摘要

我们介绍了Segment Anything Model 2（SAM 2），这是一款旨在解决图像和视频中可提示视觉分割的基础模型。我们构建了一个数据引擎，通过用户交互改进模型和数据，从而收集了迄今为止最大的视频分割数据集。我们的模型采用了具有流式内存的简单变压器架构，用于实时视频处理。基于我们数据集训练的SAM 2在多种任务中表现出强大的性能。在视频分割方面，我们观察到其准确性更高，且所需的用户交互次数仅为先前方法的三分之一。在图像分割方面，我们的模型不仅更加准确，而且速度比Segment Anything Model（SAM）快6倍。我们认为，我们的数据、模型和见解将成为视频分割及相关感知任务的重要里程碑。我们将发布该模型的一个版本、数据集以及一个交互式演示。