SAM 3: 基于概念的图像分割

SAM 3 (Segment Anything Model 3) 是 Meta 发布的用于 可提示概念分割 (PCS) 的基础模型。SAM 3 在 SAM 2 的基础上，引入了一项全新的基础能力：检测、分割并跟踪文本提示或图像范例中指定的视觉概念的所有实例。与以往每个提示仅分割单个对象的 SAM 版本不同，SAM 3 可以查找并分割图像或视频中出现的每一个概念实例，这与现代 实例分割 中的开放词汇目标保持一致。

SAM 3 现已完全集成到 ultralytics 软件包中，为基于文本提示、图像范例提示和视频跟踪功能的概念分割提供原生支持。

概述

在可提示概念分割任务中，SAM 3 相比现有系统实现了 2 倍的性能提升，同时保持并改进了 SAM 2 的交互式 视觉分割 能力。该模型在开放词汇分割方面表现出色，允许你使用简单的名词短语（例如“黄色校车”、“条纹猫”）或提供目标对象的示例图像来指定概念。这些能力可以很好地补充依赖于简化 预测 和 跟踪 工作流的生产环境流水线。

什么是可提示概念分割 (PCS)？

PCS 任务以 概念提示 作为输入，并返回具有唯一标识的 所有匹配对象实例 的分割掩码。概念提示可以是：

• 文本：简单的名词短语，如“红苹果”或“戴帽子的男人”，类似于 零样本学习
• 图像范例：围绕示例对象（正向或负向）的边界框，用于实现快速泛化
• 组合：同时使用文本和图像范例，以实现精确控制

这与传统的视觉提示（点、框、掩码）不同，传统方式仅分割单个特定对象实例，正如最初的 SAM 系列 所普及的那样。

关键性能指标

有关生产中模型指标和权衡的背景信息，请参阅 模型评估洞察 和 YOLO 性能指标。

架构

SAM 3 由共享感知编码器 (PE) 视觉骨干网络的 检测器 和 跟踪器 组成。这种解耦设计避免了任务冲突，同时实现了图像级检测和视频级跟踪，并具备与 Ultralytics Python 使用方式 和 CLI 使用方式 兼容的接口。

核心组件

• 检测器：用于图像级概念检测的 基于 DETR 的架构

  • 用于名词短语提示的文本编码器
  • 用于基于图像的提示的范例编码器
  • 用于根据提示调节图像特征的融合编码器
  • 新颖的 存在头 (presence head)，将识别（“是什么”）与定位（“在哪里”）解耦
  • 用于生成实例分割掩码的掩码头

• 跟踪器：继承自 SAM 2 的基于内存的视频分割

  • 提示编码器、掩码解码器、内存编码器
  • 用于在帧间存储对象外观的内存库
  • 在多对象设置中，通过 卡尔曼滤波器 等技术辅助进行时间消歧

• 存在令牌：一个学习到的全局令牌，用于预测目标概念是否存在于图像/帧中，通过将识别与定位分离来提高检测效果。

关键创新

1. 解耦识别与定位：存在头在全局预测概念的存在，而提议查询仅专注于定位，避免了目标冲突。
2. 统一的概念和视觉提示：在单个模型中支持 PCS（概念提示）和 PVS（如 SAM 2 的点击/框等视觉提示）。
3. 交互式范例细化：你可以添加正向或负向图像范例来迭代细化结果，模型会泛化到相似对象，而不仅仅是纠正单个实例。
4. 时间消歧：使用掩码检测分数和周期性重新提示来处理视频中的遮挡、拥挤场景和跟踪失败，这与 实例分割和跟踪 的最佳实践保持一致。

SA-Co 数据集

SAM 3 是在 Segment Anything with Concepts (SA-Co) 上进行训练的，这是 Meta 迄今为止最大、最多样化的分割数据集，超越了 COCO 和 LVIS 等常见基准。

训练数据

基准数据

SA-Co 评估基准 包含跨 12.6 万张图像和视频 的 21.4 万个唯一短语，提供的概念比现有基准多 50 倍以上。它包括：

• SA-Co/Gold：7 个领域，三重标注，用于测量人类性能边界
• SA-Co/Silver：10 个领域，单次人工标注
• SA-Co/Bronze 和 SA-Co/Bio：9 个为概念分割调整的现有数据集
• SA-Co/VEval：包含 3 个领域的视频基准（SA-V、YT-Temporal-1B、SmartGlasses）

数据引擎创新

SAM 3 可扩展的人类与模型结合的数据引擎通过以下方式实现了 2 倍的标注吞吐量：

1. AI 标注器：基于 Llama 的模型提出多样化的名词短语，包括难负样本
2. AI 验证器：微调后的 多模态 LLM 以近乎人类的性能验证掩码的质量和完整性
3. 主动挖掘：将人力集中在 AI 表现不佳的挑战性失败案例上
4. 本体驱动：利用基于 Wikidata 的大型本体来实现概念覆盖

安装

SAM 3 可在 Ultralytics 8.3.237 及更高版本 中使用。请使用以下命令安装或升级：

pip install -U ultralytics

pip uninstall clip -y
pip install git+https://github.com/ultralytics/CLIP.git

如何使用 SAM 3：概念分割的多功能性

SAM 3 通过不同的预测器接口支持可提示概念分割 (PCS) 和可提示视觉分割 (PVS) 任务：

支持的任务和模型

概念分割示例

通过文本提示进行分割

from ultralytics.models.sam import SAM3SemanticPredictor

# Initialize predictor with configuration
overrides = dict(
    conf=0.25,
    task="segment",
    mode="predict",
    model="sam3.pt",
    half=True,  # Use FP16 for faster inference
    save=True,
)
predictor = SAM3SemanticPredictor(overrides=overrides)

# Set image once for multiple queries
predictor.set_image("path/to/image.jpg")

# Query with multiple text prompts
results = predictor(text=["person", "bus", "glasses"])

# Works with descriptive phrases
results = predictor(text=["person with red cloth", "person with blue cloth"])

# Query with a single concept
results = predictor(text=["a person"])

通过图像示例进行分割

from ultralytics.models.sam import SAM3SemanticPredictor

# Initialize predictor
overrides = dict(conf=0.25, task="segment", mode="predict", model="sam3.pt", half=True, save=True)
predictor = SAM3SemanticPredictor(overrides=overrides)

# Set image
predictor.set_image("path/to/image.jpg")

# Provide bounding box examples to segment similar objects
results = predictor(bboxes=[[480.0, 290.0, 590.0, 650.0]])

# Multiple bounding boxes for different concepts
results = predictor(bboxes=[[539, 599, 589, 639], [343, 267, 499, 662]])

基于特征的推理以提升效率

import cv2

from ultralytics.models.sam import SAM3SemanticPredictor
from ultralytics.utils.plotting import Annotator, colors

# Initialize predictors
overrides = dict(conf=0.50, task="segment", mode="predict", model="sam3.pt", verbose=False)
predictor = SAM3SemanticPredictor(overrides=overrides)
predictor2 = SAM3SemanticPredictor(overrides=overrides)

# Extract features from the first predictor
source = "path/to/image.jpg"
predictor.set_image(source)
src_shape = cv2.imread(source).shape[:2]

# Setup second predictor and reuse features
predictor2.setup_model()

# Perform inference using shared features with text prompt
masks, boxes = predictor2.inference_features(predictor.features, src_shape=src_shape, text=["person"])

# Perform inference using shared features with bounding box prompt
masks, boxes = predictor2.inference_features(predictor.features, src_shape=src_shape, bboxes=[[439, 437, 524, 709]])

# Visualize results
if masks is not None:
    masks, boxes = masks.cpu().numpy(), boxes.cpu().numpy()
    im = cv2.imread(source)
    annotator = Annotator(im, pil=False)
    annotator.masks(masks, [colors(x, True) for x in range(len(masks))])

    cv2.imshow("result", annotator.result())
    cv2.waitKey(0)

视频概念分割

通过边界框跨视频跟踪概念

from ultralytics.models.sam import SAM3VideoPredictor

# Create video predictor
overrides = dict(conf=0.25, task="segment", mode="predict", model="sam3.pt", half=True)
predictor = SAM3VideoPredictor(overrides=overrides)

# Track objects using bounding box prompts
results = predictor(source="path/to/video.mp4", bboxes=[[706.5, 442.5, 905.25, 555], [598, 635, 725, 750]], stream=True)

# Process and display results
for r in results:
    r.show()  # Display frame with segmentation masks

通过文本提示跟踪概念

from ultralytics.models.sam import SAM3VideoSemanticPredictor

# Initialize semantic video predictor
overrides = dict(conf=0.25, task="segment", mode="predict", imgsz=640, model="sam3.pt", half=True, save=True)
predictor = SAM3VideoSemanticPredictor(overrides=overrides)

# Track concepts using text prompts
results = predictor(source="path/to/video.mp4", text=["person", "bicycle"], stream=True)

# Process results
for r in results:
    r.show()  # Display frame with tracked objects

# Alternative: Track with bounding box prompts
results = predictor(
    source="path/to/video.mp4",
    bboxes=[[864, 383, 975, 620], [705, 229, 782, 402]],
    labels=[1, 1],  # Positive labels
    stream=True,
)

视觉提示（SAM 2 兼容性）

SAM 3 完全保持与 SAM 2 用于单对象分割的视觉提示的向后兼容性：

from ultralytics import SAM

model = SAM("sam3.pt")

# Single point prompt - segments object at specific location
results = model.predict(source="path/to/image.jpg", points=[900, 370], labels=[1])
results[0].show()

# Multiple points - segments single object with multiple point hints
results = model.predict(source="path/to/image.jpg", points=[[400, 370], [900, 370]], labels=[1, 1])

# Box prompt - segments object within bounding box
results = model.predict(source="path/to/image.jpg", bboxes=[100, 150, 300, 400])
results[0].show()

性能基准测试

图像分割

SAM 3 在多个基准测试中达到了最先进的水平，包括 LVIS 和 COCO for segmentation 等现实世界数据集：

探索 Ultralytics datasets 以获取快速实验的数据集选项。

视频分割性能

在 DAVIS 2017 和 YouTube-VOS 等视频基准测试中，SAM 3 相较于 SAM 2 及之前的最先进技术表现出显著提升：

少样本适应

SAM 3 在仅使用少量示例即可适应新领域方面表现出色，这对于 data-centric AI 工作流非常重要：

交互式优化有效性

SAM 3 使用示例进行的基于概念的提示比视觉提示收敛得更快：

对象计数准确率

SAM 3 通过分割所有实例提供精确计数，这是对象计数中的常见需求：

SAM 3 与 SAM 2 及 YOLO 对比

在此，我们将 SAM 3 的能力与 SAM 2 和 YOLO26 模型进行比较：

速度基准测试在 NVIDIA RTX PRO 6000 上进行，使用 torch==2.9.1 和 ultralytics==8.4.19。

关键要点：

• SAM 3：最适合开放词汇概念分割，通过文本或示例提示查找概念的所有实例
• SAM 2：最适合使用几何提示对图像和视频进行交互式单目标分割
• YOLO26：最适合实时、高速分割，采用无 NMS 的端到端推理，并可导出为多种格式以部署在 GPU、CPU 和边缘设备上

SAM 与 YOLO 的对比

将 SAM 3、SAM 2、SAM、MobileSAM 和 FastSAM 与 Ultralytics YOLO 分割模型（YOLOv8、YOLO11、YOLO26）在大小、参数和 GPU 推理速度方面进行比较：

此对比展示了 SAM 变体与 YOLO 分割模型之间在模型大小和速度上的巨大差异。虽然 SAM 提供了独特的自动分割能力，但 YOLO 模型，尤其是 YOLOv8n-seg、YOLO11n-seg 和 YOLO26n-seg，在体积上明显更小、速度更快，计算效率也更高。

测试在带有 96GB VRAM 的 NVIDIA RTX PRO 6000 上进行，使用 torch==2.9.1 和 ultralytics==8.4.19。重现此测试的方法：

from ultralytics import ASSETS, SAM, YOLO, FastSAM

# Profile SAM3, SAM2-t, SAM2-b, SAM-b, MobileSAM
for file in ["sam_b.pt", "sam2_b.pt", "sam2_t.pt", "mobile_sam.pt", "sam3.pt"]:
    model = SAM(file)
    model.info()
    model(ASSETS)

# Profile FastSAM-s
model = FastSAM("FastSAM-s.pt")
model.info()
model(ASSETS)

# Profile YOLO models
for file_name in ["yolov8n-seg.pt", "yolo11n-seg.pt", "yolo26n-seg.pt"]:
    model = YOLO(file_name)
    model.info()
    model(ASSETS)

评估指标

SAM 3 引入了专为 PCS 任务设计的新指标，补充了诸如 F1 分数、精度 和 召回率 等常用指标。

分类门控 F1 (CGF1)

结合定位和分类的主要指标：

CGF1 = 100 × pmF1 × IL_MCC

说明：

• pmF1（正样本宏 F1）：衡量正样本上的定位质量
• IL_MCC（图像级 Matthews 相关系数）：衡量二分类准确性（“概念是否存在？”）

为何采用这些指标？

传统的 AP 指标无法解释校准情况，使得模型在实践中难以使用。通过仅评估置信度高于 0.5 的预测，SAM 3 的指标强制要求良好的校准，并模拟了交互式 predict 和 track 循环中的实际使用模式。

关键消融实验与洞察

存在性检测头的影响

存在感检测头将识别与定位解耦，带来了显著的改进：

存在感检测头提供了 +5.7 CGF1 的提升 (+9.9%)，主要提升了识别能力 (IL_MCC +6.5%)。

困难负样本的影响

困难负样本对于开放词汇识别至关重要，使 IL_MCC 提升了 54.5% (0.44 → 0.68)。

训练数据缩放

高质量的人工标注比仅使用合成数据或外部数据能带来更大的提升。有关数据质量实践的背景信息，请参阅 数据收集与标注。

应用场景

SAM 3 的概念分割能力实现了新的用例：

• 内容审核：查找媒体库中特定内容类型的所有实例
• 电子商务：在目录图像中分割特定类型的所有产品，支持 自动标注
• 医学影像：识别特定组织类型或异常的所有出现情况
• 自动驾驶系统：按类别追踪交通标志、行人或车辆的所有实例
• 视频分析：计数并追踪所有穿着特定服装或执行特定动作的人员
• 数据集标注：快速标注稀有对象类别的所有实例
• 科学研究：量化并分析符合特定标准的所有样本

SAM 3 Agent：扩展语言推理

SAM 3 可以与多模态大语言模型 (MLLMs) 结合，以处理需要推理的复杂查询，其逻辑类似于 OWLv2 和 T-Rex 等开放词汇系统。

推理任务性能

复杂查询示例

SAM 3 Agent 可以处理需要推理的查询：

• “坐着但手里没有拿着礼品盒的人”
• “离相机最近且没有戴项圈的狗”
• “比人手还大的红色物体”

MLLM 向 SAM 3 提出简单的名词短语查询，分析返回的掩码，并进行迭代直到满意为止。

局限性

虽然 SAM 3 代表了重大的进步，但它仍存在一定的局限性：

• 短语复杂度：最适合简单的名词短语；长指代表达或复杂推理可能需要 MLLM 集成
• 歧义处理：某些概念本质上仍然模糊不清（例如，“小窗户”、“舒适的房间”）
• 计算需求：比 YOLO 等专业检测模型更大且更慢
• 词汇范围：专注于原子级视觉概念；在没有 MLLM 辅助的情况下，组合推理能力有限
• 稀有概念：对于训练数据中未充分表现的极罕见或细粒度概念，性能可能会下降

引用

@inproceedings{sam3_2025,
  title     = {SAM 3: Segment Anything with Concepts},
  author    = {Anonymous authors},
  booktitle = {Submitted to ICLR 2026},
  year      = {2025},
  url       = {https://openreview.net/forum?id=r35clVtGzw},
  note      = {Paper ID: 4183, under double-blind review}
}

常见问题 (FAQ)

SAM 3 是何时发布的？

SAM 3 由 Meta 于 2025 年 11 月 20 日 发布，并已在 8.3.237 版本 (PR #22897) 中完全集成到 Ultralytics 中。目前全面支持 预测模式 和 追踪模式。

SAM 3 是否集成到了 Ultralytics 中？

Yes! SAM 3 is fully integrated into the Ultralytics Python package, including concept segmentation, SAM 2–style visual prompts, and multi-object video tracking. SAM 3 also powers the smart annotation feature on Ultralytics Platform, where you can annotate images with just a few clicks.

什么是可提示概念分割 (PCS)？

PCS 是 SAM 3 中引入的一项新任务，用于分割图像或视频中视觉概念的 所有实例。与针对特定对象实例的传统分割不同，PCS 可以找到类别的每一次出现。例如：

• 文本提示：“黄色校车” → 分割场景中所有的黄色校车
• 图像示例：围绕一只狗的边框 → 分割图像中的所有狗
• 组合：“条纹猫” + 示例边框 → 分割所有符合示例的条纹猫

请参阅关于 目标检测 和 实例分割 的相关背景。

SAM 3 与 SAM 2 有何不同？

SAM 3 保留了与 SAM 2 视觉提示的向后兼容性，同时增加了基于概念的功能。

训练 SAM 3 使用了哪些数据集？

SAM 3 是在 Segment Anything with Concepts (SA-Co) 数据集上训练的：

训练数据：

• 520 万张图像，包含 400 万个唯一名词短语 (SA-Co/HQ) - 高质量人工标注
• 5.25 万个视频，包含 2.48 万个唯一名词短语 (SA-Co/VIDEO)
• 14 亿个合成掩码，涵盖 3800 万个名词短语 (SA-Co/SYN)
• 15 个外部数据集，通过难负样本增强 (SA-Co/EXT)

基准测试数据：

• 21.4 万个唯一概念，涵盖 12.6 万张图像/视频
• 概念数量比现有基准多 50 倍（例如，LVIS 仅有约 4000 个概念）
• 在 SA-Co/Gold 上进行三次标注，用于测量人类表现的上限

这种大规模和多样性使得 SAM 3 在开放词汇概念上具备卓越的零样本泛化能力。

SAM 3 在分割任务上与 YOLO26 相比如何？

SAM 3 和 YOLO26 适用于不同的使用场景：

SAM 3 优势：

• 开放词汇：通过文本提示分割任何概念，无需训练
• 零样本：可立即应用于新类别
• 交互式：基于示例的细化可以泛化到相似对象
• 基于概念：自动查找类别的所有实例
• 准确性：在 LVIS 零样本实例分割上达到 47.0 AP

YOLO26 优势：

• 速度：凭借无 NMS 的端到端设计，推理速度提高几个数量级
• 效率：模型体积缩小 539 倍（6.4MB 对比 3.45GB）
• 资源友好：可在边缘设备和移动设备上运行
• 实时性：为生产环境部署进行了优化

推荐：

• 使用 SAM 3 进行灵活的开放词汇分割，当你需要查找文本或示例描述的任何概念实例时
• 使用 YOLO26 进行高速生产部署，前提是类别在预先已知的情况下
• 使用 SAM 2 进行带有几何提示的交互式单目标分割

SAM 3 能处理复杂的语言查询吗？

SAM 3 专为简单的名词短语设计（例如“红色苹果”、“戴帽子的行人”）。对于需要推理的复杂查询，可以将 SAM 3 与 MLLM 结合作为 SAM 3 Agent 使用：

简单查询（原生 SAM 3）：

• “黄色校车”
• “条纹猫”
• “戴着红帽子的人”

复杂查询（结合 MLLM 的 SAM 3 Agent）：

• “坐着但没有拿着礼盒的人”
• “离相机最近且没有项圈的狗”
• “比人手还大的红色物体”

SAM 3 Agent 通过将 SAM 3 的分割与 MLLM 的推理能力相结合，在 ReasonSeg 验证集上达到了 76.0 gIoU（相比之前的最好成绩 65.0，提升了 16.9%）。

SAM 3 的准确度与人类表现相比如何？

在具有三次人工标注的 SA-Co/Gold 基准测试中：

• 人类下界：74.2 CGF1（最保守的标注者）
• SAM 3 表现：65.0 CGF1
• 成就：达到预估人类下界的 88%
• 人类上界：81.4 CGF1（最宽松的标注者）

SAM 3 在开放词汇概念分割上取得了接近人类水平的强劲表现，差距主要存在于模糊或主观的概念上（例如“小窗户”、“温馨的房间”）。