详细内容或原文请订阅后点击阅览
FastSAM用于图像分割任务 - 简单地说明
图像分割是计算机视觉中的一项流行任务，其目的是将输入映像划分为多个区域，每个区域代表一个单独的对象。过去的几种经典方法涉及采用模型骨干（例如U-NET）并在专用数据集上进行微调。虽然微调效果很好，但GPT-2和[…]图像分割任务的FastSAM的出现 - 首先出现在数据科学上。
来源:走向数据科学分割是计算机视觉中的一项流行任务，其目的是将输入映像划分为多个区域，每个区域代表一个单独的对象。
分割过去的几种经典方法涉及采用模型主链（例如U-NET）并在专用数据集上进行微调。虽然微调效果很好，但GPT-2和GPT-3的出现促使机器学习社区逐渐将注意力转向开发零摄像的学习解决方案。
零射击学习是指模型执行任务的能力，而无需明确收到任何培训示例。
零拍的概念通过允许跳过微调阶段来发挥重要作用，并希望该模型足够聪明，可以在旅途中解决任何任务。
在计算机视觉的背景下，Meta在2023年发布了广为人知的通用“任何模型”（SAM），这使得以零拍的方式以体面的质量执行分段任务。
段的任何模型虽然SAM的大规模结果令人印象深刻，但几个月后，中国科学院的图像与视频分析（CASIA IVA）组发布了FastSAM模型。正如形容词的“快速”所建议的那样，FastSAM通过将推理过程加速高达50次，同时保持高分段质量，从而解决了SAM的速度限制。
在本文中，我们将探索快速SAM体系结构，可能的推理选项，并与标准SAM模型相比，研究它使其“快速”的原因。此外，我们将研究一个代码示例，以帮助巩固我们的理解。
作为先决条件，强烈建议您熟悉计算机视觉，Yolo模型的基础知识，并了解细分任务的目标。
架构
FastSAM中的推理过程分为两个步骤：
原型分支。