EVF-SAM

收录理由

这是一份可靠的参考实现，适合想通过自然语言描述目标、而不是用点击或画框来分割图像的团队。它的做法是在视觉-语言编码器早期就融合图像与文本，把结果直接送入SAM的提示接口，绕开了常见的先让大语言模型生成候选框再处理的流程。这样一来模型相对轻量，运行也快，仓库里提到在T4 GPU上处理单张图片只需几秒。权重、Colab笔记本和Hugging Face演示都已放出，你可以在RefCOCO这类指代表达基准上做自己的对比，几乎不用额外配置。基于SAM-2的零样本视频分割演示也值得一试，如果项目需要在帧间跟踪目标的话。