sam大模型本地部署

### SAM 大模型本地部署指南 #### 创建并配置 Python 虚拟环境 为了确保依赖项管理得当以及避免与其他项目冲突，建议创建一个新的 Conda 环境来安装必要的软件包。通过 Anaconda Prompt 执行以下命令可以完成此操作： ```bash conda create -n sam_env python=3.8 conda activate sam_env ``` 这会建立名为 `sam_env` 的新环境，并将其激活以便后续安装所需的库文件[^4]。 #### 安装所需依赖库 进入已激活的 conda 环境后，需下载并安装 PyTorch 及其对应的 CUDA 版本（如果硬件支持的话），以及其他辅助工具如 OpenCV 和 NumPy。具体版本的选择取决于个人需求和计算资源情况。可以通过 pip 或者 conda 来获取这些库: ```bash pip install torch torchvision torchaudio --extra-index-url https://download.pytorch.org/whl/cu113 pip install opencv-python numpy matplotlib scikit-image ``` 上述指令假设使用的是带有 cuDNN 加速功能的 NVIDIA GPU；如果不具备此类设备，则应移除 URL 参数以获得 CPU-only 的 PyTorch 发行版。 #### 下载预训练好的 SAM 模型权重 访问官方 GitHub 页面或其他可信来源处找到最新发布的 SAM 模型参数文件链接。通常情况下，这类资料会被打包成 .pth 文件形式提供给开发者们用于测试目的。将该文件保存到指定目录下准备下一步调用[^3]。 #### 修改代码逻辑使程序可以从本地读取模型数据 为了让应用程序能够在启动时不依赖网络连接而直接加载离线存储于硬盘上的模型实例，在源码里适当位置加入相应路径设置语句即可达成目标。例如修改初始化函数部分使之指向先前所提到的那个.pth文件所在的位置: ```python import torch from segment_anything import SamPredictor, sam_model_registry device = "cuda" if torch.cuda.is_available() else "cpu" model_type = "vit_h" checkpoint_path = "./models/sam_vit_h_4b8939.pth" # 替换成实际存放地址 sam = sam_model_registry[model_type](checkpoint=checkpoint_path).to(device=device) predictor = SamPredictor(sam) ``` 以上脚本片段展示了怎样定义一个预测器对象(predictor)，并通过传递自定义检查点(checkpoint)的方式让其关联至特定版本的大规模多模态分割算法框架——即 SAM v2[^1]。 #### 验证部署成果 最后一步就是编写简单的测试案例验证整个流程是否顺畅无误。比如选取一张图片作为输入传入 predict 函数内观察输出结果是否符合预期效果。这里给出一段简易示例供参考： ```python image = cv2.imread('input_image.jpg') predictor.set_image(image) masks, _, _ = predictor.predict( point_coords=None, point_labels=None, box=None, multimask_output=True, ) for i, mask in enumerate(masks): plt.figure(figsize=(10,10)) plt.imshow(mask) plt.axis('off') plt.savefig(f'output_mask_{i}.png', bbox_inches='tight', pad_inches=0) ``` 这段代码将会处理选定图像并生成多个可能的对象掩膜图层，最终分别保存为 PNG 文件格式存放在当前工作区中等待进一步分析或应用开发。