# \#sam

**URL:** https://discuss.pytorch.kr/tag/sam/187.md

[최신](https://discuss.pytorch.kr/latest.md) · [카테고리](https://discuss.pytorch.kr/categories.md) · [태그](https://discuss.pytorch.kr/tags.md)

---

## [Meta, 객체 멀티플렉싱으로 2배 빨라진 실시간 비디오 분할 모델 SAM 3.1 공개](https://discuss.pytorch.kr/t/meta-2-sam-3-1/9453)

<div class="topic-metadata">

**Author:** [@9bow](https://discuss.pytorch.kr/u/9bow)\
**댓글:** 0\
**마지막 업데이트:** [3월 30, 2026, 3:30오전 UTC](https://discuss.pytorch.kr/t/meta-2-sam-3-1/9453 "2026-03-30T03:30:32Z")

</div>

SAM 3.1: 더 빠르고 효율적인 실시간 비디오 세그멘테이션 Meta가 2026년 3월 27일, Segment Anything Model 3(SAM 3)의 후속 업데이트인 SAM 3.1을 공개했습니다. SAM 3.1은 SAM 3의 드롭인 대체(drop-in replacement)로 설계되어, 기존 SAM 3 파이프라인에 바로 적용할 수 있으면서도 비디오 처리 속도를 크게 향상시킨 것이 핵심입니다. SAM 시리즈는 Meta가 2023년 처음 공개한 이후 컴퓨터 비전 분야에서 범용 세그멘테이션의 표준으로 자리 잡아왔습니다. SAM 2에서 비디오로 영역을 확장했고, SAM 3에서는 텍스트와 예시 이미지를 프롬프트로 활용하는 프롬프트 기반 개념적 분할(Promptable Concept Segmentation) 을 도입했습니다. 이번 SAM 3.1은 그 기반 위에서 추론 효율성이라는 실용적 과제를 정면으로 해결합니다. 기존 SAM 3는 비디오에서 각 객체를 개별적으로 추적해야 했기 때문에, 추적 대상이 늘어날수록 추론 비용이 선형적으로 증가하는 한계가 있었습니다. SAM 3.1은 객체 멀티플렉싱(Object Multiplexing) 이라는 새로운 접근으로 이 문제를 해결하여, 단일 포워드 패스에서 최대 16개 객체를 동시에 추적할 수 있게 되었습니다. SAM 3.1의 핵심 개선 사항: 객체 멀티플렉싱과 글로벌 추론 SAM 3.1의 가장 중요한 변화는 객체 멀티플렉싱 기술의 도입입니다. 이전에는 추적 대상 객체마다 별도의 추론 패스가 필요했지만, SAM 3.1은 하나의 포워드 패스 안에서 최대 16개 객체를 동시에 처리합니다. 이를 통해 중복 연산을 제거하고 메모리 병목을 해소하여, 중간 수준의 객체가 포함된 비디오에서 처리 속도가 단일 H100 GPU 기준 16 FPS에서 32 FPS로 2배 향상 되었습니다. 또한 글로벌 추론 헤드(Global Reasoning Head) 를 도입하여 객체 간 맥락 정보를 공유할 수 있게 …

---

## [SAM2: 이미지와 비디오 모두에 적용 가능한 Segment Anything Model (feat. Meta)](https://discuss.pytorch.kr/t/sam2-segment-anything-model-feat-meta/4949)

<div class="topic-metadata">

**Author:** [@9bow](https://discuss.pytorch.kr/u/9bow)\
**댓글:** 0\
**마지막 업데이트:** [7월 30, 2024, 3:21오전 UTC](https://discuss.pytorch.kr/t/sam2-segment-anything-model-feat-meta/4949 "2024-07-30T03:21:00Z")

</div>

SAM2(Segment Anything Model 2) 소개 Meta는 지난 해 SAM(Segment Anything Model)을 출시한 이후, 최신 모델인 SAM 2(Segment Anything Model 2)를 공개했습니다. SAM 2는 실시간으로 프롬프트에 따라 이미지와 비디오에서 객체를 분할할 수 있는 기능을 제공합니다. SAM 2는 Apache 2.0 라이선스로 제공되며, 연구와 상업적 용도로 자유롭게 사용할 수 있습니다. 이 모델은 기존 SAM의 성능을 한층 향상시켜, 더욱 정교하고 빠른 객체 분할을 가능하게 합니다. SAM 2는 다양한 응용 분야에서 활용될 수 있습니다. 예를 들어, 비디오 편집 소프트웨어에서 특정 객체를 추적하거나, 자율 주행 차량의 시각 시스템에서 객체 인식을 수행하는 데 사용할 수 있습니다. 이러한 기능은 다양한 산업에서 효율성을 높이고, 새로운 기술 개발의 기초가 될 것입니다. SAM 2는 기존 SAM 모델과 비교하여 영상에서의 객체 세분화 성능이 크게 향상되었습니다. SAM 2는 적은 사용자 상호작용으로도 높은 정확도를 제공하며, 기존 모델 대비 3배 빠른 상호작용 시간을 자랑합니다. 또한, SAM 2는 이미지와 비디오에서 객체를 선택하고 세분화된 마스크를 생성하는 프롬프트 방식을 사용합니다. 프레임마다 사용자 입력에 따라 마스크를 생성하고, 이를 통해 전체 비디오 프레임에 걸쳐 마스크를 생성할 수 있습니다. SAM 2 주요 기능 프롬프트 기반 시각적 분할: SAM 2는 사용자가 지정한 프롬프트에 따라 이미지와 비디오의 프레임에서 프롬프트를 받아 객체를 분할합니다. 메모리 메커니즘: SAM 2는 메모리 메커니즘을 통해 객체의 과거 정보를 기억하여 정확한 분할을 수행합니다. 다중 마스크 출력: 객체의 불명확한 분할 시 여러 개의 마스크를 생성하여 정확성을 높입니다. 오클루전(occlusion) 처리: 객체가 다른 물체에 의해 일시적으로 가려질 때에도 분할을 유지합니다. …

---

## [\[TLDR\] 오늘의 AI 뉴스, 2023-11-02: AI 행정명령이 스타트업에 미치는 영향 🚀, 마이크로소프트의 소형 AI 모델 🌐, LangChain 템플릿 💻](https://discuss.pytorch.kr/t/tldr-ai-2023-11-02-ai-ai-langchain/2785)

<div class="topic-metadata">

**Author:** [@9bow](https://discuss.pytorch.kr/u/9bow)\
**댓글:** 0\
**마지막 업데이트:** [11월 3, 2023, 1:58오전 UTC](https://discuss.pytorch.kr/t/tldr-ai-2023-11-02-ai-ai-langchain/2785 "2023-11-03T01:58:13Z")

</div>

파이토치 한국 사용자 모임에서는 TLDR 뉴스레터 의 승인을 받아 AI 소식을 DeepL로 번역 하여 전합니다. :star\_struck: 더 많은 AI 소식 및 정보를 공유하고 함께 성장하고 싶으신가요? 지금 파이토치 한국어 커뮤니티에 방문해주세요! :robot: :rocket: 주요 뉴스 & 신규 출시 소식 / Headlines & Launches Stability AI, 3D 생성, 하늘 교체 등 출시 예고 / Stability AI teases release of 3D generation, sky replacement, and more (3 minute read) .obj 형식의 3D 에셋 생성은 AI로 작업하는 크리에이터를 위한 차세대 혁신입니다. Stability AI는 이를 실현하기 위해 노력하고 있습니다. 이 글에서는 자세한 내용은 다루지 않았지만 앞으로 어떤 일이 일어날지 기대가 됩니다. 3D asset generation in the .obj format is the next big innovation for creatives working with AI. Stability AI is working to make that a possibility. This article is light on details, but it is exciting to see what is around the corner. Microsoft, 큰 혁신으로 소형 AI 모델의 한계를 뛰어넘다 / Microsoft Pushes The Boundaries Of Small AI Models With Big Breakthrough (4 minute read) Microsoft Research는 더 작은 언어 모델인 Phi 1.5를 멀티모달 기능으로 개선하여 OpenAI의 더 큰 GPT-4 모델과 유사하게 이미지를 해석할 수 있지만 계산 비용은 더 낮출 수 있습니다. phi-15 Microsoft Research has enhanced its smaller…

---

## [GPT-4V에서 특출난 시각적 근거(VG) 기능을 위한 표식-집합(SoM) 프롬프트 (Set-of-Mark Prompting Unleashes Extraordinary Visual Grounding in GPT-4V)](https://discuss.pytorch.kr/t/gpt-4v-vg-som-set-of-mark-prompting-unleashes-extraordinary-visual-grounding-in-gpt-4v/2719)

<div class="topic-metadata">

**Author:** [@9bow](https://discuss.pytorch.kr/u/9bow)\
**댓글:** 0\
**마지막 업데이트:** [10월 26, 2023, 12:30오전 UTC](https://discuss.pytorch.kr/t/gpt-4v-vg-som-set-of-mark-prompting-unleashes-extraordinary-visual-grounding-in-gpt-4v/2719 "2023-10-26T00:30:00Z")

</div>

이 글은 GPT 모델로 자동 요약한 설명으로, 잘못된 내용이 있을 수 있으니 원문을 참고해주세요! :smile: 읽으시면서 어색하거나 잘못된 내용을 발견하시면 덧글로 알려주시기를 부탁드립니다! :bowing\_man: GPT-4V에서 특출난 시각적 근거(VG) 구현을 위한 표식-집합(SoM) 프롬프트 Set-of-Mark Prompting Unleashes Extraordinary Visual Grounding in GPT-4V 해결하고자 하는 문제 GPT-4V와 같은 대형 멀티모달 모델(LMM; Large Multimodal Model)은 시각-언어 이해 능력은 강하지만, 상대적으로 세분화된 시각적 근거(visual grounding) 능력이 약하다는 문제가 있습니다. 예를 들어, GPT-4V에서 이미지 내의 강아지 좌표 시퀀스를 생성하거나 신호등이 몇 개인지를 찾는 것과 같은 작업에서 어려움을 겪습니다. 이러한 문제를 해결하기 위해서는 시각 콘텐츠에 대한 풍부한 의미 이해(semantic understanding)와 함께 정확한 공간 지각(spatial perception)이 필요한데, 기존의 프롬프트 기법만으로는 이러한 문제를 해결하기에 한계가 있습니다. 기존의 접근 방법 기존의 시각적 프롬프팅 방법은 주로 2가지 유형으로 분류할 수 있습니다. 첫번째는 점, 상자, 선과 같은 시각적 프롬프트를 잠재 특징(latent features)으로 인코딩하여 비전 모델에 프롬프트하는 방식입니다. 하지만 이 방식은 단일 객체에 대한 프롬프트에 국한됩니다. 두번째는 원, 하이라이트, 화살표와 같은 시각적 표식(mark)을 입력 이미지에 덧씌우는 방식입니다. 그러나 이렇게 덧씌워진 표식을 언어 모델이 쉽게 해석하거나 말하기 어렵습니다. 논문이 제안하는 방법 이 논문에서는 이를 해결하기 위한 방법으로 입력 이미지를 의미적 영역들로 분할하고, 각 영역에 시각적 표식을 덧씌우는 방식인 시각적인 표식-집합(SoM; Set-of-…

---

## [\[GN\] SAM.cpp - Meta의 Segment Anything Model을 순수 C/C++ 로 구현](https://discuss.pytorch.kr/t/gn-sam-cpp-meta-segment-anything-model-c-c/2435)

<div class="topic-metadata">

**Author:** [@9bow](https://discuss.pytorch.kr/u/9bow)\
**댓글:** 0\
**마지막 업데이트:** [9월 7, 2023, 8:00오후 UTC](https://discuss.pytorch.kr/t/gn-sam-cpp-meta-segment-anything-model-c-c/2435 "2023-09-07T20:00:00Z")

</div>

GeekNews의 xguru님께 허락을 받고 GN에 올라온 글들 중에 AI 관련된 소식들을 공유하고 있습니다. :smiley\_cat: 소개 원래 Python 으로 구현되어 있던 모델을 GGML 라이브러리를 이용해서 C++로 포팅 경량화된 코드를 통해 다양한 곳에서 이용 가능 원작성자 Georgi Gerganov의 이름을 딴 GGML은 llama.cpp/whisper.cpp 를 만드는데 사용한 양자화 지원 텐서 라이브러리 GPU보다는 CPU에 최적화. 특히 애플 실리콘 M1/M2 원문 데모 영상 GitHub 저장소 더 읽어보기 ggml ggml SAM example SAM SAM demo SAM(Segment Anything Model) 소개 SAM 파인튜닝 글 Inpaint Anything 소개 글 FoodSAM 소개 글 출처 / GeekNews

---

## [\[무료/온라인/영어\] Meta의 SAM(Segmentation Anything Model) 모델 미세조정 웨비나](https://discuss.pytorch.kr/t/meta-sam-segmentation-anything-model/2385)

<div class="topic-metadata">

**Author:** [@9bow](https://discuss.pytorch.kr/u/9bow)\
**댓글:** 0\
**마지막 업데이트:** [9월 1, 2023, 7:35오전 UTC](https://discuss.pytorch.kr/t/meta-sam-segmentation-anything-model/2385 "2023-09-01T07:35:31Z")

</div>

학습 데이터에 자동 레이블을 지정하도록 파운데이션 모델 미세조정 세미나 (How to Fine Tune Foundation Models to Auto-Label Training Data) 좋은 글들을 올려주시고 한국어 번역을 허락해주신 ENCORD에서 온라인 세미나가 진행되어 공유드립니다. :smiley: 웨비나 소개 Meta의 세그먼트 애니씽 모델(SAM)과 같은 파운데이션 모델을 사용하여 학습 데이터를 빠르게 생성하거나 품질 개선에 도움을 줄 수 있습니다. 이번 웨비나에서는 한 걸음 더 나아가 기초 모델, 특히 Meta AI의 SAM(Segmentation Anything Model)을 미세 조정(finetuning)하여 특정 사용 사례와의 관련성을 극대화하는 방법을 안내합니다. 또한 미세 조정과 SAM에 대한 심층적인 내용도 다룰 예정입니다: 파운데이션 모델 미세 조정을 위한 최상의 전략 자동 라벨링을 위해 SAM을 미세 조정하는 방법에 대한 데모 미세 조정된 SAM이 일반 SAM과 비교되는 방식 실시간 Q&A 웨비나 일정 9월 20일, 오후 5시, BST (British Standard Time) :point\_right: 9월 21일, 오전 1시 KST 신청 링크

---

## [SA - Segment Anything](https://discuss.pytorch.kr/t/sa-segment-anything/1362)

<div class="topic-metadata">

**Author:** [@9bow](https://discuss.pytorch.kr/u/9bow)\
**댓글:** 0\
**마지막 업데이트:** [4월 6, 2023, 4:23오전 UTC](https://discuss.pytorch.kr/t/sa-segment-anything/1362 "2023-04-06T04:23:18Z")

</div>

Meta에서 SAM(Segment Anything Model)을 공개했습니다. 잠깐 데모를 사용해봤는데 잘해주네요 :+1: 아래는 SAM을 소개하는 메타의 블로그 글 앞 부분을 발췌한 것과 DeepL로 번역한 것입니다. Segmentation — identifying which image pixels belong to an object — is a core task in computer vision and is used in a broad array of applications, from analyzing scientific imagery to editing photos. But creating an accurate segmentation model for specific tasks typically requires highly specialized work by technical experts with access to AI training infrastructure and large volumes of carefully annotated in-domain data. 어떤 이미지 픽셀이 물체에 속하는지 식별하는 세그멘테이션은 컴퓨터 비전의 핵심 작업으로, 과학 이미지 분석부터 사진 편집에 이르기까지 다양한 애플리케이션에 사용됩니다. 그러나 특정 작업을 위한 정확한 세분화 모델을 생성하려면 일반적으로 AI 학습 인프라와 신중하게 주석이 달린 대량의 도메인 내 데이터에 액세스할 수 있는 기술 전문가가 고도로 전문화된 작업을 수행해야 합니다. Today, we aim to democratize segmentation by introducing the Segment Anything project: a new task, dataset, and model for image segmentation, as we explain in our research paper. We are releasing both our general Segment Anythi…

---

## [Segment Anything 모델 미세조정하기 (How To Fine-Tune Segment Anything)](https://discuss.pytorch.kr/t/segment-anything-how-to-fine-tune-segment-anything/1446)

<div class="topic-metadata">

**Author:** [@9bow](https://discuss.pytorch.kr/u/9bow)\
**댓글:** 0\
**마지막 업데이트:** [4월 30, 2023, 7:49오전 UTC](https://discuss.pytorch.kr/t/segment-anything-how-to-fine-tune-segment-anything/1446 "2023-04-30T07:49:58Z")

</div>

저자에게 허락을 받고 DeepL을 사용하여 기계 번역을 진행하였습니다. encord에서 작성한 원문은 아래 링크를 눌러 보실 수 있습니다. encord는 AI 개발에 필요한 인프라/도구 개발 회사로, 블로그 하단에 encord 플랫폼 사용 설명이 포함되어 있습니다. Segment Anything 모델 미세조정하기 / How To Fine-Tune Segment Anything Alexandre Bonnet, Published April 13, 2023•Edited April 21, 2023•10 min read 컴퓨터 비전은 지난 주 메타(Meta)의 세그먼트 애니씽 모델(SAM)의 출시와 함께 ChatGPT의 순간을 맞이하고 있습니다. 110억 개 이상의 세그먼테이션 마스크를 학습한 SAM은 생성형 AI가 아닌 예측형 AI 사용 사례를 위한 기반 모델입니다. 광범위한 이미지 양식과 문제 공간을 세분화하는 능력에서 놀라운 유연성을 보여줬지만, '미세 조정' 기능 없이 출시되었습니다. Computer vision is having its ChatGPT moment with the release of the Segment Anything Model (SAM) by Meta last week. Trained over 11 billion segmentation masks, SAM is a foundation model for predictive AI use cases rather than generative AI. While it has shown an incredible amount of flexibility in its ability to segment over wide-ranging image modalities and problem spaces, it was released without “fine-tuning” functionality. 이 튜토리얼에서는 마스크 디코더(mask decoder)를 사용하여 SAM을 미세 조정하는…

---

## [\[GN\] Inpaint Anything - Segment Anything을 이용한 이미지 인페인팅](https://discuss.pytorch.kr/t/gn-inpaint-anything-segment-anything/1420)

<div class="topic-metadata">

**Author:** [@9bow](https://discuss.pytorch.kr/u/9bow)\
**댓글:** 0\
**마지막 업데이트:** [4월 22, 2023, 12:35오전 UTC](https://discuss.pytorch.kr/t/gn-inpaint-anything-segment-anything/1420 "2023-04-22T00:35:35Z")

</div>

GeekNews의 xguru님께 허락을 받고 GN에 올라온 글들 중에 AI 관련된 소식들을 공유하고 있습니다. :smiley\_cat: 소개 Meta의 SAM을 활용해서 이미지의 특정 부분만 추출하여 인페인팅 하기 Remove Anything, Fill Anything, Replace Anything 2K 해상도 및 다양한 비율 지원 논문 및 코드 공개 원문 https://github.com/geekyutao/Inpaint-Anything 출처 / GeekNews 참고 링크 SA - Segment Anything Segment Anything Model(SAM) : 이미지에서 어떤 객체든 추출해주는 Meta의 AI모델
