SA-1B数据集的1/50进行训练现有的实例分割方法

导读

SAM已经成为许多高级任务（如图像分割、图像描述和图像编辑）的基础步骤。然而，其巨大的计算开销限制了其在工业场景中的广泛应用。这种计算开销主要来自于处理高分辨率输入的Transformer架构。因此，本文提出了一种具有可比性能的加速替代方法。通过将该任务重新定义为分割生成和提示，作者发现一个常规的CNN检测器结合实例分割分支也可以很好地完成这个任务。具体而言，本文将该任务转换为经过广泛研究的实例分割任务，并仅使用SAM作者发布的SA-1B数据集的1/50进行训练现有的实例分割方法。使用这种方法，作者在50倍更快的运行时间速度下实现了与SAM方法相当的性能。本文提供了充分的实验结果来证明其有效性。

引言

SAM被认为是里程碑式的视觉基础模型，它可以通过各种用户交互提示来引导图像中的任何对象的分割。SAM利用在广泛的SA-1B数据集上训练的Transformer模型，使其能够熟练处理各种场景和对象。SAM开创了一个令人兴奋的新任务，即Segment Anything。由于其通用性和潜力，这个任务具备成为未来广泛视觉任务基石的所有要素。然而，尽管SAM及其后续模型在处理segment anything任务方面展示了令人期待的结果，但其实际应用仍然具有挑战性。显而易见的问题是与SAM架构的主要部分Transformer（ViT）模型相关的大量计算资源需求。与卷积模型相比，ViT以其庞大的计算资源需求脱颖而出，这对于其实际部署，特别是在实时应用中构成了障碍。这个限制因此阻碍了segment anything任务的进展和潜力。

鉴于工业应用对segment anything模型的高需求，本文设计了一个实时解决方案，称为FastSAM，用于segment anything任务。本文将segment anything任务分解为两个连续的阶段，即全实例分割和提示引导选择。第一阶段依赖于基于卷积神经网络（CNN）的检测器的实现。它生成图像中所有实例的分割掩码。然后在第二阶段，它输出与提示相对应的感兴趣区域。通过利用CNN的计算效率，本文证明了在不太损失性能质量的情况下，可以实现实时的segment anything模型。本文希望所提出的方法能够促进对segment anything基础任务的工业应用。

图1. FastSAM和SAM的性能比较分析

(a) FastSAM和SAM在单个NVIDIA GeForce RTX 3090上的速度比较。(b) 在BSDS500数据集[1, 28]上进行边缘检测的比较。(c) COCO数据集[25]上对象提议的Box AR@1000评估中FastSAM和SAM的比较。SAM和FastSAM都使用PyTorch进行推理，只有FastSAM(TRT)使用TensorRT进行推理。

本文提出的FastSAM基于YOLACT方法的实例分割分支的目标检测器YOLOv8-seg。此外，还采用了由SAM发布的广泛SA-1B数据集，通过仅在SA-1B数据集的2%（1/50）上直接训练该CNN检测器，它实现了与SAM相当的性能，但大大降低了计算和资源需求，从而实现了实时应用。本文还将其应用于多个下游分割任务，展示了其泛化性能。在MS COCO 上的对象提议任务中，该方法在AR1000上达到了63.7，比使用32×32点提示输入的SAM高1.2点，但在单个NVIDIA RTX 3090上运行速度提高了50倍。

实时的segment anything模型对于工业应用非常有价值。它可以应用于许多场景。所提出的方法不仅为大量视觉任务提供了新的实用解决方案，而且速度非常快，比当前方法快几十倍或几百倍。此外，它还为通用视觉任务的大型模型架构提供了新的视角。对于特定任务来说，特定的模型仍然可以利用优势来获得更好的效率-准确性平衡。

在模型压缩的角度上，本文方法通过引入人工先验结构，展示了显著减少计算量的可行路径。本文贡献可总结如下：

引入了一种新颖的实时基于CNN的Segment Anything任务解决方案，显著降低了计算需求同时保持竞争性能。

本研究首次提出了将CNN检测器应用于segment anything任务，并提供了在复杂视觉任务中轻量级CNN模型潜力的见解。

通过在多个基准测试上对所提出的方法和SAM进行比较评估，揭示了该方法在segment anything领域的优势和劣势。

方法

下图2展示了FastSAM网络架构图。该方法包括两个阶段，即全实例分割和提示引导选择。前一个阶段是基础阶段，第二个阶段本质上是面向任务的后处理。与端到端的Transformer方法不同，整体方法引入了许多与视觉分割任务相匹配的人类先验知识，例如卷积的局部连接和感受野相关的对象分配策略。这使得它针对视觉分割任务进行了定制，并且可以在较少的参数数量下更快地收敛。

图2. FastSAM网络架构图

FastSAM包含两个阶段：全实例分割（AIS）和提示引导选择（PGS）。先使用YOLOv8-seg 对图像中的所有对象或区域进行分割。然后使用各种提示来识别感兴趣的特定对象。主要涉及点提示、框提示和文本提示的利用。

实例分割

YOLOv8 的架构是基于其前身YOLOv5 发展而来的，融合了最近算法（如YOLOX 、YOLOv6 和YOLOv7 ）的关键设计。YOLOv8的主干网络和特征融合模块（neck module）将YOLOv5的C3模块替换为C2f模块。更新后的头部模块采用解耦结构，将分类和检测分开，并从基于Anchor的方法转向了基于Anchor-Free的方法。

YOLOv8-seg应用了YOLACT的实例分割原理。它通过主干网络和特征金字塔网络（Feature Pyramid Network, FPN）从图像中提取特征，集成了不同尺度的特征。输出包括检测分支和分割分支。检测分支输出目标的类别和边界框，而分割分支输出k个原型（在FastSAM中默认为32个）以及k个掩码系数。分割和检测任务并行计算。分割分支输入高分辨率特征图，保留空间细节，并包含语义信息。该特征图经过卷积层处理，上采样，然后通过另外两个卷积层输出掩码。与检测头部的分类分支类似，掩码系数的范围在-1到1之间。通过将掩码系数与原型相乘并求和，得到实例分割结果。

YOLOv8可以用于各种目标检测任务。而通过实例分割分支，YOLOv8-Seg非常适用于segment anything任务，该任务旨在准确检测和分割图像中的每个对象或区域，而不考虑对象的类别。原型和掩码系数为提示引导提供了很多可扩展性。例如，可以额外训练一个简单的提示编码器和解码器结构，以各种提示和图像特征嵌入作为输入，掩码系数作为输出。在FastSAM中，本文直接使用YOLOv8-seg方法进行全实例分割阶段。

提示引导选择

在使用YOLOv8成功地对图像中的所有对象或区域进行分割后，segment anything 任务的第二阶段是利用各种提示来识别感兴趣的特定对象。这主要涉及到点提示、框提示和文本提示的利用。

点提示

点提示的目标是将所选点与第一阶段获得的各种掩码进行匹配，以确定点所在的掩码。类似于SAM在方法中采用前景/背景点作为提示。在前景点位于多个掩码中的情况下，可以利用背景点来筛选出与当前任务无关的掩码。通过使用一组前景/背景点，我们能够选择感兴趣区域内的多个掩码。这些掩码将被合并为一个单独的掩码，完整标记出感兴趣的对象。此外，还可以利用形态学操作来提高掩码合并的性能。

框提示

框提示涉及将所选框与第一阶段中对应的边界框进行IoU（交并比）匹配。目标是识别与所选框具有最高IoU得分的掩码，从而选择感兴趣的对象。

文本提示

在文本提示的情况下，我们使用CLIP模型提取文本的相应嵌入。然后，确定与每个掩码的固有特征进行匹配的图像嵌入，并使用相似度度量方法进行匹配。选择与文本提示的图像嵌入具有最高相似度得分的掩码。

通过精心实施这些基于提示的选择技术，FastSAM可以可靠地从分割图像中选择特定的感兴趣对象。上述方法为在实时情况下完成segment anything任务提供了高效的方式，从而极大地增强了YOLOv8模型在复杂图像分割任务中的实用性。对于更有效的基于提示的选择技术，将留待未来探索。

实验结果

SAM和FastSAM在单个NVIDIA GeForce RTX 3090 GPU上的运行速度对比。可以看出，FastSAM在所有提示数量上超过了SAM。此外，FastSAM的运行速度与提示数量无关，使其成为"Everything mode"的更好选择。

FastSAM分割结果

边缘检测zero-shot能力评估-量化指标评估

边缘检测zero-shot能力评估-可视化结果评估

在COCO的所有类别上与无需学习的方法进行比较。此处报告了无需学习的方法、基于深度学习的方法（在VOC上进行训练）以及本文方法与SAM方法在所有泛化上的平均召回率（AR）和AUC对比结果。

与OLN和SAM-H的比较

在异常检测中的应用，其中SAM-point/box/everything分别表示使用点提示、框提示和全部模式。

在显著性分割中的应用，其中SAM-point/box/everything分别表示使用点提示、框提示和全部模式。

在建筑物提取中的应用，其中SAM-point/box/everything分别表示使用点提示、框提示和全部模式。

相比SAM，FastSAM在大对象的狭窄区域上可以生成更精细的分割掩码。

Limitations

总体而言，FastSAM在性能上与SAM相当，并且比SAM (32×32) 快50倍，比SAM (64×64) 快170倍。其运行速度使其成为工业应用的良好选择，如道路障碍检测、视频实例跟踪和图像处理。在一些图像上，FastSAM甚至能够为大尺寸对象生成更好的掩码。

图11

然而，正如实验中所展示的，FastSAM在生成框上具有明显的优势，但其掩码生成性能低于SAM，如上图11所示。FastSAM具有以下特点：

低质量的小尺寸分割掩码具有较高的置信度分数。作者认为这是因为置信度分数被定义为YOLOv8的边界框分数，与掩码质量关系不大。改变网络以预测掩码的IoU或其它质量指标是改进的一种方式。

一些微小尺寸对象的掩码倾向于接近正方形。此外，大尺寸对象的掩码可能在边界框的边缘出现一些伪影，这是YOLACT方法的弱点。通过增强掩码原型的能力或重新设计掩码生成器，可以预期解决这个问题。

结论

在本文中，我们重新思考了Segment Anything的任务和模型架构选择，并提出了一种替代方案，其运行速度比SAM-ViT-H (32×32)快50倍。实验证明，FastSAM可以很好地解决多个下游任务。然而，FastSAM还存在一些可以改进的弱点，例如评分机制和实例掩码生成范式。这些问题将留待未来的研究解决。