项目未来还可以基于生成模型做更多的拓展应用，例如多领域精细化编辑、高质量可信的数据工厂的构建等等。欢迎各个领域的人多多参与。
参考资料：


https://github.com/IDEA-Research/Grounded-Segment-Anything


https://www.reddit.com/r/MachineLearning/comments/12gnnfs/r_groundedsegmentanything_automatically_detect/


https://zhuanlan.zhihu.com/p/620271321


本文来自微信公众号：新智元 （ID：AI_era）