安装SAM2的步骤

遥感遥感安装SAM2的步骤ytkz2024-08-122024-09-09最新的SAM2分割大模型（Segment Anything Model 2）是由Meta开发的一个先进的图像和视频分割模型。相比于第一代SAM模型，SAM2在多个方面实现了显著的改进。

下面记录一下我是怎么安装sam的，在这个过程中遇到的问题及解决方案。我已经安装好了conda。

要求系统安装有 Python ≥ 3.10、PyTorch ≥ 2.3.1 和与PyTorch 安装相匹配的torchvision。

步骤下载sam2的文件，要么是git下载，要么在github下载zip

我是直接在github下载的，因为这台电脑没有安装git，也懒得安装。

下载好之后，对这个压缩进行解压，激活项目环境。

使用conda建立一个python版本大于3.10的虚拟环境。sam2要求python版本大于等于3.10.0

不然会报错：

ERROR: Package 'sam-2' requires a different Python: 3.9.19 not in '>=3.10.0'

所以我们建立一个3.11版本的python虚拟环境就好。

conda create --name sam2 python=3.11

完成虚拟环境的搭建后,此时，进入新创建的虚拟环境，运行以下语句：

conda activate sam2

不要关闭这个conda命令行，继续下一步。

安装torch。在命令行输入nvidia-smi

查看你的电脑cuda的版本是什么型号。显示如下：

我的是12.4版本cuda。

然后去torch官网 https://pytorch.org/ 查看我们应该下载哪个版本的torch。

进入官网后，往下拉，如下图

图中显示这条安装torch的语句，

pip3 install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu124

但是，我们一般是在国内，使用国内的镜像源得到更快的下载速度。我们使用华为源提高安装速度。

运行以下语句：

pip3 install torch==2.3.1 torchvision torchaudio --index-url https://download.pytorch.org/whl/cu124 -i https://repo.huaweicloud.com/repository/pypi/simple some-package

测试一下是否成功安装torch。

输入python，进入python环境，再输入import torch

完成torch安装。

在conda命令行，进入你的解压后的Sam2所在的文件夹。格式如下

cd/d 你的解压后的Sam2所在的文件夹

假设我的解压后的Sam2所在的文件夹是D:\code\sam2\segment-anything-2

则这条语句变为：

cd/d D:\code\sam2\segment-anything-2

先输入,防止报错：

set PYTHONUTF8=1

再输入，安装sam2

pip install --no-build-isolation -e .

编写一个python，调用sam2进行图像分割。

import torch

import numpy as np

from PIL import Image

import matplotlib.pyplot as plt

from sam2.build_sam import build_sam2

from sam2.automatic_mask_generator import SAM2AutomaticMaskGenerator

# use bfloat16 for the entire notebook

torch.autocast(device_type="cuda", dtype=torch.bfloat16).__enter__()

if torch.cuda.get_device_properties(0).major >= 8:

# turn on tfloat32 for Ampere GPUs (https://pytorch.org/docs/stable/notes/cuda.html#tensorfloat-32-tf32-on-ampere-devices)

torch.backends.cuda.matmul.allow_tf32 = True

torch.backends.cudnn.allow_tf32 = True

def show_anns(anns, borders=True):

if len(anns) == 0:

return

sorted_anns = sorted(anns, key=(lambda x: x['area']), reverse=True)

ax = plt.gca()

ax.set_autoscale_on(False)

img = np.ones((sorted_anns[0]['segmentation'].shape[0], sorted_anns[0]['segmentation'].shape[1], 4))

img[:,:,3] = 0

for ann in sorted_anns:

m = ann['segmentation']

color_mask = np.concatenate([np.random.random(3), [0.5]])

img[m] = color_mask

if borders:

import cv2

contours, _ = cv2.findContours(m.astype(np.uint8),cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_NONE)

# Try to smooth contours

contours = [cv2.approxPolyDP(contour, epsilon=0.01, closed=True) for contour in contours]

cv2.drawContours(img, contours, -1, (0,0,1,0.4), thickness=1)

ax.imshow(img)

checkpoint = "./checkpoints/sam2_hiera_large.pt"

model_cfg = "sam2_hiera_l.yaml"

sam2 = build_sam2(model_cfg, sam2_checkpoint, device ='cuda', apply_postprocessing=False)

mask_generator = SAM2AutomaticMaskGenerator(sam2)

imagefile = r'1.jpg'

image = Image.open(imagefile)

image = np.array(image.convert("RGB"))

masks = mask_generator.generate(image)

plt.figure(figsize=(20,20))

plt.imshow(image)

show_anns(masks)

plt.axis('off')

plt.show()