关于深度学习:Segment-Anything-C封装库

1次阅读

共计 1665 个字符,预计需要花费 5 分钟才能阅读完成。

代码地址:https://github.com/dinglufe/segment-anything-cpp-wrapper

为 Segment Anything 和 MobileSAM 创立了一个纯 C ++ 推理 API,运行时不依赖 Python。

视频演示

示例程序用法:

在发布页面下载压缩文件,解压缩后间接运行 sam_cpp_test 或在命令行中运行:

# 显示帮忙
./sam_cpp_test -h

# 示例(更改设施,预处理应用 CPU,SAM 应用 CUDA)# 如果有多个 GPU,能够应用 CUDA:1、CUDA:2 等等。# 也反对全副在 CPU 或全副在 CUDA 运行
./sam_cpp_test -pre_device="cpu" -sam_device="cuda:0"

# 示例(默认选项)./sam_cpp_test -pre_model="models/sam_preprocess.onnx" -sam_model="models/sam_vit_h_4b8939.onnx" -image="images/input.jpg"

# 示例(应用 MobileSAM)./sam_cpp_test -pre_model="models/mobile_sam_preprocess.onnx" -sam_model="models/mobile_sam.onnx"

# 示例(更改图片)./sam_cpp_test -image="images/input2.jpg"

C++ 库 – sam_cpp_lib

简略示例:

Sam::Parameter param("sam_preprocess.onnx", "sam_vit_h_4b8939.onnx", std::thread::hardware_concurrency());
param.providers[0].deviceType = 0; // 预处理应用 CPU
param.providers[1].deviceType = 1; // SAM 应用 CUDA
Sam sam(param);

// 应用 MobileSAM
Sam::Parameter param("mobile_sam_preprocess.onnx", "mobile_sam.onnx", std::thread::hardware_concurrency());

auto inputSize = sam.getInputSize();
cv::Mat image = cv::imread("input.jpg", -1);
cv::resize(image, image, inputSize);
sam.loadImage(image); // 如果应用 CPU,将须要 6GB 内存,如果应用 CUDA,将须要 16GB 内存

// 应用带有提醒的 SAM(输出:x、y 坐标)cv::Mat mask = sam.getMask({200, 300});
cv::imwrite("output.png", mask);

// 应用带有多个提醒的 SAM(输出:points、negativePoints)cv::Mat mask = sam.getMask(points, negativePoints); // 如果应用 CPU,将须要 1GB 内存 / 显存
cv::imwrite("output-multi.png", mask);

// 应用带有框提醒的 SAM(输出:points、negativePoints、box)// points 和 negativePoints 能够为空(应用 {} 作为参数)cv::Rect box{444, 296, 171, 397};
cv::Mat mask = sam.getMask(points, negativePoints, box);
cv::imwrite("output-box.png", mask);

// 主动生成掩码(输出:每边的点数)// 因为在 CPU 上运行,速度较慢,而且后果不如官网演示好
cv::Mat maskAuto = sam.autoSegment({10, 10});
cv::imwrite("output-auto.png", maskAuto);
正文完
 0