SAM 3

ज़ीरो-शॉट सेगमेंटेशन के लिए टेक्स्ट प्रॉम्प्ट के साथ SAM3 चलाएँ।

v3

किसी छवि पर Segment Anything 3 (SAM3), एक zero-shot instance segmentation model, चलाएँ।

आप open-vocabulary segmentation के लिए text prompts का उपयोग कर सकते हैं - बस class names निर्दिष्ट करें और SAM3 छवि में उन objects को segment कर देगा।

यह ब्लॉक दो आउटपुट फ़ॉर्मैट का समर्थन करता है:

• rle (डिफ़ॉल्ट): मास्क को RLE (Run-Length Encoding) फ़ॉर्मैट में लौटाता है, जो अधिक मेमोरी-कुशल है

• polygons: प्रत्येक मास्क के लिए बहुभुज निर्देशांक लौटाता है

उच्च-रिज़ॉल्यूशन छवियों या बहुत-से detections वाले workflows के लिए RLE फ़ॉर्मैट की अनुशंसा की जाती है।

प्रकार पहचानकर्ता

स्टेप में निम्नलिखित पहचानकर्ता का उपयोग करें "type" फ़ील्ड: roboflow_core/sam3@v3 अपने वर्कफ़्लो में ब्लॉक को एक स्टेप के रूप में जोड़ने के लिए।

गुण

नाम	प्रकार	विवरण	संदर्भ
name	str	इस स्टेप के लिए एक विशिष्ट पहचानकर्ता दर्ज करें..	❌
model_id	str	मॉडल संस्करण. आपको इसे केवल fine-tuned sam3 models के लिए बदलना होगा..	✅
class_names	Optional[List[str], str]	पहचानने के लिए वर्गों की सूची।	✅
class_mapping	Dict[str, str]	पूर्वानुमानों में class names को अलग output names से मैप करता है। inference के बाद लागू होता है, उदाहरण के लिए {'cat': 'gato'} 'cat' predictions का नाम बदलकर 'gato' कर देता है..	✅
confidence	float	अनुमानित मास्कों के लिए न्यूनतम विश्वसनीयता सीमा।	✅
per_class_confidence	List[float]	प्रति class confidence thresholds की सूची (class_names की लंबाई से मेल खानी चाहिए)।	✅
apply_nms	bool	क्या prompts के बीच Non-Maximum Suppression लागू करना है।	✅
nms_iou_threshold	float	cross-prompt NMS के लिए IoU threshold. यह [0.0, 1.0] में होना चाहिए।	✅
output_format	str	'rle' कुशल RLE encoding लौटाता है (अनुशंसित), 'polygons' polygon coordinates लौटाता है।	❌

यह संदर्भ स्तंभ यह इंगित करता है कि संपत्ति को वर्कफ़्लो रनटाइम में उपलब्ध गतिशील मानों के साथ पैरामीटराइज़ किया जा सकता है वर्कफ़्लो रनटाइम। देखें बाइंडिंग्स अधिक जानकारी के लिए।

रनटाइम संगतता

कठिन - रनटाइम self_hosted_cpu; निष्पादन स्थानीय : एक GPU की आवश्यकता है; run_locally() एक ऐसा मॉडल लोड करता है जिसे CUDA की आवश्यकता होती है।

इनपुट और आउटपुट बाइंडिंग्स

उपलब्ध कनेक्शन उसके बाइंडिंग प्रकारों पर निर्भर करते हैं। देखें कि कौन-से बाइंडिंग प्रकार SAM 3 संस्करण v3 है।

इनपुट और आउटपुट बाइंडिंग्स

• इनपुट

  • छवियाँ (छवि): जिस छवि पर अनुमान लगाना है..

  • model_id (roboflow_model_id): मॉडल संस्करण. आपको इसे केवल fine-tuned sam3 models के लिए बदलना होगा..

  • class_names (Union[list_of_values, string]): पहचानने के लिए वर्गों की सूची।

  • class_mapping (शब्दकोश): पूर्वानुमानों में class names को अलग output names से मैप करता है। inference के बाद लागू होता है, उदाहरण के लिए {'cat': 'gato'} 'cat' predictions का नाम बदलकर 'gato' कर देता है..

  • confidence (float): अनुमानित मास्कों के लिए न्यूनतम विश्वसनीयता सीमा।

  • per_class_confidence (list_of_values): प्रति class confidence thresholds की सूची (class_names की लंबाई से मेल खानी चाहिए)।

  • apply_nms (boolean): क्या prompts के बीच Non-Maximum Suppression लागू करना है।

  • nms_iou_threshold (float): cross-prompt NMS के लिए IoU threshold. यह [0.0, 1.0] में होना चाहिए।

• आउटपुट

  • predictions (Union[rle_instance_segmentation_prediction, instance_segmentation_prediction]): पहचाने गए bounding boxes और RLE-encoded segmentation masks के साथ पूर्वानुमान, sv.Detections(...) ऑब्जेक्ट के रूप में, यदि rle_instance_segmentation_prediction या यदि sv.Detections(...) ऑब्जेक्ट के रूप में पहचाने गए बाउंडिंग बॉक्स और सेगमेंटेशन मास्क वाली प्रेडिक्शन instance_segmentation_prediction.

उदाहरण JSON परिभाषा

{
	    "name": "<your_step_name_here>",
	    "type": "roboflow_core/sam3@v3",
	    "images": "$inputs.image",
	    "model_id": "sam3/sam3_final",
	    "class_names": [
	        "कार",
	        "व्यक्ति"
	    ],
	    "class_mapping": {
	        "cat": "gato",
	        "dog": "perro"
	    },
	    "confidence": 0.3,
	    "per_class_confidence": [
	        0.3,
	        0.5,
	        0.7
	    ],
	    "apply_nms": "<block_does_not_provide_example>",
	    "nms_iou_threshold": 0.5,
	    "output_format": "rle"
	}

v2

किसी छवि पर Segment Anything 3, एक zero-shot instance segmentation model, चलाएँ।

आप अन्य मॉडलों से boxes/predictions को prompts के रूप में पास कर सकते हैं, या open-vocabulary segmentation के लिए text prompt का उपयोग कर सकते हैं। यदि आप किसी अन्य मॉडल से box detections पास करते हैं, तो boxes के class names predicted masks तक भेज दिए जाएँगे।

प्रकार पहचानकर्ता

स्टेप में निम्नलिखित पहचानकर्ता का उपयोग करें "type" फ़ील्ड: roboflow_core/sam3@v2 अपने वर्कफ़्लो में ब्लॉक को एक स्टेप के रूप में जोड़ने के लिए।

गुण

नाम	प्रकार	विवरण	संदर्भ
name	str	इस स्टेप के लिए एक विशिष्ट पहचानकर्ता दर्ज करें..	❌
model_id	str	मॉडल संस्करण. आपको इसे केवल fine-tuned sam3 models के लिए बदलना होगा..	✅
class_names	Optional[List[str], str]	पहचानने के लिए वर्गों की सूची।	✅
confidence	float	अनुमानित मास्कों के लिए न्यूनतम विश्वसनीयता सीमा।	✅
per_class_confidence	List[float]	प्रति class confidence thresholds की सूची (class_names की लंबाई से मेल खानी चाहिए)।	✅
apply_nms	bool	क्या prompts के बीच Non-Maximum Suppression लागू करना है।	✅
nms_iou_threshold	float	cross-prompt NMS के लिए IoU threshold. यह [0.0, 1.0] में होना चाहिए।	✅

यह संदर्भ स्तंभ यह इंगित करता है कि संपत्ति को वर्कफ़्लो रनटाइम में उपलब्ध गतिशील मानों के साथ पैरामीटराइज़ किया जा सकता है वर्कफ़्लो रनटाइम। देखें बाइंडिंग्स अधिक जानकारी के लिए।

रनटाइम संगतता

कठिन - रनटाइम self_hosted_cpu; निष्पादन स्थानीय : एक GPU की आवश्यकता है; run_locally() एक ऐसा मॉडल लोड करता है जिसे CUDA की आवश्यकता होती है।

इनपुट और आउटपुट बाइंडिंग्स

उपलब्ध कनेक्शन उसके बाइंडिंग प्रकारों पर निर्भर करते हैं। देखें कि कौन-से बाइंडिंग प्रकार SAM 3 संस्करण v2 है।

इनपुट और आउटपुट बाइंडिंग्स

• इनपुट

  • छवियाँ (छवि): जिस छवि पर अनुमान लगाना है..

  • model_id (roboflow_model_id): मॉडल संस्करण. आपको इसे केवल fine-tuned sam3 models के लिए बदलना होगा..

  • class_names (Union[list_of_values, string]): पहचानने के लिए वर्गों की सूची।

  • confidence (float): अनुमानित मास्कों के लिए न्यूनतम विश्वसनीयता सीमा।

  • per_class_confidence (list_of_values): प्रति class confidence thresholds की सूची (class_names की लंबाई से मेल खानी चाहिए)।

  • apply_nms (boolean): क्या prompts के बीच Non-Maximum Suppression लागू करना है।

  • nms_iou_threshold (float): cross-prompt NMS के लिए IoU threshold. यह [0.0, 1.0] में होना चाहिए।

• आउटपुट

  • predictions (instance_segmentation_prediction): sv.Detections(...) object के रूप में पहचाने गए bounding boxes और segmentation masks के साथ prediction।

उदाहरण JSON परिभाषा

{
	    "name": "<your_step_name_here>",
	    "type": "roboflow_core/sam3@v2",
	    "images": "$inputs.image",
	    "model_id": "sam3/sam3_final",
	    "class_names": [
	        "कार",
	        "व्यक्ति"
	    ],
	    "confidence": 0.3,
	    "per_class_confidence": [
	        0.3,
	        0.5,
	        0.7
	    ],
	    "apply_nms": "<block_does_not_provide_example>",
	    "nms_iou_threshold": 0.5
	}

v1

किसी छवि पर Segment Anything 3, एक zero-shot instance segmentation model, चलाएँ।

आप अन्य मॉडलों से boxes/predictions को prompts के रूप में पास कर सकते हैं, या open-vocabulary segmentation के लिए text prompt का उपयोग कर सकते हैं। यदि आप किसी अन्य मॉडल से box detections पास करते हैं, तो boxes के class names predicted masks तक भेज दिए जाएँगे।

प्रकार पहचानकर्ता

स्टेप में निम्नलिखित पहचानकर्ता का उपयोग करें "type" फ़ील्ड: roboflow_core/sam3@v1 अपने वर्कफ़्लो में ब्लॉक को एक स्टेप के रूप में जोड़ने के लिए।

गुण

नाम	प्रकार	विवरण	संदर्भ
name	str	इस स्टेप के लिए एक विशिष्ट पहचानकर्ता दर्ज करें..	❌
model_id	str	मॉडल संस्करण. आपको इसे केवल fine-tuned sam3 models के लिए बदलना होगा..	✅
class_names	Optional[List[str], str]	पहचानने के लिए वर्गों की सूची।	✅
थ्रेशहोल्ड	float	पूर्वानुमानित मास्क स्कोर के लिए सीमा।	✅

यह संदर्भ स्तंभ यह इंगित करता है कि संपत्ति को वर्कफ़्लो रनटाइम में उपलब्ध गतिशील मानों के साथ पैरामीटराइज़ किया जा सकता है वर्कफ़्लो रनटाइम। देखें बाइंडिंग्स अधिक जानकारी के लिए।

रनटाइम संगतता

कठिन - रनटाइम self_hosted_cpu; निष्पादन स्थानीय : एक GPU की आवश्यकता है; run_locally() एक ऐसा मॉडल लोड करता है जिसे CUDA की आवश्यकता होती है।

इनपुट और आउटपुट बाइंडिंग्स

उपलब्ध कनेक्शन उसके बाइंडिंग प्रकारों पर निर्भर करते हैं। देखें कि कौन-से बाइंडिंग प्रकार SAM 3 संस्करण v1 है।

इनपुट और आउटपुट बाइंडिंग्स

• इनपुट

  • छवियाँ (छवि): जिस छवि पर अनुमान लगाना है..

  • model_id (roboflow_model_id): मॉडल संस्करण. आपको इसे केवल fine-tuned sam3 models के लिए बदलना होगा..

  • class_names (Union[list_of_values, string]): पहचानने के लिए वर्गों की सूची।

  • थ्रेशहोल्ड (float): पूर्वानुमानित मास्क स्कोर के लिए सीमा।

• आउटपुट

  • predictions (instance_segmentation_prediction): sv.Detections(...) object के रूप में पहचाने गए bounding boxes और segmentation masks के साथ prediction।

उदाहरण JSON परिभाषा

{
	    "name": "<your_step_name_here>",
	    "type": "roboflow_core/sam3@v1",
	    "images": "$inputs.image",
	    "model_id": "sam3/sam3_final",
	    "class_names": [
	        "कार",
	        "व्यक्ति"
	    ],
	    "threshold": 0.3
	}