本地运行Segment Anything

### 如何在本地环境部署 Segment Anything 模型 #### 准备工作 为了成功地在 Windows 11 上部署 Segment Anything (SAM)，需要先准备好 Python 和 PyTorch 的开发环境。确保已安装适合当前系统的 CUDA 版本，可以通过 `nvidia-smi` 命令来查看本地的 CUDA 版本[^3]。 #### 安装Python和PyTorch环境 进入 [PyTorch官方网站](https://pytorch.org/get-started/locally/) 并依据个人计算机的具体配置选取合适的安装指令完成 PyTorch 的安装。如果使用的是 CUDA 11.7，则应按照该网站给出的对应命令执行安装操作。 #### 获取并设置 SAM 库及相关资源 访问 GitHub 上由 luca-medeiros 维护的仓库 [lang-segment-anything](https://github.com/luca-medeiros/lang-segment-anything)[^2] ，克隆此项目至本地机器上。考虑到在线获取预训练模型可能会遇到速度缓慢甚至失败的情况，推荐提前手动下载好所需的各种模型文件（如 SAM、GroundingDINO 及其依赖项 bert-base-uncased），并将它们保存于指定路径下以便后续调用。 #### 配置 Jupyter Notebook 环境 为了让实验更加便捷直观，可考虑搭建一个基于 Jupyter Notebook 或 Lab 的交互式编程平台来进行探索性的数据分析与可视化展示。这一步骤并非强制要求，但对于初学者来说会非常有帮助[^1]。 #### 放置 Model Checkpoints 文件 将之前准备好的模型权重文件放置在一个易于管理的位置，并记录下确切位置用于之后加载模型时提供给脚本作为参数输入。例如，假设已经把 checkpoint 存储到了 D:\models\sam_vit_h_4b8939.pth 中，则需记住这个地址以供下一步骤使用[^5]。 #### 测试验证 最后通过运行如下所示的一段简单的 Python 脚本来检验整个流程是否正常运作： ```python import sys sys.path.append('path_to_lang_segment_anything') from segment_anything import sam_model_registry, SamAutomaticMaskGenerator, SamPredictor import torch device = 'cuda' if torch.cuda.is_available() else 'cpu' sam_checkpoint = "D:/models/sam_vit_h_4b8939.pth" model_type = "vit_h" sam = sam_model_registry[model_type](checkpoint=sam_checkpoint).to(device=device) mask_generator = SamAutomaticMaskGenerator(sam) predictor = SamPredictor(sam) print("Model loaded successfully.") ``` 上述代码片段展示了如何导入必要的库函数以及初始化 SAM 实例的过程；其中特别注意要调整 `sys.path.append()` 方法内的字符串为实际存放 lang-segment-anything 工程目录所在之处，同时也要更新变量 `sam_checkpoint` 所指向的确切路径。