SAM 3
제로샷 세분화를 위해 텍스트 프롬프트와 함께 SAM3를 실행합니다.
v3
이미지에 제로샷 인스턴스 세그멘테이션 모델인 Segment Anything 3(SAM3)을 실행합니다.
열린 어휘 세그멘테이션에는 텍스트 프롬프트를 사용할 수 있습니다. 클래스 이름만 지정하면 SAM3가 이미지에서 해당 객체를 분할합니다.
이 블록은 두 가지 출력 형식을 지원합니다:
rle (기본값): 더 메모리 효율적인 RLE(Run-Length Encoding) 형식으로 마스크를 반환합니다
polygons: 각 마스크에 대한 다각형 좌표를 반환합니다
고해상도 이미지나 탐지가 많은 워크플로에서는 RLE 형식이 권장됩니다.
유형 식별자
단계에서 다음 식별자를 사용하세요 "type" 필드: roboflow_core/sam3@v3 워크플로우에 이 블록을 단계로 추가하려면.
속성
이름
유형
설명
참조
name
str
이 단계에 대한 고유 식별자를 입력하세요..
❌
model_id
str
모델 버전입니다. 이 값은 미세 조정된 sam3 모델에 대해서만 변경하면 됩니다..
✅
class_names
Optional[List[str], str]
인식할 클래스 목록.
✅
class_mapping
Dict[str, str]
예측의 클래스 이름을 다른 출력 이름에 매핑합니다. 추론 후 적용되며, 예: {'cat': 'gato'}는 'cat' 예측 이름을 'gato'로 바꿉니다..
✅
confidence
float
예측된 마스크의 최소 신뢰도 임계값.
✅
per_class_confidence
List[float]
클래스별 신뢰도 임계값 목록입니다( class_names 길이와 일치해야 합니다).
✅
apply_nms
bool
프롬프트 전반에 비최대 억제를 적용할지 여부.
✅
nms_iou_threshold
float
교차 프롬프트 NMS의 IoU 임계값입니다. [0.0, 1.0] 범위여야 합니다.
✅
output_format
str
'rle'는 효율적인 RLE 인코딩을 반환하고(권장), 'polygons'는 다각형 좌표를 반환합니다.
❌
이 참조 열은 워크플로우 런타임에서 사용 가능한 동적 값으로 속성을 매개변수화할 수 있는 가능성을 나타냅니다 워크플로우 런타임입니다. 자세한 내용은 바인딩 을 참조하세요.
런타임 호환성
하드 - 런타임 self_hosted_cpu; 실행 로컬 : GPU가 필요합니다; run_locally()는 CUDA가 필요한 모델을 로드합니다.
입력 및 출력 바인딩
사용 가능한 연결은 바인딩 유형에 따라 달라집니다. 어떤 바인딩 유형인지 확인하세요 SAM 3 버전 v3 을 가지고 있는지.
입력 및 출력 바인딩
입력
이미지(이미지): 추론할 이미지입니다..model_id(roboflow_model_id): 모델 버전입니다. 이 값은 미세 조정된 sam3 모델에 대해서만 변경하면 됩니다..class_names(Union[list_of_values,string]): 인식할 클래스 목록.class_mapping(딕셔너리): 예측의 클래스 이름을 다른 출력 이름에 매핑합니다. 추론 후 적용되며, 예: {'cat': 'gato'}는 'cat' 예측 이름을 'gato'로 바꿉니다..confidence(float): 예측된 마스크의 최소 신뢰도 임계값.per_class_confidence(list_of_values): 클래스별 신뢰도 임계값 목록입니다( class_names 길이와 일치해야 합니다).apply_nms(boolean): 프롬프트 전반에 비최대 억제를 적용할지 여부.nms_iou_threshold(float): 교차 프롬프트 NMS의 IoU 임계값입니다. [0.0, 1.0] 범위여야 합니다.
출력
예측(Union[rle_instance_segmentation_prediction,instance_segmentation_prediction]): 탐지된 바운딩 박스와 RLE로 인코딩된 세그멘테이션 마스크를 sv.Detections(...) 객체 형식으로 포함한 예측 결과, 만약rle_instance_segmentation_prediction또는 sv.Detections(...) 객체 형태의 탐지된 바운딩 박스 및 세그멘테이션 마스크 예측, 다음 경우instance_segmentation_prediction.
v2
제로샷 인스턴스 세그멘테이션 모델인 Segment Anything 3를 이미지에 실행합니다.
다른 모델의 박스/예측을 프롬프트로 전달하거나, 열린 어휘 세그멘테이션에 텍스트 프롬프트를 사용할 수 있습니다. 다른 모델의 박스 탐지를 전달하면, 박스의 클래스 이름이 예측된 마스크로 전달됩니다.
유형 식별자
단계에서 다음 식별자를 사용하세요 "type" 필드: roboflow_core/sam3@v2 워크플로우에 이 블록을 단계로 추가하려면.
속성
이름
유형
설명
참조
name
str
이 단계에 대한 고유 식별자를 입력하세요..
❌
model_id
str
모델 버전입니다. 이 값은 미세 조정된 sam3 모델에 대해서만 변경하면 됩니다..
✅
class_names
Optional[List[str], str]
인식할 클래스 목록.
✅
confidence
float
예측된 마스크의 최소 신뢰도 임계값.
✅
per_class_confidence
List[float]
클래스별 신뢰도 임계값 목록입니다( class_names 길이와 일치해야 합니다).
✅
apply_nms
bool
프롬프트 전반에 비최대 억제를 적용할지 여부.
✅
nms_iou_threshold
float
교차 프롬프트 NMS의 IoU 임계값입니다. [0.0, 1.0] 범위여야 합니다.
✅
이 참조 열은 워크플로우 런타임에서 사용 가능한 동적 값으로 속성을 매개변수화할 수 있는 가능성을 나타냅니다 워크플로우 런타임입니다. 자세한 내용은 바인딩 을 참조하세요.
런타임 호환성
하드 - 런타임 self_hosted_cpu; 실행 로컬 : GPU가 필요합니다; run_locally()는 CUDA가 필요한 모델을 로드합니다.
입력 및 출력 바인딩
사용 가능한 연결은 바인딩 유형에 따라 달라집니다. 어떤 바인딩 유형인지 확인하세요 SAM 3 버전 v2 을 가지고 있는지.
입력 및 출력 바인딩
입력
이미지(이미지): 추론할 이미지입니다..model_id(roboflow_model_id): 모델 버전입니다. 이 값은 미세 조정된 sam3 모델에 대해서만 변경하면 됩니다..class_names(Union[list_of_values,string]): 인식할 클래스 목록.confidence(float): 예측된 마스크의 최소 신뢰도 임계값.per_class_confidence(list_of_values): 클래스별 신뢰도 임계값 목록입니다( class_names 길이와 일치해야 합니다).apply_nms(boolean): 프롬프트 전반에 비최대 억제를 적용할지 여부.nms_iou_threshold(float): 교차 프롬프트 NMS의 IoU 임계값입니다. [0.0, 1.0] 범위여야 합니다.
출력
예측(instance_segmentation_prediction): 감지된 바운딩 박스와 sv.Detections(...) 객체 형식의 세분화 마스크가 포함된 예측.
v1
제로샷 인스턴스 세그멘테이션 모델인 Segment Anything 3를 이미지에 실행합니다.
다른 모델의 박스/예측을 프롬프트로 전달하거나, 열린 어휘 세그멘테이션에 텍스트 프롬프트를 사용할 수 있습니다. 다른 모델의 박스 탐지를 전달하면, 박스의 클래스 이름이 예측된 마스크로 전달됩니다.
유형 식별자
단계에서 다음 식별자를 사용하세요 "type" 필드: roboflow_core/sam3@v1 워크플로우에 이 블록을 단계로 추가하려면.
속성
이름
유형
설명
참조
name
str
이 단계에 대한 고유 식별자를 입력하세요..
❌
model_id
str
모델 버전입니다. 이 값은 미세 조정된 sam3 모델에 대해서만 변경하면 됩니다..
✅
class_names
Optional[List[str], str]
인식할 클래스 목록.
✅
임계값
float
예측된 마스크 점수의 임계값.
✅
이 참조 열은 워크플로우 런타임에서 사용 가능한 동적 값으로 속성을 매개변수화할 수 있는 가능성을 나타냅니다 워크플로우 런타임입니다. 자세한 내용은 바인딩 을 참조하세요.
런타임 호환성
하드 - 런타임 self_hosted_cpu; 실행 로컬 : GPU가 필요합니다; run_locally()는 CUDA가 필요한 모델을 로드합니다.
입력 및 출력 바인딩
사용 가능한 연결은 바인딩 유형에 따라 달라집니다. 어떤 바인딩 유형인지 확인하세요 SAM 3 버전 v1 을 가지고 있는지.
입력 및 출력 바인딩
입력
이미지(이미지): 추론할 이미지입니다..model_id(roboflow_model_id): 모델 버전입니다. 이 값은 미세 조정된 sam3 모델에 대해서만 변경하면 됩니다..class_names(Union[list_of_values,string]): 인식할 클래스 목록.임계값(float): 예측된 마스크 점수의 임계값.
출력
예측(instance_segmentation_prediction): 감지된 바운딩 박스와 sv.Detections(...) 객체 형식의 세분화 마스크가 포함된 예측.
마지막 업데이트
도움이 되었나요?