目录
[1.Segment anything](#1.Segment anything)
1.Segment anything
定义：图像分割通用大模型
延深：可以预计视觉检测大模型，也快了。
进一步理解：传统图像分割对于下图处理时，识别房子的是识别房子的模型，识别草的是识别草的模型，识别人的是识别人的模型，而Segment anything可一次识别所有物体。可以这样说以前我们的模型是训练得到几个，几十个，几千个标签，而Segment anything可以得到所有标签，
再进一步理解：chagpt在实现文本任务时我们发现，他同样是聚焦所有点，只需要几个提示词去引导它，对应下图，比方说，找到图中病毒或者找到图中蓝色区域。在 Segment anything同样是这个道理，我们对图中想要识别的对象，点三个点（提示词），模型便知道你想识别这个对象。也可以用一个框（提示词）对这个对象作为指导。通用大模型不用一次把所有东西都训练好，在有大模型后，有提示词，可以持续学习。
2.补充图像分割和目标检测的区别
定义：在这两个任务中，我们都希望找到图像中某些感兴趣的项目的位置，比如说图中人的位置。从输出理解两者区别：
- 目标检测：预测包围盒（对于下面的狗只用框框起来即可）
YOLO，Fast-RCNN，似乎还有个SSD
输入：一个矩阵(输入图像)，每个像素有 3 个值(红、绿、蓝)，如果是黑色和白色，则每个像素有 1 个值。
输出：由左上角和大小定义的边框列表。
- 图像分割：预测掩模（对下面的狗比方说，红色的狗，周边标注时要对每一个像素点标注，过于麻烦）
Mask RCNN，Unet，Segnet
输入：是一个矩阵(输入图像)，每个像素有 3 个值(红、绿、蓝)，如果是黑色和白色，则每个像素有 1 个值
输出：是一个矩阵(掩模图像)，每个像素有一个包含指定类别的
结论：输出不同，从下图理解二者区别：简单理解目标检测在图中表现为框，图像分割是一种类别的颜色。
补充一下语义分割和实例分割：
语义分割：（图片分割）是对图像中的每一块像素都应该给出类别标签。
实例分割：（目标检测）只需要给出我们关注的物体的像素的类别标签。
结论：两者其实没有本质的区别。
参考文献
1.分割一切！刷爆CV圈子的视觉终极模型Segment Anything（SAM），唐宇迪博士两小时原理精讲、源码复现带你实操！_哔哩哔哩_bilibili