【计算机视觉 | 目标检测 | 图像分割】Grounded Segment Anything：Grounding DINO + Segment Anything Model (SAM)介绍

淡淡的烟草味﹌ 2023-10-16 10:54 86阅读 0赞

#### 文章目录 ####

*  一、Preliminary Works
 *  二、Highlighted Projects
 *   *  2.1 Semantic-SAM
     *  2.2 SEEM: Segment Everything Everywhere All at Once
     *  2.3 OpenSeeD
     *  2.4 LLaVA
 *  三、Installation
 *   *  3.1 Install with Docker
     *  3.2 Install without Docker
 *  四、GroundingDINO: Detect Everything with Text Prompt
 *   *  4.1 Download the pretrained weights
     *  4.2 Running the demo
     *  4.3 Running with Python
     *  4.4 Check the annotated image

集成SAM，可以通过文本提示做检测/分割等任务。

![在这里插入图片描述][1c3d0b3e54164bf1bda19d130eda5448.png]  
我们计划通过结合 Grounding DINO 和 Segment Anything 来创建一个非常有趣的演示，旨在通过文本输入检测和分割任何内容！ 并且我们会在此基础上不断完善它，创造出更多有趣的demo。

我们非常愿意帮助大家分享和推广基于Segment-Anything的新项目，更多精彩的demo和作品请查看社区：亮点扩展项目。 您可以提交新问题（带有项目标签）或新拉取请求以添加新项目的链接。

![在这里插入图片描述][deed32c435544438b34644aad94fc52a.png]  
![在这里插入图片描述][b733b95320054bc8b789e95669865c3c.png]  
该项目背后的核心思想是结合不同模型的优势，构建一个非常强大的管道来解决复杂问题。 值得一提的是，这是一个组合强专家模型的工作流程，其中所有部件都可以单独或组合使用，并且可以替换为任何相似但不同的模型（例如用 GLIP 或其他探测器替换 Grounding DINO / 替换 Stable- 使用 ControlNet 或 GLIGEN 进行扩散/与 ChatGPT 结合）。

## 一、Preliminary Works ##

在这里，我们提供了一些您在尝试演示之前可能需要了解的背景知识。

1.  Segment-Anything：

强大的基础模型旨在分割图像中的所有内容，这需要提示（如框/点/文本）来生成掩模

![在这里插入图片描述][81ae296c2c2545199242f2189c45bb57.png]  
2. Grounding DINO：

强大的零样本检测器，能够生成带有自由格式文本的高质量框和标签。

![在这里插入图片描述][9a7c5456f127469c832a2b42bee5cc90.png]  
3. OSX

一种强大而高效的单阶段运动捕捉方法，可从单目图像生成高质量的 3D 人体网格。 OSX还发布了大规模上半身数据集UBody，用于更准确地重建上半身场景。

![在这里插入图片描述][d1ce926a3e194249b5aaf2dd9867da16.png]  
4. Stable-Diffusion

超强大的开源潜在文本到图像扩散模型。

![在这里插入图片描述][a5261fba59d64e249f6b8d24d50fbad7.png]  
5. RAM

RAM is an image tagging model, which can recognize any common category with high accuracy.

1.  BLIP

A wonderful language-vision model for image understanding.

1.  Visual ChatGPT

A wonderful tool that connects ChatGPT and a series of Visual Foundation Models to enable sending and receiving images during chatting.

1.  Tag2Text

An efficient and controllable vision-language model which can simultaneously output superior image captioning and image tagging.

1.  VoxelNeXt

A clean, simple, and fully-sparse 3D object detector, which predicts objects directly upon sparse voxel features.

## 二、Highlighted Projects ##

在这里，我们提供了一些您可能会感兴趣的令人印象深刻的作品：

### 2.1 Semantic-SAM ###

通用图像分割模型，能够以任何所需的粒度分割和识别任何内容.

### 2.2 SEEM: Segment Everything Everywhere All at Once ###

强大的提示分割模型支持使用各种类型的提示（文本、点、涂鸦、引用图像等）以及提示的任意组合进行分割。

### 2.3 OpenSeeD ###

一个用于开放词汇分割和检测的简单框架，支持通过框输入生成掩模的交互式分割.

### 2.4 LLaVA ###

Visual instruction tuning with GPT-4.

## 三、Installation ##

该代码需要 python>=3.8，以及 pytorch>=1.7 和 torchvision>=0.8。 请按照此处的说明安装 PyTorch 和 TorchVision 依赖项。 强烈建议安装支持 CUDA 的 PyTorch 和 TorchVision。

### 3.1 Install with Docker ###

Open one terminal：

make build-image

make run

就是这样。

如果您想允许跨 docker 容器进行可视化，请打开另一个终端并输入：

xhost +

### 3.2 Install without Docker ###

如果您想为Grounded-SAM构建本地GPU环境，您应该手动设置环境变量，如下所示：

export AM_I_DOCKER=False
    export BUILD_WITH_CUDA=True
    export CUDA_HOME=/path/to/cuda-11.3/

安装Segment Anything：

python -m pip install -e segment_anything

安装 DINO 接地：

python -m pip install -e GroundingDINO

安装扩散器：

pip install --upgrade diffusers[torch]

Install osx：

git submodule update --init --recursive
    cd grounded-sam-osx && bash install.sh

Install RAM & Tag2Text：

git submodule update --init --recursive
    cd Tag2Text && pip install -r requirements.txt

以下可选依赖项对于掩模后处理、以 COCO 格式保存掩模、示例笔记本以及以 ONNX 格式导出模型是必需的。 运行示例笔记本还需要 jupyter。

pip install opencv-python pycocotools matplotlib onnxruntime onnx ipykernel

## 四、GroundingDINO: Detect Everything with Text Prompt ##

以下是运行 GroundingDINO 演示的分步教程：

### 4.1 Download the pretrained weights ###

cd Grounded-Segment-Anything
    
    # download the pretrained groundingdino-swin-tiny model
    wget https://github.com/IDEA-Research/GroundingDINO/releases/download/v0.1.0-alpha/groundingdino_swint_ogc.pth

### 4.2 Running the demo ###

python grounding_dino_demo.py

### 4.3 Running with Python ###

from groundingdino.util.inference import load_model, load_image, predict, annotate
    import cv2
    
    model = load_model("GroundingDINO/groundingdino/config/GroundingDINO_SwinT_OGC.py", "./groundingdino_swint_ogc.pth")
    IMAGE_PATH = "assets/demo1.jpg"
    TEXT_PROMPT = "bear."
    BOX_THRESHOLD = 0.35
    TEXT_THRESHOLD = 0.25
    
    image_source, image = load_image(IMAGE_PATH)
    
    boxes, logits, phrases = predict(
        model=model,
        image=image,
        caption=TEXT_PROMPT,
        box_threshold=BOX_THRESHOLD,
        text_threshold=TEXT_THRESHOLD
    )
    
    annotated_frame = annotate(image_source=image_source, boxes=boxes, logits=logits, phrases=phrases)
    cv2.imwrite("annotated_image.jpg", annotated_frame)

如果您想使用 Grounding DINO 在一个句子中检测多个物体，我们建议用 分隔每个名称。 。 一个例子：猫。 狗 。 椅子 。

### 4.4 Check the annotated image ###

带注释的图像将保存为./annotated\_image.jpg。

![在这里插入图片描述][f415963be8264fa387dd2ee382a9910e.png]

[1c3d0b3e54164bf1bda19d130eda5448.png]: https://img-blog.csdnimg.cn/1c3d0b3e54164bf1bda19d130eda5448.png
[deed32c435544438b34644aad94fc52a.png]: https://img-blog.csdnimg.cn/deed32c435544438b34644aad94fc52a.png
[b733b95320054bc8b789e95669865c3c.png]: https://img-blog.csdnimg.cn/b733b95320054bc8b789e95669865c3c.png
[81ae296c2c2545199242f2189c45bb57.png]: https://img-blog.csdnimg.cn/81ae296c2c2545199242f2189c45bb57.png
[9a7c5456f127469c832a2b42bee5cc90.png]: https://img-blog.csdnimg.cn/9a7c5456f127469c832a2b42bee5cc90.png
[d1ce926a3e194249b5aaf2dd9867da16.png]: https://img-blog.csdnimg.cn/d1ce926a3e194249b5aaf2dd9867da16.png
[a5261fba59d64e249f6b8d24d50fbad7.png]: https://img-blog.csdnimg.cn/a5261fba59d64e249f6b8d24d50fbad7.png
[f415963be8264fa387dd2ee382a9910e.png]: https://img-blog.csdnimg.cn/f415963be8264fa387dd2ee382a9910e.png