交互式分割
通过点、框或已有掩码作为提示，模型返回该提示对应的目标掩码。提示可以叠加，用来表达「选这个、排除那个」，适合处理相邻或重叠的物体。
价格官网未标价
平台—
归类内容检测与去 AI 味
收录2026-10-11
复核2026-10-11
编辑评分
4.3 / 5
★★★★☆
SAM 2编辑总结
SAM 2 是 Meta 推出的分割模型，把「点哪分哪」的能力从单张图片扩展到连续视频。给它一个提示——点、框或掩码——它就能在整段视频里持续追踪并分割同一目标，无需为每一帧重复标注。它主打通用性与交互式分割，适合做视频后期、数据标注和视觉研究的人用来省掉逐帧抠图。局限在于它本质是分割工具，不负责识别目标是什么，输出结果仍需要人工检查边缘与遮挡场景。
SAM 2是什么？
SAM 2 是 Meta 发布的分割模型，全称 Segment Anything Model 2。它的定位是通用对象分割：用户给出提示，模型返回对应的目标掩码。与前代只能处理静态图片不同，它把视频作为一等公民，能在时间维度上保持目标的一致性。
它的工作方式是交互式的。用户在第一帧点一下目标，模型给出分割结果，随后在后续帧里自动跟随该目标；如果中途跟丢，可以补一个提示把它拉回来。这种「提示—反馈—修正」的循环，让它在处理长视频时比一次性自动分割更可控。
对不同人来说用法不同。剪辑和特效人员用它快速抠出人物或物体做替换；做视觉数据标注的团队用它生成初始掩码再人工修边；研究人员把它当作可微调的基座，接到自己的检测或追踪流程里。
SAM 2核心功能
视频目标追踪
在第一帧指定目标后，模型会在后续帧中持续输出该目标的分割结果，保持跨帧一致性。目标被短暂遮挡后重新出现时，仍有机会继续跟随。
记忆机制
模型维护关于目标的历史信息，用之前帧的线索来推断当前帧的目标位置与形状。这让它不必把每一帧都当成孤立图片重新分割。
图像与视频统一
同一套模型同时处理静态图片和视频。视频可以看作一串帧，图片可以看作长度为单帧的视频，因此两类任务的接口和提示方式保持一致。
零样本泛化
模型在没有专门训练过的物体类别和场景上也能给出分割结果，不要求用户先准备该类别的标注数据。这意味着它不绑定某几个固定类别。
可微调基座
提供模型权重与训练代码，研究者可以在自己的数据上微调，接入已有的检测、追踪或编辑管线，而不是只能通过网页界面使用固定功能。
掩码输出
输出的是逐像素的目标掩码，可直接用于抠像、背景替换、区域统计等下游任务。掩码质量依赖提示的准确度，边缘细碎处通常还需要人工修整。
SAM 2使用建议
入门先把路子走对
- 从单帧开始点先在视频首帧或目标最清晰的一帧上给提示，确认掩码正确后再让它往后扩散。首帧选得好，后面跟丢的概率明显更低。
- 用框定大致范围目标较大或与背景颜色接近时，先用包围框圈出大致区域，再用点补正。单靠一个点容易把相邻物体一起框进来。
- 跟丢就补提示发现某一帧掩码跑偏时，不要直接从头重来。在跑偏的那一帧上重新点一下目标，往往就能把轨迹拉回去。
进阶省时间也省钱
- 分段处理长视频长镜头里目标会反复遮挡、出画再入画。与其一口气跑完，不如在场景切换处切段，每段单独给提示，结果更稳。
- 用负点排除干扰当模型把不该选的东西也分进来时，在那个区域加一个负向提示。正负提示配合比反复调整正向点更省时间。
- 先低分辨率试跑正式处理前用缩小的版本快速跑一遍，确认提示策略和追踪效果没问题，再对原分辨率重跑，避免在大素材上反复试错。
- 掩码交给下游前先筛视频里总会有几帧掩码质量下降。把结果按帧过一遍，挑出明显异常的帧重跑，比直接把整段导出再返工更省事。
SAM 2适合谁用？
视频剪辑与后期
推荐需要在一段镜头里把人或物抠出来做替换、加特效。交互式提示比逐帧钢笔工具快，但遮挡和半透明边缘仍要手动收尾。
视觉数据标注团队
推荐用它生成初始掩码，再让标注员修边和分类。能把纯手工勾轮廓的工作量压下来，适合做分割数据集的预标注环节。
计算机视觉研究者
推荐把它当作可微调的基座，接到自己的检测、追踪或视频理解流程里，用来验证提示式分割在新场景下的表现。
只想一键成片的内容创作者
有条件模型输出的是掩码而不是成品视频，抠像之后还要自己做合成、调色和导出。期待点一下直接出成片的人会失望。
需要商用授权的企业
有条件把模型权重和训练代码用于商业产品前，要先确认许可条款是否覆盖自己的用法。许可范围与商用限制需查官方说明。
追求毫秒级实时推理的端侧应用
不推荐视频分割的逐帧计算量偏大，在算力受限的移动设备或嵌入式环境里直接跑，帧率和功耗往往达不到实时要求。
SAM 2优点和缺点
优点
- 提示式交互，点一下即可得到目标掩码，不必训练专用模型
- 把分割从单张图片扩展到视频，跨帧保持同一目标的形状一致
- 图片和视频共用一套模型与接口，两类任务不必换工具
- 对未训练过的物体类别也能给出结果，通用性覆盖多种场景
- 提供权重与训练代码，可微调后接入自有视觉管线
- 目标被短暂遮挡后重新出现，仍有较大概率继续跟随
缺点
- 不识别目标是什么，只负责分割，语义判断要另接模型
- 遮挡、快速运动和半透明边缘处掩码容易断裂，需要人工修帧
- 逐帧计算量大，端侧或低算力环境难以实时运行
- 官方未公开面向普通用户的成品编辑界面与免费额度
- 用于商业产品前需自行核对许可条款，官网未说明授权范围
SAM 2常见问题
SAM 2 和第一代 SAM 的区别在哪？＋
最大的区别是视频。第一代只处理单张图片，每换一帧就要重新给提示；SAM 2 引入记忆机制，在首帧指定目标后能沿着时间轴持续输出该目标的分割结果，图片任务则继续沿用同一套提示方式。
它能直接告诉我画面里的是什么物体吗？＋
不能。SAM 2 做的是分割，输出逐像素的目标掩码，回答的是「这块像素属于哪个目标」，而不是「这个目标是什么」。要知道类别，需要把掩码交给分类或检测模型，或者由人来判断。
我不会写代码，能用它剪视频吗？＋
它的核心形态是模型与代码，不是成品剪辑软件。要用它抠像，通常得通过研究者封装好的演示界面，或者把它接入自己的后期流程。只想一键出片的话，它本身不提供这个环节。
视频里目标被挡住了，它跟得住吗？＋
短暂遮挡后重新出现，模型有机会继续跟着同一目标，这是记忆机制的作用。但遮挡时间较长、目标出画再入画或场景切换时，轨迹容易断，需要在断点那一帧重新给提示把它接回来。
分割出来的结果能直接用吗，还是要修？＋
多数情况下可以直接用作初始结果，再人工过一遍。头发丝、透明物体边缘、快速运动造成的拖影这些位置，掩码通常会不干净，逐帧检查并挑出问题帧重跑，比直接导出更省返工时间。
跑它需要什么硬件？＋
逐帧分割对算力有要求，视频越长、分辨率越高，处理时间和显存占用越大。在服务器或带独立显卡的工作站上跑比较现实；想放到手机等端侧设备上做实时处理，通常需要额外的压缩或蒸馏，直接跑很难达到实时帧率。
能用在商业项目里吗？＋
需要以官方许可条款为准。它公开了模型权重与训练代码，但把结果用于商业产品或对外服务前，要自己确认许可是否覆盖该用法。涉及接单或产品集成时应先查清楚。
SAM 2竞品对比
| 工具 | 编辑评分 | 价格 | 核心功能 | 平台 |
|---|---|---|---|---|
| SAM 2本工具 | 4.3 | 未标价 | 交互式分割；视频目标追踪；记忆机制；图像与视频统一 | — |
| SA-V Dataset | — | 未标价 | 用于训练通用目标分割模型的视频数据集 | — |
| Open-Vocabulary SAM | — | 未标价 | 交互式分割和识别模型 | — |
| GLEE | — | 未标价 | 图片和视频的通用对象基础模型 | — |
| SAM-Graph | — | 未标价 | 3D 实例分割的创新方法 | — |
| Scriptmine | — | Starter 档 $9/月，可免费开始，无需信用卡 | 将 Reddit 实时对话转化为即拍即用的短视频脚本，专为内容创作者设计 | Web |
