SAM 2

SAM 2 は、Meta FAIR が 2024 年 7 月に Apache 2.0 でオープンソース公開した、プロンプトで指定できる画像・動画セグメンテーションの基盤モデルです。点をクリックする、ボックスを描く、あるいはマスクを渡すだけで、対象を任意のフレームから切り出し、動画に沿ってフレームごとに追跡します。位置づけは明確にしておきましょう。これは研究モデル＋オープンウェイト＋無料 Demo であり、サブスクリプション型のオンラインツールではありません。

中核となる能力

• 画像と動画の統一：画像を単一フレームの動画として扱うため、画像セグメンテーションは初代 SAM より高精度かつ 6 倍高速
• プロンプトによる精緻化：点・ボックス・マスクのいずれも入力でき、任意のフレームにひと手間加えるだけで追跡結果を修正できる
• 遮蔽判定：occlusion head がそのフレームに対象が存在するかを予測し、対象が再出現した後も追跡を継続できる
• ゼロショット汎化：未見のオブジェクトやシーンでも学習なしで利用可能。論文では 17 のゼロショット動画データセットで評価
• 四段階のモデルサイズ：38.9M から 224.4M パラメータ、A100 上で 91.2 から 39.5 FPS。精度と速度を選べる
• 学習資産が揃う：SA-V データセットを同梱。5.1 万本の動画、64.3 万個の時空間マスク、196 時間の素材

向いている用途 データアノテーションチームの対話型プリラベリング、動画ポストプロダクションでのキアウトと消去、ロボティクス知覚や動画分析のプロトタイプ検証、視覚研究の土台。ハードリアルタイムのライン検査には YOLO-seg を使ってください。本モデルは「このピクセルがどの対象に属するか」に答えるだけで、「これは何か」には答えません。

独自の強み エコシステムが最大の堀です。Hugging Face Transformers がネイティブ対応し、Ultralytics、Roboflow、CVAT、SageMaker も統合済みです。重みも Apache 2.0 の範囲内で、クローズドソースでの商用利用が可能です。後継の SAM 3 は制限の多い独自ライセンスに変わりました。

編集部の評価 公開から二年たっても動画セグメンテーションの既定の出発点であり、GitHub では二万を超えるスター、Hugging Face では月間一万を超えるダウンロードを集めています。ただしデフォルトブランチは 2024 年 12 月以降ほぼ凍結され、新しい機能は SAM 3 に移りました。公式 API はなく、ホスト型推論も提供しないため、GPU は自前で用意する必要があります。手軽に試したいなら無料 Demo（個人の非商用に限定、単一動画は 70 MB 以内）、製品に組み込むなら重みをダウンロードして自前で構築してください。