Faster Segment Anything (MobileSAM)

概要

• MobileSAMはオリジナルのSAMと同等の性能を発揮し（少なくとも視覚的には）、画像エンコーダの変更以外はオリジナルのSAMと全く同じパイプラインを維持している。

• オリジナルのヘビー級のViT-Hエンコーダー（632M）を、はるかに小さなTiny-ViT（5M）に置き換えている。

• シングルGPUの場合、MobileSAMは画像1枚あたり約12msで動作する： 画像エンコーダーで8ms、マスクデコーダーで4ms。