SAM 2

SAM 2 是 Meta FAIR 于 2024 年 7 月以 Apache 2.0 开源的可提示图像与视频分割基础模型。点选、框选或给一张掩码，它就把目标从任意帧抠出来并沿视频逐帧追踪。定位要说清：这是研究模型加开源权重加免费 Demo，不是订阅制在线工具。

核心能力

• 图像视频统一：图像视为单帧视频，图像分割比初代 SAM 更准且快 6 倍
• 提示式精修：点、框、掩码皆可输入，任意帧补一笔就能修正追踪结果
• 遮挡判断：occlusion head 预测目标在该帧是否在场，目标重现后可续追
• 零样本泛化：未见过的对象与场景免训练可用，论文在 17 个零样本视频集评测
• 四档规格：38.9M 至 224.4M 参数，A100 上 91.2 至 39.5 FPS，精度与速度自选
• 训练资产齐全：附带 SA-V 数据集，5.1 万条视频、64.3 万个时空掩码、196 小时素材

适用场景 数据标注团队的交互式预标注、视频后期抠像与擦除、机器人感知与视频分析的原型验证、视觉研究底座。硬实时产线检测请用 YOLO-seg；它只回答「这块像素属于哪个目标」，不回答「这是什么」。

独特优势 生态是它最硬的护城河：Hugging Face Transformers 原生支持，Ultralytics、Roboflow、CVAT、SageMaker 均已集成。权重同样在 Apache 2.0 覆盖范围内，可闭源商用；后继 SAM 3 已改用限制更多的自定义许可。

编辑评价 发布两年仍是视频分割的默认起点，GitHub 两万余星、HF 月下载过万，但默认分支自 2024 年 12 月后基本冻结，新能力转向 SAM 3。没有官方 API、不做托管推理，得自备 GPU。想省事用免费 Demo（限个人非商业、单视频 70 MB 以内），做产品就下载权重自建。