关于深度学习:Segment-Anything-C封装库

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);