访问 Segment Anything 官方演示页面，无需任何安装即可直接上手。将任意图片拖拽或上传至网页，模型会自动生成全图的分割掩码。你可以通过点击图片上的任意点或框选区域，指定需要分割的目标物体，系统会在毫秒级响应并输出对应的分割结果。演示界面还提供了“分割所有物体”的批量模式，适合快速预览模型能力。
如需在本地运行 Segment Anything，首先确保已安装 Python 3.8 或更高版本，并配置 PyTorch 和 CUDA（若使用 GPU 加速）。通过 pip 安装官方发布的 segment-anything 库：pip install git+https://github.com/facebookresearch/segment-anything.git。下载预训练模型权重文件（如 sam_vit_h_4b8939.pth）并放置在指定目录。加载模型时，使用 sam_model_registry 通过模型类型和权重路径初始化 SamPredictor 对象，即可准备执行分割任务。
Segment Anything 支持两种核心用法。自动分割模式无需任何人工提示：调用 SamAutomaticMaskGenerator 类，传入图片数组，即可返回包含所有物体掩码、置信度、边界框等信息的列表。提示驱动模式则通过 SamPredictor 的 set_image 方法加载图片后，使用 predict 方法传入点坐标（正负提示）或矩形框坐标，得到单一或多个物体的高质量分割掩码。提示可以组合使用，例如先框选区域，再点击排除干扰物，显著提升复杂场景下的分割精度。
对于视频流或批量图片，需逐帧调用上述自动或提示分割逻辑。官方推荐结合 OpenCV 读取视频帧，对每一帧执行一次 SamPredictor 的分割操作，并利用后处理（如形态学操作）稳定掩码连续性。批量图片处理则可通过循环加载文件夹内图片，缓存每个图片的嵌入向量（predictor 的 features 属性），避免重复计算，从而提升处理速度。注意，对于高分辨率图片，建议在输入前进行适当缩放以平衡性能与精度。
使用 SamAutomaticMaskGenerator 时，可调整 points_per_side、pred_iou_thresh、stability_score_thresh 等参数控制分割粒度与质量。提示模式下，multimask_output 参数设为 True 可返回三个候选掩码供选择。输出结果通常为二值掩码（布尔或 uint8 格式），可直接用于绘制轮廓、计算面积或叠加在原图上。官方示例代码中 show_anns 函数演示了如何将掩码可视化，你可以根据需要将其保存为 PNG 或 JSON 格式（使用 mask_to_rle_pytorch 进行 RLE 编码）以便后续存储和交换。
Segment Anything 的核心模型可被封装为 API 或嵌入到桌面应用中。通过 Flask 或 FastAPI 暴露 /segment 端点，接收图片和提示参数，返回掩码数据供前端渲染。移动端部署可借助 ONNX Runtime 将模型转换为 ONNX 格式，再调用设备推理。官方提供了官方的 export 脚本将 PyTorch 模型导出为 TorchScript 或 ONNX，适用于无 Python 环境的场景。务必注意模型显存占用（VI-L 版本约需 10GB 显存），若硬件受限可选用轻量版 sam_vit_b 或 sam_vit_l。
