SAM 3

テキストプロンプトを使ってSAM3を実行し、ゼロショットセグメンテーションを行います。

v3

ゼロショットのインスタンスセグメンテーションモデルである Segment Anything 3 (SAM3) を画像に適用します。

オープンボキャブラリのセグメンテーションにはテキストプロンプトを使用できます。クラス名を指定するだけで、SAM3 が画像内のそのオブジェクトをセグメント化します。

このブロックは 2 つの出力形式をサポートしています：

rle (デフォルト): マスクを RLE（Run-Length Encoding）形式で返します。こちらの方がメモリ効率に優れています
polygons：各マスクのポリゴン座標を返します

高解像度画像や検出数の多いワークフローには RLE 形式を推奨します。

型識別子

ステップで次の識別子を使用してください "type" フィールド： roboflow_core/sam3@v3 ワークフローにこのブロックをステップとして追加するには。

プロパティ

名前

型

説明

参照

name

str

このステップの一意の識別子を入力してください。

❌

model_id

str

モデルのバージョン。変更が必要なのは、ファインチューニング済みの sam3 モデルの場合のみです..

✅

class_names

Optional[List[str], str]

認識するクラスの一覧。

✅

class_mapping

Dict[str, str]

予測内のクラス名を別の出力名にマッピングします。推論後に適用されます。例えば {'cat': 'gato'} は 'cat' の予測を 'gato' に変更します..

✅

confidence

float

予測マスクの最小信頼度しきい値。

✅

per_class_confidence

List[float]

クラスごとの信頼度しきい値のリスト（class_names の長さと一致する必要があります）。

✅

apply_nms

bool

プロンプト全体に Non-Maximum Suppression を適用するかどうか。

✅

nms_iou_threshold

float

プロンプト間 NMS の IoU しきい値。値は [0.0, 1.0] の範囲である必要があります。

✅

output_format

str

'rle' は効率的な RLE エンコードを返し（推奨）、'polygons' はポリゴン座標を返します。

❌

この参照列は、で利用可能な動的値を使ってプロパティをパラメータ化できる可能性を示します ワークフロー 実行時。参照 バインディング 詳細は。

ランタイム互換性

ハード - ランタイム self_hosted_cpu；実行 ローカル : GPU が必要です。run_locally() は CUDA を必要とするモデルを読み込みます。

入力と出力のバインディング

利用可能な接続は、そのバインディング種別によって異なります。どのバインディング種別が SAM 3 のバージョン v3 あるか確認してください。

入力と出力のバインディング

入力
- images (image): 推論対象の画像です..
- model_id (roboflow_model_id): モデルのバージョン。変更が必要なのは、ファインチューニング済みの sam3 モデルの場合のみです..
- class_names (Union[list_of_values, string]): 認識するクラスの一覧。
- class_mapping (辞書): 予測内のクラス名を別の出力名にマッピングします。推論後に適用されます。例えば {'cat': 'gato'} は 'cat' の予測を 'gato' に変更します..
- confidence (float): 予測マスクの最小信頼度しきい値。
- per_class_confidence (list_of_values): クラスごとの信頼度しきい値のリスト（class_names の長さと一致する必要があります）。
- apply_nms (boolean): プロンプト全体に Non-Maximum Suppression を適用するかどうか。
- nms_iou_threshold (float): プロンプト間 NMS の IoU しきい値。値は [0.0, 1.0] の範囲である必要があります。
出力
- predictions (Union[rle_instance_segmentation_prediction, instance_segmentation_prediction]): 検出されたバウンディングボックスと RLE エンコードされたセグメンテーションマスクを含む予測。sv.Detections(...) オブジェクトの形式で返される場合は rle_instance_segmentation_prediction または、sv.Detections(...) 形式の検出バウンディングボックスとセグメンテーションマスクを含む予測。 instance_segmentation_prediction.

JSON 定義の例

{
	    "name": "<your_step_name_here>",
	    "type": "roboflow_core/sam3@v3",
	    "images": "$inputs.image",
	    "model_id": "sam3/sam3_final",
	    "class_names": [
	        "車",
	        "人"
	    ],
	    "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

ゼロショットのインスタンスセグメンテーションモデルである Segment Anything 3 を画像に適用します。

他のモデルからのバウンディングボックス/予測をプロンプトとして渡すことも、オープンボキャブラリのセグメンテーションにテキストプロンプトを使うこともできます。他のモデルからのボックス検出を渡した場合、ボックスのクラス名は予測マスクに引き継がれます。

型識別子

ステップで次の識別子を使用してください "type" フィールド： roboflow_core/sam3@v2 ワークフローにこのブロックをステップとして追加するには。

プロパティ

名前

型

説明

参照

name

str

このステップの一意の識別子を入力してください。

❌

model_id

str

モデルのバージョン。変更が必要なのは、ファインチューニング済みの sam3 モデルの場合のみです..

✅

class_names

Optional[List[str], str]

認識するクラスの一覧。

✅

confidence

float

予測マスクの最小信頼度しきい値。

✅

per_class_confidence

List[float]

クラスごとの信頼度しきい値のリスト（class_names の長さと一致する必要があります）。

✅

apply_nms

bool

プロンプト全体に Non-Maximum Suppression を適用するかどうか。

✅

nms_iou_threshold

float

プロンプト間 NMS の IoU しきい値。値は [0.0, 1.0] の範囲である必要があります。

✅

ランタイム互換性

ハード - ランタイム self_hosted_cpu；実行 ローカル : GPU が必要です。run_locally() は CUDA を必要とするモデルを読み込みます。

入力と出力のバインディング

利用可能な接続は、そのバインディング種別によって異なります。どのバインディング種別が SAM 3 のバージョン v2 あるか確認してください。

入力と出力のバインディング

入力
- images (image): 推論対象の画像です..
- model_id (roboflow_model_id): モデルのバージョン。変更が必要なのは、ファインチューニング済みの sam3 モデルの場合のみです..
- class_names (Union[list_of_values, string]): 認識するクラスの一覧。
- confidence (float): 予測マスクの最小信頼度しきい値。
- per_class_confidence (list_of_values): クラスごとの信頼度しきい値のリスト（class_names の長さと一致する必要があります）。
- apply_nms (boolean): プロンプト全体に Non-Maximum Suppression を適用するかどうか。
- nms_iou_threshold (float): プロンプト間 NMS の IoU しきい値。値は [0.0, 1.0] の範囲である必要があります。
出力
- predictions (instance_segmentation_prediction): 検出されたバウンディングボックスとセグメンテーションマスクを sv.Detections(...) オブジェクトの形式で持つ予測。

JSON 定義の例

{
	    "name": "<your_step_name_here>",
	    "type": "roboflow_core/sam3@v2",
	    "images": "$inputs.image",
	    "model_id": "sam3/sam3_final",
	    "class_names": [
	        "車",
	        "人"
	    ],
	    "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

ゼロショットのインスタンスセグメンテーションモデルである Segment Anything 3 を画像に適用します。

型識別子

ステップで次の識別子を使用してください "type" フィールド： roboflow_core/sam3@v1 ワークフローにこのブロックをステップとして追加するには。

プロパティ

名前

型

説明

参照

name

str

このステップの一意の識別子を入力してください。

❌

model_id

str

モデルのバージョン。変更が必要なのは、ファインチューニング済みの sam3 モデルの場合のみです..

✅

class_names

Optional[List[str], str]

認識するクラスの一覧。

✅

のしきい値と比較します

float

予測マスクスコアのしきい値。

✅

ランタイム互換性

ハード - ランタイム self_hosted_cpu；実行 ローカル : GPU が必要です。run_locally() は CUDA を必要とするモデルを読み込みます。

入力と出力のバインディング

利用可能な接続は、そのバインディング種別によって異なります。どのバインディング種別が SAM 3 のバージョン v1 あるか確認してください。

入力と出力のバインディング

入力
- images (image): 推論対象の画像です..
- model_id (roboflow_model_id): モデルのバージョン。変更が必要なのは、ファインチューニング済みの sam3 モデルの場合のみです..
- class_names (Union[list_of_values, string]): 認識するクラスの一覧。
- のしきい値と比較します (float): 予測マスクスコアのしきい値。
出力
- predictions (instance_segmentation_prediction): 検出されたバウンディングボックスとセグメンテーションマスクを sv.Detections(...) オブジェクトの形式で持つ予測。

JSON 定義の例

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

前へSAM 3 インタラクティブ次へSeg Preview

最終更新 3 日前

役に立ちましたか？