SAM 3.1 متا: ردیابی و تشخیص ویدئویی بلادرنگ سریع‌تر و در دسترس‌تر با چندگانه‌سازی اشیا و استدلال جهانی

شرح خبر

مدل Segment Anything Model 3 (SAM 3) متا از زمان معرفی با استقبال گسترده‌ای روبرو شده است. اکنون، متا نسخه به‌روزشده SAM 3.1 را معرفی می‌کند که با معرفی فناوری چندگانه‌سازی اشیا (object multiplexing)، کارایی پردازش ویدئو را به‌طور قابل توجهی بهبود می‌بخشد. این مدل قادر است تا ۱۶ شیء را در یک عبور رو به جلو ردیابی کند و سرعت پردازش ویدئوهای با تعداد متوسط اشیا را دو برابر می‌سازد. توان عملیاتی نیز از ۱۶ به ۳۲ فریم در ثانیه بر روی یک GPU H100 افزایش یافته است. این نوآوری امکان ردیابی بلادرنگ اشیا در ویدئوهای پیچیده را فراهم می‌کند و در عین حال نیاز به منابع GPU را کاهش می‌دهد، به طوری که کاربردهای با عملکرد بالا بر روی سخت‌افزارهای کوچکتر و در دسترس‌تر امکان‌پذیر می‌شود. علاوه بر این، SAM 3.1 با پردازش همزمان تمام اشیای ردیابی‌شده، محاسبات زائد و گلوگاه‌های حافظه را حذف می‌کند و دقت را در صحنه‌های شلوغ بهبود می‌بخشد. متا همچنین محیط Segment Anything Playground را برای آزمایش مدل‌های پیشرفته معرفی کرده و مجموعه داده ارزیابی SA-Co را برای جامعه پژوهشگران منتشر نموده است. متا نسخه جدید مدل Segment Anything Model 3.1 را معرفی کرد که با فناوری چندگانه‌سازی اشیا، کارایی پردازش ویدئو را دو برابر می‌کند. این مدل قادر است تا ۱۶ شیء را در یک عبور پردازش کند و سرعت را از ۱۶ به ۳۲ فریم در ثانیه بر روی GPU H100 افزایش دهد. SAM 3.1 ردیابی بلادرنگ اشیا در ویدئوهای پیچیده را امکان‌پذیر می‌سازد و نیاز به منابع سخت‌افزاری را کاهش می‌دهد. علاوه بر این، متا محیط Segment Anything Playground و مجموعه داده SA-Co را برای آزمایش و ارزیابی مدل‌ها منتشر کرده است. این مدل‌ها در ابزارهای خلاقانه متا مانند ویژگی "View in Room" در فیسبوک مارکتپلیس و برنامه Meta AI استفاده خواهند شد. SAM 3.1 گامی بزرگ در حوزه بینایی ماشین و پردازش ویدئو محسوب می‌شود، زیرا توانایی ردیابی همزمان چندین شیء را با کارایی بالا فراهم می‌کند. این پیشرفت نه تنها هزینه‌های سخت‌افزاری را کاهش می‌دهد، بلکه امکان استفاده از مدل‌های پیشرفته را بر روی دستگاه‌های معمولی‌تر فراهم می‌سازد. علاوه بر این، معرفی پرامپت‌های متنی و نمونهای در SAM 3 توانایی تشخیص و تقسیم‌بندی مفاهیم پیچیده‌تر را بهبود می‌بخشد، که می‌تواند در کاربردهای مختلفی از جمله ویرایش ویدئو، واقعیت افزوده و ابزارهای خلاقانه مورد استفاده قرار گیرد. این پیشرفت‌ها می‌توانند تأثیر قابل توجهی بر صنایع مختلف از جمله تبلیغات دیجیتال، تولید محتوا، و توسعه ابزارهای هوش مصنوعی داشته باشند. شرکت‌ها می‌توانند از این مدل‌ها برای بهبود تجربه کاربری، کاهش هزینه‌ها و افزایش کارایی در پردازش داده‌های بصری استفاده کنند. به ویژه، ابزارهایی مانند "View in Room" در فیسبوک مارکتپلیس می‌توانند تجربه خرید آنلاین را برای کاربران بهبود بخشند. در ایران، این فناوری می‌تواند در توسعه ابزارهای هوش مصنوعی محلی، بهبود پردازش ویدئو در پلتفرم‌های اجتماعی و ایجاد فرصت‌های جدید برای استارت‌آپ‌ها و شرکت‌های فناوری مورد استفاده قرار گیرد. با این حال، دسترسی به سخت‌افزارهای پیشرفته مانند GPU H100 ممکن است چالش‌هایی را برای توسعه‌دهندگان ایرانی ایجاد کند. SAM 3.1 و ابزارهای مرتبط می‌توانند چالش‌های حقوقی جدیدی را در زمینه حریم خصوصی و مالکیت فکری ایجاد کنند. به عنوان مثال، استفاده از این مدل‌ها برای ردیابی اشیا در ویدئوها ممکن است نگرانی‌هایی در مورد جمع‌آوری و پردازش داده‌های شخصی را به همراه داشته باشد. علاوه بر این، استفاده از این فناوری‌ها در تولید محتوا می‌تواند سوالاتی در مورد مالکیت آثار تولیدشده توسط هوش مصنوعی مطرح کند. این فناوری به طور مستقیم تحت تأثیر تحریم‌ها یا محدودیت‌های ژئوپلیتیکی قرار ندارد، اما دسترسی به سخت‌افزارهای پیشرفته ممکن است برای برخی کشورها از جمله ایران محدود باشد. فنی و پژوهشی متا با معرفی SAM 3.1، پردازش ویدئو را با چندگانه‌سازی اشیا و استدلال جهانی بهبود بخشید. سرعت پردازش دو برابر و توان عملیاتی به ۳۲ فریم در ثانیه رسید.

این صفحه خلاصه و تحلیل فارسی خبر را نمایش می‌دهد. نسخه کامل/اصلی از طریق لینک منبع در دسترس است.