如何在SAM時代下打造高效的高性能計算大模型訓(xùn)練平臺

關(guān)鍵詞：SAM；PCB；SA-1B；Prompt；CV；NLP；PLM；BERT；ZSL；task；zero-shot；data；H100、H800、A100、A800、LLaMA、Transformer、OpenAI、GQA、RMSNorm、SFT、RTX 4090、A6000、AIGC、CHATGLM、LLVM、LLMs、GLM、NLP、AGI、HPC、GPU、CPU、CPU+GPU、英偉達(dá)、Nvidia、英特爾、AMD、高性能計算、高性能服務(wù)器、藍(lán)海大腦、多元異構(gòu)算力、高性能計算、大模型訓(xùn)練、通用人工智能、GPU服務(wù)器、GPU集群、大模型訓(xùn)練GPU集群、大語言模型、深度學(xué)習(xí)、機(jī)器學(xué)習(xí)、計算機(jī)視覺、生成式AI、ML、DLC、ChatGPT、圖像分割、預(yù)訓(xùn)練語言模型、PLM、機(jī)器視覺、AI服務(wù)器

摘要：Segment Anything Model (SAM)是Meta 公司最近推出的一個創(chuàng)新AI 模型，專門用于計算機(jī)視覺領(lǐng)域圖像分割任務(wù)。借鑒ChatGPT 的學(xué)習(xí)范式，將預(yù)訓(xùn)練和特定任務(wù)結(jié)合在一起，從而顯著提升模型的泛化能力。SAM 的設(shè)計初衷是簡化圖像分割的過程，減少對專業(yè)建模知識的依賴，并降低大規(guī)模訓(xùn)練所需的計算資源。

在計算機(jī)視覺領(lǐng)域，SAM模型是一種基于CV領(lǐng)域的ChatGPT，提供強(qiáng)大的圖像分割功能。然而，要使用SAM模型，我們需要進(jìn)行SAM大模型環(huán)境的配置。雖然配置SAM環(huán)境可能會面臨一些挑戰(zhàn)，但一旦配置完成，我們將能夠充分利用SAM模型的強(qiáng)大功能。

為配置SAM環(huán)境，我們需要確保服務(wù)器具備足夠的計算資源和存儲空間，以支持SAM模型的高效運行。SAM模型通常需要大量的計算資源和存儲能力來進(jìn)行準(zhǔn)確的圖像分割。然而，也需要注意SAM本地部署對服務(wù)器的影響。SAM模型的部署可能對服務(wù)器的性能和穩(wěn)定性產(chǎn)生一定的影響。

藍(lán)海大腦大模型訓(xùn)練平臺提供強(qiáng)大計算集群、高速存儲系統(tǒng)和高帶寬網(wǎng)絡(luò)連接，加速模型的訓(xùn)練過程；同時采用高效分布式計算框架和并行計算，使模型訓(xùn)練可以在多個計算節(jié)點上同時進(jìn)行，大大縮短訓(xùn)練時間。兼?zhèn)淙蝿?wù)調(diào)度、資源管理和監(jiān)控等功能，提升訓(xùn)練效率和可管理性。此外，豐富的工具和庫，可用于模型開發(fā)、調(diào)試和優(yōu)化。還為模型部署和推理提供支持。一旦模型訓(xùn)練完成，平臺可將訓(xùn)練好的模型部署到生產(chǎn)環(huán)境中，以供實際應(yīng)用使用。

SAM模型：CV領(lǐng)域的ChatGPT

一、什么是SAM模型？

SAM模型是 Meta 推出的人工智能模型，在官網(wǎng)上被描述為“僅需一次點擊，即可在任何圖像中分割出任何物體”。采用以前圖像分割模型作為基礎(chǔ)，并在龐大的數(shù)據(jù)集上進(jìn)行訓(xùn)練，該模型旨在解決多個下游任務(wù)并成為一種通用模型。

該模型的核心要點有：

1、借鑒ChatGPT的啟發(fā)思想，采用可提示學(xué)習(xí)范式，提高學(xué)習(xí)效率；

2、建立迄今為止最大的圖像分割數(shù)據(jù)集Segment Anything 1-Billion（SA-1B），包含1100萬張圖像和超過10億個掩碼；

3、構(gòu)建通用且自動的分割模型，在零樣本情況下靈活應(yīng)用于新的任務(wù)和領(lǐng)域，其結(jié)果優(yōu)于以往的監(jiān)督學(xué)習(xí)結(jié)果。

SAM 模型官方文章

二、Prompt：將 ChatGPT 的學(xué)習(xí)思維應(yīng)用在 CV 領(lǐng)域

SAM 利用先進(jìn)技術(shù)路線實現(xiàn)計算機(jī)視覺底層技術(shù)突破，具備廣泛的通用性和零樣本遷移的能力。采用 prompt-based learning 方式進(jìn)行學(xué)習(xí)訓(xùn)練，即利用提示語作為模型輸入。與傳統(tǒng)的監(jiān)督學(xué)習(xí)方式不同，該方法在 GPT-3 團(tuán)隊的推動下得到廣泛應(yīng)用。

1、Prompt之前的模型在做什么

預(yù)訓(xùn)練語言模型（PLM）是一種先進(jìn)的自然語言處理（NLP）模型，在人和計算機(jī)交互方面起著重要的作用。NLP旨在改善人與計算機(jī)之間的交流和理解，而PLM則是這一領(lǐng)域前沿模型之一。

自然語言處理（NLP）的常用算法和模型

預(yù)訓(xùn)練模型根據(jù)學(xué)習(xí)范式和發(fā)展階段可以分為四代：

1）特征學(xué)習(xí)：通過設(shè)置規(guī)則來提取文本特征編碼文本，例如TF-IDF模型。

2）結(jié)構(gòu)學(xué)習(xí)：引入深度學(xué)習(xí)在NLP中應(yīng)用，代表性模型是Word2Vec。第一代、第二代預(yù)訓(xùn)練模型的共同點是輸出被用作下游任務(wù)的輸入，但本身并不直接執(zhí)行下游任務(wù)。隨后的模型將預(yù)訓(xùn)練結(jié)果和模型自身都應(yīng)用于下游任務(wù)中。

預(yù)訓(xùn)練模型（PLM）的發(fā)展階段和特征

3）下游微調(diào)：采用預(yù)訓(xùn)練加下游微調(diào)方式，代表性模型有BERT和GPT。

4）提示學(xué)習(xí)：在BERT和GPT的基礎(chǔ)上進(jìn)一步改進(jìn)，采用基于提示學(xué)習(xí)（Prompt-based Learning）方法。該方法將輸入信息經(jīng)過特定模板處理，將任務(wù)轉(zhuǎn)化為更適合預(yù)訓(xùn)練語言模型處理形式。代表性模型有ChapGPT、GPT3.5和SAM。

預(yù)訓(xùn)練模型就像是培養(yǎng)出的高中畢業(yè)生，而下游任務(wù)則相當(dāng)于大學(xué)的專業(yè)課程。高中畢業(yè)生學(xué)習(xí)未來應(yīng)用領(lǐng)域相關(guān)的課程，就能夠成為具備專業(yè)技能和知識的大學(xué)生，以應(yīng)對專業(yè)崗位的要求。

基于提示的學(xué)習(xí)（prompt-based learning)各分支

2、Prompt 的優(yōu)勢：實現(xiàn)預(yù)訓(xùn)練和下游任務(wù)的統(tǒng)一

如下圖所示（左圖），傳統(tǒng)的PLM+微調(diào)范式存在上下游之間差異較大、應(yīng)用不匹配問題，在預(yù)訓(xùn)練階段使用自回歸或自編碼方法，但對于下游的微調(diào)任務(wù)來說，需要大量新數(shù)據(jù)來適應(yīng)不同的形式和要求。

傳統(tǒng)的預(yù)訓(xùn)練+微調(diào)模型以及 prompt范式

隨著模型參數(shù)越來越龐大，企業(yè)部署模型成本非常高。同時為滿足各種不同下游之間的任務(wù)，需要專門對每個任務(wù)進(jìn)行微調(diào)，也是一種巨大的浪費。主要有以下兩個缺點：

1）微調(diào)所需的樣本數(shù)量非常大

2）模型的專用性高，部署成本高昂

針對以上缺點，PT-3團(tuán)隊提出在大量無監(jiān)督文本閱讀后，語言模型可以通過"培養(yǎng)廣泛技能和模式識別能力"有效地解決問題。實驗表明在少樣本場景下，模型不需要更新任何參數(shù)就能實現(xiàn)不錯的效果。預(yù)訓(xùn)練加微調(diào)范式是通過大量訓(xùn)練使模型適應(yīng)下游任務(wù)。而Prompt則是將下游任務(wù)以特定模板的形式統(tǒng)一成預(yù)訓(xùn)練任務(wù)，將下游任務(wù)的數(shù)據(jù)組織成自然語言形式，充分發(fā)揮預(yù)訓(xùn)練模型本身的能力。

Fine-tune 和 prompt 兩種范式的區(qū)別

以情感分類任務(wù)為例，使用傳統(tǒng)Fine-tune方法需要準(zhǔn)備一個微調(diào)數(shù)據(jù)集，其中包含對電影/書籍的評價以及人工閱讀后的感受。該微調(diào)數(shù)據(jù)集必須足夠大，以滿足復(fù)雜任務(wù)需求。但是微調(diào)數(shù)據(jù)集的大小可能超過預(yù)訓(xùn)練數(shù)據(jù)集的規(guī)模，導(dǎo)致預(yù)訓(xùn)練的目的失去意義。

相比之下，利用Prompt的方式可以更好地處理情感分類任務(wù)并且充分利用預(yù)訓(xùn)練模型能力，避免繁重微調(diào)數(shù)據(jù)集準(zhǔn)備工作。Prompt可以根據(jù)輸入的句子來輸出對MASK位置單詞的預(yù)測，進(jìn)而推測出用戶對該作品作品的態(tài)度。

預(yù)訓(xùn)練+下游任務(wù)微調(diào)（PLM+Fine-tuning）處理情感分類任務(wù)（寫影評）

Prompt范式具有以下優(yōu)點：

1）大大降低模型訓(xùn)練所需樣本量，可以在少樣本甚至零樣本的情況下進(jìn)行訓(xùn)練

2）提高模型的通用性，在實際應(yīng)用中減少成本并提高效率

當(dāng)下，大型模型如GPT-4已經(jīng)不再完全開放全部的模型參數(shù)，用戶只能通過API接口使用模型進(jìn)行預(yù)測。由此可見，Prompt工程在下游任務(wù)中的重要性已經(jīng)不言而喻。

三、ZSL：零樣本學(xué)習(xí)降本增效，提高模型泛化能力

1、什么是零樣本學(xué)習(xí)能力？

零樣本學(xué)習(xí)（Zero-shot Learning, ZSL）是機(jī)器學(xué)習(xí)中的一個難題，其目標(biāo)是讓模型能夠?qū)奈匆娺^的"未知物體"進(jìn)行分類和識別。下圖中展示一個經(jīng)典案例，即認(rèn)識斑馬。一個"兒童"在動物園里見過許多動物，如馬、熊貓、獅子、老虎等，但從未見過斑馬。通過老師的描述，該"兒童"了解到斑馬有四條腿、黑白相間的條紋以及尾巴。最終這個"兒童"輕松地辨認(rèn)出斑馬。

類似，模型也可以通過零樣本學(xué)習(xí)方式，從已見過的類別中提取特征（如外形類似馬、具有條紋、黑白色），然后根據(jù)對未知類別特征的描述，識別那些從未見過的類別。換言之，模型通過之前學(xué)到的知識和特征，將其應(yīng)用于未知物體的識別。

零樣本學(xué)習(xí)（ZSL）示例

2、SAM 的零樣本學(xué)習(xí)能力得到認(rèn)可

SAM 正具備這樣一種零樣本分割能力，可以從各種 prompt 輸入（包括點、方框和文本）中生成高質(zhì)量的掩膜(Mask)。學(xué)術(shù)界有多篇論文探討SAM 的 ZSL 能力， 如《SAM.MD: Zero-shot medical image segmentation capabilities of the Segment Anything Model》測試 SAM 的 ZSL 效果，在圖像分割任務(wù)中輸入部分點和框作為 prompt 提示，結(jié)果顯示：專家用戶可以通過 SAM 實現(xiàn)大部分場景下的快速半自動分割。雖然在實驗中 SAM 沒有表現(xiàn)出領(lǐng)先的全自動分割性能，但可成為推動臨床醫(yī)生半自動分割工具發(fā)展的潛在催化劑。

SAM 的零樣本學(xué)習(xí)能力在 CT 影像中的應(yīng)用

四、SA-1B：迄今為止最大的分割數(shù)據(jù)集，助力模型增效

1、Data Engine：使用數(shù)據(jù)引擎生成掩碼

SAM使用數(shù)據(jù)集進(jìn)行訓(xùn)練，并采用SAM交互式注釋圖像的方式對數(shù)據(jù)進(jìn)行標(biāo)注。另外，采用新穎的數(shù)據(jù)收集方法，結(jié)合模型和標(biāo)注人員的力量，從而提高數(shù)據(jù)收集的效率和質(zhì)量。整個過程可以分為三個階段，讓SAM的數(shù)據(jù)引擎更加完善和高效。

SAM使用數(shù)據(jù)引擎（data engine）漸進(jìn)式收集數(shù)據(jù)示意圖

1）手工階段：在模型輔助的手工注釋階段，標(biāo)注人員利用SAM模型作為輔助工具，在圖像上進(jìn)行點擊、框選或輸入文本等操作來生成MASK，并且模型會實時根據(jù)標(biāo)注人員的輸入更新MASK，并提供一些可選的MASK供標(biāo)注人員選擇和修改。該方式使得標(biāo)注人員能夠快速而準(zhǔn)確地分割圖像中的對象，無需手動繪制。其目的是收集高質(zhì)量的MASK，用于訓(xùn)練和改進(jìn)SAM模型。

2）半自動階段：SAM模型已經(jīng)具備一定的分割能力，能夠自動預(yù)測圖像中的對象。但是由于模型不夠完善，預(yù)測MASK可能存在錯誤或遺漏。標(biāo)注人員的主要任務(wù)是檢查和修正模型的預(yù)測結(jié)果，以確保MASK的準(zhǔn)確性和完整性。該階段的目標(biāo)是收集更多的MASK，以進(jìn)一步提升SAM模型的性能和泛化能力。

3）全自動階段：SAM模型已經(jīng)達(dá)到較高水平，能夠準(zhǔn)確地分割圖像中的所有對象，無需任何人工干預(yù)。因此，標(biāo)注人員工作轉(zhuǎn)變?yōu)榇_認(rèn)和驗證模型輸出，以確保沒有任何錯誤。該階段旨在利用SAM模型的自動標(biāo)注能力，快速擴(kuò)展數(shù)據(jù)集的規(guī)模和覆蓋范圍。

2、Data Set：使用數(shù)據(jù)引擎生成掩碼

通過逐步進(jìn)行“模型輔助的手工注釋——半自動半注釋——模型全自動分割掩碼”方法，SAM團(tuán)隊成功創(chuàng)建名為SA-1B圖像分割數(shù)據(jù)集。該數(shù)據(jù)集具有規(guī)模空前、質(zhì)量優(yōu)良、多樣化豐富和隱私保護(hù)的特點。

1）圖像數(shù)量和質(zhì)量：SA-1B包含多樣化、高清晰度、隱私保護(hù)的1100萬張照片，這些照片是由一家大型圖片公司提供并授權(quán)使用，符合相關(guān)的數(shù)據(jù)許可證要求，可供計算機(jī)視覺研究使用。

2）分割掩碼數(shù)量和質(zhì)量：SA-1B包含11億個精細(xì)的分割掩碼，這些掩碼是由Meta開發(fā)的數(shù)據(jù)引擎自動生成，展示該引擎強(qiáng)大的自動化標(biāo)注能力。

3）圖像分辨率和Mask數(shù)量：每張圖像的平均分辨率為1500x2250像素，每張圖像包含約100個掩碼。

4）數(shù)據(jù)集規(guī)模對比：SA-1B比現(xiàn)有的分割數(shù)據(jù)集增加400多倍；相較于完全手動基于多邊形的掩碼標(biāo)注（如COCO數(shù)據(jù)集），使用SAM的方法快6.5倍；比過去最大的數(shù)據(jù)標(biāo)注工作快兩倍。

SA-1B比現(xiàn)有分割數(shù)據(jù)集多 400 倍

SA-1B數(shù)據(jù)集目標(biāo)是訓(xùn)練一個通用模型，可以從開放世界圖像中分割出任何物體。該數(shù)據(jù)集不僅為SAM模型提供強(qiáng)大的訓(xùn)練基礎(chǔ)，同時也為圖像分割領(lǐng)域提供一個全新的研究資源和基準(zhǔn)。

此外，在SA-1B的論文中，作者進(jìn)行RAI（Responsible AI，責(zé)任智能）分析，并指出該數(shù)據(jù)集的圖像在跨區(qū)域代表性方面具有更強(qiáng)的特點。

SA-1B 數(shù)據(jù)集的跨區(qū)域代表性較強(qiáng)

五、SAM 核心優(yōu)勢：減少訓(xùn)練需求，提升分割性能

SAM的核心目標(biāo)是在不需要專業(yè)建模知識、減少訓(xùn)練計算需求以及自行標(biāo)注掩碼的情況下，實現(xiàn)目標(biāo)通用分割。為逐步實現(xiàn)該目標(biāo)，SAM采取以下三種方法構(gòu)建圖像領(lǐng)域的通用分割大模型：

1）數(shù)據(jù)規(guī)模和質(zhì)量

SAM通過具備零樣本遷移能力，收集大量高質(zhì)量的圖像分割數(shù)據(jù)(1100萬張圖像和11億個掩碼)構(gòu)建SA-1B數(shù)據(jù)集，這是目前規(guī)模最大的圖像分割數(shù)據(jù)集，遠(yuǎn)超過以往的數(shù)據(jù)集。

2）模型效率和靈活性

SAM借鑒Transformer模型架構(gòu)，并結(jié)合注意力機(jī)制和卷積神經(jīng)網(wǎng)絡(luò)，實現(xiàn)高效且可引導(dǎo)的圖像分割模型。該模型能夠處理任意大小和比例的圖像，并且能夠根據(jù)不同的輸入提示生成不同的分割結(jié)果。

SAM 的可提示分割模型分為三部分

3）任務(wù)的泛化和遷移

SAM實現(xiàn)圖像分割任務(wù)的泛化和遷移能力。它通過采用可提示分割任務(wù)的方法，構(gòu)建一個能夠零樣本遷移的圖像分割模型。這意味著SAM可以適應(yīng)新的圖像分布和任務(wù)，而無需額外的訓(xùn)練數(shù)據(jù)或微調(diào)。這一特性使得SAM在多個圖像分割任務(wù)上表現(xiàn)出色，甚至超過一些有監(jiān)督的模型。

目前，SAM已經(jīng)具備以下功能：

學(xué)習(xí)物體概念能夠理解圖像中物體的概念和特征。

生成未見過物體的掩碼為圖像或視頻中未見過的物體生成準(zhǔn)確的掩碼。

高通用性具有廣泛的應(yīng)用性，能夠適應(yīng)不同的場景和任務(wù)。

支持多種交互方式SAM支持用戶使用多種交互方式進(jìn)行圖像和視頻分割，例如全選分割自動識別圖像中的所有物體，以及框選分割（只需框選用戶選擇的部分即可完成分割）。

框選分割（BOX）

在圖像分割領(lǐng)域，SAM是一個具有革命性意義的模型。它引入一種全新范式和思維方式，為計算機(jī)視覺領(lǐng)域的基礎(chǔ)模型研究提供新的視角和方向。SAM的出現(xiàn)改變了人們對圖像分割的認(rèn)知，并為該領(lǐng)域帶來巨大的進(jìn)步和突破。

2、基于 SAM 二次創(chuàng)作，衍生模型提升性能

自從引入SAM以來，該技術(shù)在人工智能領(lǐng)域引起極大的興趣和討論，并且衍生出一系列相關(guān)模型和應(yīng)用，如SEEM和MedSAM等。這些模型在工程、醫(yī)學(xué)影像、遙感圖像、農(nóng)業(yè)等不同領(lǐng)域都有廣泛應(yīng)用。借鑒SAM理念和方法，并通過進(jìn)一步改進(jìn)和優(yōu)化，使得SAM的應(yīng)用范圍更廣泛。

1）SEEM：交互、語義更泛化，分割質(zhì)量提升

SEEM在交互和語義空間上都比 SAM 更具泛化性

SEEM是一種基于SAM的新型交互模型，利用SAM強(qiáng)大的零樣本泛化能力，實現(xiàn)對任意圖像中所有物體的分割任務(wù)。該模型結(jié)合SAM和一個檢測器，通過使用檢測器輸出的邊界框作為輸入提示，生成相應(yīng)物體掩碼。SEEM能夠根據(jù)用戶提供多種輸入模態(tài)（如文本、圖像、涂鴉等），一次性完成圖像或視頻中所有內(nèi)容分割與物體識別任務(wù)。

這項研究已在多個公開數(shù)據(jù)集上進(jìn)行實驗，其分割質(zhì)量和效率均優(yōu)于SAM。值得一提的是，SEEM是第一個支持各種用戶輸入類型的通用接口，包括文本、點、涂鴉、框和圖像，提供強(qiáng)大組合功能。

SEEM 根據(jù)用戶輸入的點和涂鴉進(jìn)行圖像識別

SEEM具備分類識別特性，可以直接輸入?yún)⒖紙D像并指定參考區(qū)域，從而對其他圖像進(jìn)行分割，并找出與參考區(qū)域相一致的物體。同時該模型還擁有零樣本分割功能，對于模糊或經(jīng)歷劇烈變形的視頻，能夠準(zhǔn)確地分割出參考對象。通過第一幀和用戶提供的涂鴉等輸入，SEEM能夠在道路場景、運動場景等應(yīng)用中表現(xiàn)出色。

SEEM 根據(jù)參考圖像對其他圖像進(jìn)行分割

2）MedSAM：提升感知力，應(yīng)用醫(yī)學(xué)圖像分割

為評估SAM在醫(yī)學(xué)影像分割任務(wù)中的性能，深圳大學(xué)等多所高校合作創(chuàng)建COSMOS 553K數(shù)據(jù)集（迄今為止規(guī)模最大的醫(yī)學(xué)影像分割數(shù)據(jù)集）研究人員利用該數(shù)據(jù)集對SAM進(jìn)行全面、多角度、大規(guī)模的詳細(xì)評估。該數(shù)據(jù)集考慮醫(yī)學(xué)圖像的多樣成像模式、復(fù)雜邊界以及廣泛的物體尺度，提出更大的挑戰(zhàn)。通過這次評估，可以更全面地了解SAM在醫(yī)學(xué)影像分割任務(wù)中的性能表現(xiàn)。

SAM 分割醫(yī)學(xué)影像測試的詳細(xì)框架

根據(jù)評估結(jié)果顯示，SAM盡管具備成為通用醫(yī)學(xué)影像分割模型的潛力，但在醫(yī)學(xué)影像分割任務(wù)中的表現(xiàn)目前還不夠穩(wěn)定。特別是在全自動Everything的分割模式下，SAM對大多數(shù)醫(yī)學(xué)影像分割任務(wù)的適應(yīng)能力較差，其感知醫(yī)學(xué)分割目標(biāo)的能力有待提高。因此，SAM在醫(yī)學(xué)影像分割領(lǐng)域的應(yīng)用還需要進(jìn)一步的研究和改進(jìn)。

測試 SAM 對醫(yī)學(xué)影像分割性能的數(shù)據(jù)集 COSMOS 553K 及分割效果

因此在醫(yī)學(xué)影像分割領(lǐng)域，研究重點應(yīng)該放在如何利用少量醫(yī)學(xué)影像來有效地微調(diào)SAM模型以提高其可靠性，并構(gòu)建一種適用于醫(yī)學(xué)影像的Segment Anything Model。針對這一目標(biāo)，MedSAM提出一種簡單的微調(diào)方法，將SAM適應(yīng)到通用的醫(yī)學(xué)影像分割任務(wù)中。通過在21個三維分割任務(wù)和9個二維分割任務(wù)上進(jìn)行全面的實驗，MedSAM證明其分割效果優(yōu)于默認(rèn)的SAM模型。這項研究為醫(yī)學(xué)影像分割提供一種有效的方法，使SAM模型能夠更好地適應(yīng)醫(yī)學(xué)影像的特點，并取得更好的分割結(jié)果。

MedSAM 示意圖

3）SAM-Track：擴(kuò)展 SAM 應(yīng)用領(lǐng)域，增強(qiáng)視頻分割性能

最新開源的SAM-Track項目由浙江大學(xué)ReLER實驗室的科研人員開發(fā)，為SAM模型增強(qiáng)在視頻分割領(lǐng)域的能力。SAM-Track能夠?qū)θ我馕矬w進(jìn)行分割和跟蹤，并且支持各種時空場景，例如街景、AR、細(xì)胞、動畫和航拍等。該項目在單卡上即可實現(xiàn)目標(biāo)分割和跟蹤，能夠同時追蹤超過200個物體，為用戶提供強(qiáng)大的視頻編輯能力。

相較于傳統(tǒng)的視頻分割技術(shù)，SAM-Track具有更高的準(zhǔn)確性和可靠性。它能夠自適應(yīng)地識別不同場景下的物體，并快速而精確地進(jìn)行分割和跟蹤，從而使用戶能夠輕松地進(jìn)行視頻編輯和后期制作，實現(xiàn)更出色的視覺效果?？偟膩碚f，SAM-Track是在SAM基礎(chǔ)上的有意義的研究成果，為視頻分割和跟蹤領(lǐng)域的研究和應(yīng)用帶來了新的可能性。它的出現(xiàn)為視頻編輯、后期制作等領(lǐng)域帶來更多機(jī)會和挑戰(zhàn)。

3、SAM 及衍生模型賦能多場景應(yīng)用

SAM模型是一種高效且準(zhǔn)確的圖像分割模型，在計算機(jī)視覺領(lǐng)域的應(yīng)用具有廣泛的潛力，可以賦能工業(yè)機(jī)器視覺領(lǐng)域，實現(xiàn)降本增效、快速訓(xùn)練和減少對數(shù)據(jù)的依賴。在AR/CR行業(yè)、自動駕駛和安防監(jiān)控領(lǐng)域等賽道，SAM可以用于動態(tài)圖像的捕捉和分割，盡管可能涉及到技術(shù)、算力和倫理隱私方面的挑戰(zhàn)，但其發(fā)展?jié)摿薮蟆?/p>

此外，SAM對于一些特定場景的分割任務(wù)可能具有困難性，但可以通過微調(diào)或適配器模塊的使用進(jìn)行改進(jìn)。在醫(yī)學(xué)影像和遙感圖像處理領(lǐng)域，SAM可以通過簡單微調(diào)或少量標(biāo)注數(shù)據(jù)的訓(xùn)練來適應(yīng)分割任務(wù)。另外，SAM還可以與其他模型或系統(tǒng)結(jié)合使用，例如與分類器結(jié)合實現(xiàn)物體檢測和識別或與生成器結(jié)合實現(xiàn)圖像編輯和轉(zhuǎn)換。這種結(jié)合能夠進(jìn)一步提高圖像分割的準(zhǔn)確性和效率，為各行業(yè)帶來更多應(yīng)用場景。

1）基于 3D 重建，賦能 AR、游戲

在AR/VR領(lǐng)域，SAM模型結(jié)合3D重建技術(shù)和圖像處理算法，為用戶提供更加逼真和沉浸的視覺體驗。通過SAM模型，用戶可以將2D圖像轉(zhuǎn)化為3D場景，并在AR或VR設(shè)備上進(jìn)行觀察和操控，實現(xiàn)對真實世界的模擬和還原。這樣的技術(shù)結(jié)合為用戶帶來高度沉浸式的互動體驗，能夠在虛擬世界中與物體進(jìn)行互動，享受更加逼真的視覺感受。

此外，SAM模型還結(jié)合了深度學(xué)習(xí)算法，對用戶視線和手勢識別和跟蹤，以實現(xiàn)更智能化互動方式。舉例來說，當(dāng)用戶注視某個物體時，SAM模型可以自動聚焦并提供更為詳細(xì)的信息；當(dāng)用戶做出手勢操作時，SAM模型也能夠快速響應(yīng)并實現(xiàn)場景的調(diào)整和變化。

2）跟蹤運動物體，賦能安防監(jiān)控

在圖像分割領(lǐng)域，SAM是一種高效而準(zhǔn)確的模型，能夠進(jìn)行視頻和動態(tài)圖像的分割，并產(chǎn)生SEEM和SAM-Track這兩個衍生應(yīng)用。這些衍生模型充分利用了SAM的零樣本泛化能力，通過使用參考圖像和用戶輸入的涂鴉、文字等信息，在模糊或劇烈變形的視頻中實現(xiàn)對目標(biāo)對象的準(zhǔn)確分割。

例如，在跑酷、運動和游戲等視頻中，傳統(tǒng)的圖像分割算法往往無法有效處理復(fù)雜的背景和快速移動的目標(biāo)物體。然而，SEEM模型不僅能夠準(zhǔn)確識別參考對象，還能夠消除背景干擾，從而提高分割的精度。簡而言之，SAM模型及其相關(guān)應(yīng)用在處理具有動態(tài)特征的圖像分割問題上表現(xiàn)出出色的性能和準(zhǔn)確度。

SEEM 在跑酷、運動、游戲視頻中可以準(zhǔn)確分割參考對象

除在運動場景中的應(yīng)用之外，SEEM和SAM-Track還可以賦能安防和視頻監(jiān)控等領(lǐng)域，準(zhǔn)確地對視頻中的物體進(jìn)行分割，以便進(jìn)行后續(xù)的識別和處理。SEEM和SAM-Track通過輸入的提示信息，能夠準(zhǔn)確地判斷目標(biāo)物體并進(jìn)行精確的分割。

3）解決長尾難題，賦能自動駕駛

盡管目前自動駕駛技術(shù)已經(jīng)在90%以上的道路場景下成功實現(xiàn)，但仍然存在10%的長尾場景難題，這主要是由于路況和車輛行駛情況的不可預(yù)測性所導(dǎo)致。這些長尾場景包括突發(fā)事件、復(fù)雜地形和惡劣氣候等極端情況，如強(qiáng)降雨、暴風(fēng)雪和雷電等，對自動駕駛系統(tǒng)的識別和決策能力構(gòu)成巨大挑戰(zhàn)。此外，在城市交通中，還需要考慮非機(jī)動車、行人和建筑物等因素對自動駕駛系統(tǒng)的影響。

為了解決長尾問題，自動駕駛技術(shù)需要整合更多的算法和傳感器，并通過數(shù)據(jù)采集和深度學(xué)習(xí)等方法提升系統(tǒng)的智能水平。例如，通過整合雷達(dá)、攝像頭、激光雷達(dá)等傳感器的數(shù)據(jù)來提高對目標(biāo)物體的識別和跟蹤能力。同時，可以利用深度學(xué)習(xí)算法來模擬和預(yù)測復(fù)雜場景。此外，引入人工智能技術(shù)，讓自動駕駛系統(tǒng)在長尾場景中不斷學(xué)習(xí)和優(yōu)化，以提高其適應(yīng)性和泛化能力。

城市道路場景中長尾場景較多

在自動駕駛領(lǐng)域，圖像分割在感知和理解道路環(huán)境中起著關(guān)鍵作用。SAM（Segment Anything Model）可以通過標(biāo)記和分割圖像中的不同物體和區(qū)域?qū)崿F(xiàn)精確的場景感知。傳統(tǒng)的手動標(biāo)注方法耗時且容易出錯，而SAM的自動化分割能夠大幅降低成本并提高準(zhǔn)確性。

SAM在自動駕駛系統(tǒng)中能夠?qū)崟r感知道路標(biāo)記、車道線、行人、交通信號燈等關(guān)鍵元素。通過與其他深度學(xué)習(xí)模型結(jié)合，如目標(biāo)檢測和路徑規(guī)劃模型，SAM可以準(zhǔn)確理解周圍環(huán)境，幫助自動駕駛系統(tǒng)做出安全、高效的決策。

以行人識別和車道線跟蹤為例，SAM能夠預(yù)測行人和車輛的運動軌跡，幫助減少潛在的交通事故風(fēng)險。

4）提高分割性能，賦能遙感圖像

遙感圖像是通過衛(wèi)星、飛機(jī)等遙測手段獲取地球表面信息的重要工具，其具備多樣性、全覆蓋和高精度等特點，在現(xiàn)代科技發(fā)展中扮演著不可或缺的角色。遙感圖像在環(huán)境監(jiān)測、自然資源管理、城市規(guī)劃和災(zāi)害預(yù)警等領(lǐng)域應(yīng)用廣泛。

遙感數(shù)據(jù)包括光學(xué)遙感數(shù)據(jù)、光譜數(shù)據(jù)、SAR雷達(dá)數(shù)據(jù)、無人機(jī)數(shù)據(jù)等多種類型。處理遙感數(shù)據(jù)一般分為兩個階段：第一階段通過遙感地面處理系統(tǒng)對接收到的衛(wèi)星數(shù)據(jù)進(jìn)行處理，包括大氣校正、色彩均勻化和圖像裁剪等，以得到可以進(jìn)一步識別和處理的圖像；第二階段則是在此基礎(chǔ)上，對遙感圖像進(jìn)行進(jìn)一步處理和解譯，主要是對圖像中的物體進(jìn)行識別。

由于遙感圖像的多樣性、復(fù)雜性和數(shù)據(jù)大量的特點，在處理過程中存在許多挑戰(zhàn)和困難。

圖像處理經(jīng)歷三個階段：

人工解譯階段：完全依賴標(biāo)注人員進(jìn)行圖像解釋，但這種方法成本高且解譯效率低下；

AI+遙感階段：借助AI技術(shù)和算力的支持，有效緩解圖像解譯難點，并實現(xiàn)了人機(jī)協(xié)同。隨著遙感和測繪等觀測平臺以及衛(wèi)星數(shù)量的增長，AI與遙感的結(jié)合為圖像解譯提供更多可能性；

遙感大模型時代：隨著大型神經(jīng)網(wǎng)絡(luò)模型的發(fā)布，遙感圖像的解譯有望進(jìn)入大模型階段。

遙感圖像處理發(fā)展階段

大型遙感圖像分割模型SAM是一項新興的技術(shù)，為遙感圖像處理提供全新的方法?；谏疃葘W(xué)習(xí)算法，SAM能夠高效地對遙感圖像進(jìn)行分割、識別和生成，從而顯著提升遙感圖像解譯的效率。利用SAM模型進(jìn)行遙感圖像分割，用戶能夠快速準(zhǔn)確地生成高質(zhì)量的地圖和三維模型，從而提高環(huán)境監(jiān)測和資源管理的效率及精度。此外，SAM模型還支持多源數(shù)據(jù)的融合，將遙感圖像與其他數(shù)據(jù)相結(jié)合，以產(chǎn)生更全面、更精準(zhǔn)的分析結(jié)果。提高遙感數(shù)據(jù)處理效率不僅為遙感應(yīng)用打下堅實基礎(chǔ)，也為下游的遙感應(yīng)用帶來更廣闊的發(fā)展空間。

大模型應(yīng)用于遙感圖像處理

盡管SAM大模型在處理一些困難的遙感圖像分割任務(wù)時仍然面臨挑戰(zhàn)，例如在面對陰影、掩體分割和隱蔽動物定位等任務(wù)時的準(zhǔn)確性較低。遙感圖像分割任務(wù)需要模型具備更高的感知力和識別能力，SAM模型目前無法完全做到"分割一切"，特別是在處理細(xì)節(jié)方面還有進(jìn)一步提升的空間。然而，通過不斷改進(jìn)和優(yōu)化，SAM模型的性能可以提升。

另外，RS-promter是在SAM發(fā)布后由專家團(tuán)隊二次創(chuàng)作的一種基于SAM基礎(chǔ)模型的遙感圖像實例分割的prompt learning方法。這種方法被稱為RSPrompter，使SAM能夠生成語義可辨別的遙感圖像分割結(jié)果，而無需手動創(chuàng)建prompt。RSPrompter的目標(biāo)是自動生成prompt，以自動獲取語義實例級別的掩碼。這種方法不僅適用于SAM，還可以擴(kuò)展到其他基礎(chǔ)模型。

SAM模型在處理困難的遙感圖像分割任務(wù)中仍然具有挑戰(zhàn)，但通過改進(jìn)和優(yōu)化，包括引入更多數(shù)據(jù)集、采用更先進(jìn)的神經(jīng)網(wǎng)絡(luò)架構(gòu)以及基于RS-promter的改進(jìn)方法，可以提高其性能。

基于錨點的 prompter

研究人員進(jìn)行了一系列實驗來驗證RSPrompter的效果。這些實驗不僅證明RSPrompter每個組件的有效性，還展示它在三個公共遙感數(shù)據(jù)集上相較于其他先進(jìn)的實例分割技術(shù)和基于SAM的方法具有更好的性能。

大模型為空天信息產(chǎn)業(yè)帶來了驅(qū)動和挑戰(zhàn)

大模型的引入為遙感圖像領(lǐng)域帶來新的推動力和挑戰(zhàn)。在多模態(tài)時空遙感數(shù)據(jù)的應(yīng)用中，大模型在基于合成孔徑雷達(dá)（SAR）、光學(xué)、多光譜衛(wèi)星和無人機(jī)航拍等方面具有廣泛的應(yīng)用。借助開源大模型基礎(chǔ)結(jié)構(gòu)，為遙感數(shù)據(jù)開展定制化模型研發(fā)，實現(xiàn)一站式、全流程的遙感大模型構(gòu)建能力。另外，大模型支持處理大規(guī)模模型參數(shù)和標(biāo)注數(shù)據(jù)量，實現(xiàn)更高效、精準(zhǔn)的遙感數(shù)據(jù)處理和分析，為影像智能檢索與推送、地物智能提取采編、數(shù)字孿生產(chǎn)品線等領(lǐng)域提供技術(shù)支持。

未來，大模型訓(xùn)練與小模型部署將結(jié)合起來，以實現(xiàn)更好的應(yīng)用效果。傳統(tǒng)的圖像處理方法難以滿足遙感影像處理的要求，因此使用大模型處理遙感圖像已成為當(dāng)前研究的重要方向。SAM模型的賦能進(jìn)一步提升了遙感圖像的意義和應(yīng)用價值，為該領(lǐng)域的研究和應(yīng)用帶來新的機(jī)會和挑戰(zhàn)，也為人們更好地認(rèn)識和利用地球資源提供技術(shù)支持。

5）算力應(yīng)用驅(qū)動，賦能機(jī)器視覺的功能主要歸類為四種：識別、測量、定位、檢測

識別

通過識別目標(biāo)物的特征，如外形、顏色、字符、條碼等，實現(xiàn)高速度和高準(zhǔn)確度的甄別。

測量

將圖像像素信息轉(zhuǎn)化為常用的度量單位，精確計算目標(biāo)物的幾何尺寸。機(jī)器視覺在復(fù)雜形態(tài)測量和高精度方面具有優(yōu)勢。

定位

獲取目標(biāo)物體的二維或三維位置信息。

檢測

主要針對外觀檢測，內(nèi)容涵蓋廣泛。例如產(chǎn)品裝配后的完整性檢測，外觀缺陷檢測（如劃痕、凹凸不平等）。

機(jī)器視覺四大功能及難度

機(jī)器視覺被稱為"智能制造之眼"，在工業(yè)自動化領(lǐng)域廣泛應(yīng)用。典型的機(jī)器視覺系統(tǒng)包括光源、鏡頭、相機(jī)和視覺控制系統(tǒng)（包括視覺處理分析軟件和視覺控制器硬件）。根據(jù)技術(shù)的不同，機(jī)器視覺可分為基于硬件的成像技術(shù)和基于軟件的視覺分析技術(shù)。機(jī)器視覺的發(fā)展受到四大核心驅(qū)動力的影響，包括成像、算法、算力和應(yīng)用。每個方面都對機(jī)器視覺的發(fā)展起到重要的推動作用，不可或缺。

機(jī)器視覺發(fā)展歷程

機(jī)器視覺技術(shù)的發(fā)展受到兩大核心驅(qū)動力的影響。

應(yīng)用驅(qū)動：隨著傳統(tǒng)制造業(yè)對機(jī)器視覺技術(shù)的逐步采納和新興行業(yè)的崛起，機(jī)器視覺需求不斷增加。在智能制造領(lǐng)域，機(jī)器視覺技術(shù)可以幫助企業(yè)實現(xiàn)自動化生產(chǎn)，提高生產(chǎn)效率和產(chǎn)品質(zhì)量。在智能醫(yī)療領(lǐng)域，機(jī)器視覺技術(shù)可以輔助醫(yī)生進(jìn)行診斷和治療，提高醫(yī)療水平和治療效果。

算力/算法驅(qū)動：隨著CPU算力的增長和AI算法的快速進(jìn)化，特別是深度學(xué)習(xí)等技術(shù)的應(yīng)用，機(jī)器視覺技術(shù)在圖像處理和分析方面變得更加高效和精確。高性能計算設(shè)備的推動和算法的不斷進(jìn)步，為機(jī)器視覺技術(shù)的發(fā)展提供強(qiáng)大支持。

引入AI大模型為機(jī)器視覺產(chǎn)業(yè)帶來重大突破。當(dāng)前，機(jī)器視覺領(lǐng)域采用先進(jìn)技術(shù)，包括深度學(xué)習(xí)、3D處理與分析、圖像感知融合以及硬件加速圖像處理等。這些技術(shù)和模型大幅提升了機(jī)器視覺的智能應(yīng)用能力，改進(jìn)圖像識別的復(fù)雜性和準(zhǔn)確性，同時降低成本，提高效率。

基于 AI 的輕量級人臉識別網(wǎng)絡(luò)，可用于視頻實時分析、安防監(jiān)控等

AI在機(jī)器視覺領(lǐng)域有廣泛的應(yīng)用。通過深度學(xué)習(xí)網(wǎng)絡(luò)如CNN來實現(xiàn)物體的檢測和識別，對圖像進(jìn)行分類理解場景，并提升圖像的質(zhì)量和恢復(fù)效果，實現(xiàn)實時分析和異常檢測，進(jìn)行3D重建和增強(qiáng)現(xiàn)實等技術(shù)。同時，AI賦予機(jī)器視覺“理解”所看到圖像的能力，為各種應(yīng)用場景帶來無限的創(chuàng)新和發(fā)展機(jī)會。

其中，SAM作為一種重要的視覺領(lǐng)域AI大模型，可以在機(jī)器視覺領(lǐng)域推動創(chuàng)新和進(jìn)步。例如，SAM可以直接應(yīng)用于智慧城市中，提高交通監(jiān)測、人臉識別等任務(wù)的效率。在智能制造領(lǐng)域，SAM可以增強(qiáng)視覺檢測和質(zhì)量控制的能力。此外，SAM還可以與OVD技術(shù)結(jié)合，自動地生成所需信息，加強(qiáng)語義理解能力，從而增強(qiáng)用戶的交互體驗。綜上所述，AI在機(jī)器視覺領(lǐng)域的應(yīng)用以及SAM模型的運用都為各個領(lǐng)域帶來了巨大的潛力和機(jī)遇。

OVD 目標(biāo)檢測基本流程

SAM大模型環(huán)境配置

要部署 "Segment Anything Model"，需要按以下步驟進(jìn)行操作：

收集和標(biāo)記訓(xùn)練數(shù)據(jù)：收集模型進(jìn)行分割的對象的圖像數(shù)據(jù)，并進(jìn)行標(biāo)記。

進(jìn)行數(shù)據(jù)預(yù)處理：在訓(xùn)練之前，對圖像進(jìn)行預(yù)處理（調(diào)整圖像的大小、剪裁不相關(guān)的區(qū)域或應(yīng)用增強(qiáng)技術(shù)）以提高模型的準(zhǔn)確性和泛化能力。

構(gòu)建和訓(xùn)練模型：選擇適合的模型，并使用預(yù)處理后的數(shù)據(jù)進(jìn)行訓(xùn)練（合適的網(wǎng)絡(luò)架構(gòu)、調(diào)整超參數(shù)和優(yōu)化模型的損失函數(shù)）。

模型評估和調(diào)優(yōu)：對訓(xùn)練完成的模型進(jìn)行評估，確保其在分割任務(wù)上的性能?？梢赃M(jìn)行模型調(diào)優(yōu)，如調(diào)整閾值、增加訓(xùn)練數(shù)據(jù)或使用遷移學(xué)習(xí)等技術(shù)。

部署和推理：將訓(xùn)練好的模型部署到目標(biāo)環(huán)境中，并使用新的圖像數(shù)據(jù)進(jìn)行推理。

以下是具體操作流程：

請確保系統(tǒng)滿足以下要求：Python版本大于等于3.8，PyTorch版本大于等于1.7，torchvision版本大于等于0.8。

可以參考官方教程來進(jìn)行操作：https://github.com/facebookresearch/segment-anything

一、以下是安裝主要庫的幾種方式：

1、使用pip安裝（需要配置好Git）：

Pip install

git+https://github.com/facebookresearch/segment-anything.git

2、本地安裝（需要配置好Git）：

git clone git@github.com:facebookresearch/segment-anything.git

cd segment-anything

pip install -e .

3、手動下載+手動本地安裝：

私信小助手獲取zip文件，并解壓后運行以下命令：

cd segment-anything-main

pip install -e .

二、安裝依賴庫：

為了安裝依賴庫，可以運行以下命令：

pip install opencv-python pycocotools matplotlib onnxruntime onnx

請注意，如果您在安裝matplotlib時遇到錯誤，可以嘗試安裝特定版本的matplotlib，如3.6.2版本?？梢允褂靡韵旅畎惭b指定版本的matplotlib：

pip install matplotlib==3.6.2

三、下載權(quán)重文件：

您可以從以下鏈接中下載三個權(quán)重文件中的一個：

1、default 或 vit_h：ViT-H SAM 模型。

2、vit_l：ViT-L SAM 模型。

3、vit_b：ViT-B SAM 模型。

如果您發(fā)現(xiàn)下載速度過慢，請私信小助手獲取權(quán)重文件。

通過下載并使用其中一個權(quán)重文件，將能夠在 "Segment Anything" 模型中使用相應(yīng)的預(yù)訓(xùn)練模型。

如何配置訓(xùn)練SAM模型服務(wù)器

在計算機(jī)視覺領(lǐng)域，圖像分割是一個關(guān)鍵的任務(wù)，涉及將圖像中的不同對象或區(qū)域進(jìn)行準(zhǔn)確的分割。SAM模型作為一種基于CV領(lǐng)域的ChatGPT，為圖像分割任務(wù)提供強(qiáng)大的能力。然而，要使用SAM模型，需要配置適合SAM環(huán)境的服務(wù)器，并滿足SAM模型對計算資源和存儲空間的需求。

配置適合SAM環(huán)境的服務(wù)器是充分利用SAM模型優(yōu)勢的關(guān)鍵。為滿足SAM模型對計算資源和存儲空間的需求，需要確保服務(wù)器具備足夠的CPU和GPU資源、存儲空間和高性能網(wǎng)絡(luò)連接。

一、計算資源需求

由于SAM模型依賴于深度學(xué)習(xí)算法，需要進(jìn)行大規(guī)模的矩陣運算和神經(jīng)網(wǎng)絡(luò)訓(xùn)練。因此通常需要大量的計算資源來進(jìn)行高效的圖像分割。所以配置SAM環(huán)境時，需要確保服務(wù)器具備足夠的CPU和GPU資源來支持SAM模型的計算需求。特別是在處理大規(guī)模圖像數(shù)據(jù)集時，服務(wù)器需要具備較高的并行計算能力，以確保模型的高效運行。

1、GPU

1）GPU內(nèi)存：SAM模型需要大量的內(nèi)存來存儲模型參數(shù)和圖像數(shù)據(jù)。因此，選擇足夠內(nèi)存容量的GPU是至關(guān)重要的。

2）GPU計算能力：SAM模型依賴于深度學(xué)習(xí)算法，需要進(jìn)行大規(guī)模的矩陣運算和神經(jīng)網(wǎng)絡(luò)訓(xùn)練。因此，選擇具有較高計算能力的GPU可以提高SAM模型的運行效率。例如，選擇具有較多CUDA核心和高時鐘頻率的GPU。

2、CPU

雖然GPU在SAM模型中扮演著重要的角色，但CPU也是服務(wù)器配置中不可忽視的組件。在SAM模型中，CPU主要負(fù)責(zé)數(shù)據(jù)的預(yù)處理、模型的加載和其他非計算密集型任務(wù)。因此，在選擇CPU時，需要考慮以下幾個因素：

1）CPU核心數(shù)量：由于CPU可以并行處理多個任務(wù)，所以選擇具有較多核心的CPU可以提高SAM模型的整體性能。

2）CPU時鐘頻率：SAM模型的預(yù)處理和其他非計算密集型任務(wù)通常需要較高的時鐘頻率。因此，選擇具有較高時鐘頻率的CPU可以加快這些任務(wù)的執(zhí)行速度。

3、常用CPU+GPU推薦

1）AMD EPYC 7763 + Nvidia A100 80GB

AMD 7763是64核心的高端EPYC芯片,A100 80GB單卡內(nèi)存高達(dá)80GB,可以支持大模型的訓(xùn)練。

2）雙AMD EPYC 7742 + 8張 AMD Instinct MI50

7742是AMD的前一代32核心服務(wù)器CPU,雙CPU可以提供64核心。MI50是AMD較高端的GPU,具有16GB內(nèi)存,8張可以提供充足的計算資源。

3）雙Intel Xeon Platinum 8280 + 8張 Nvidia V100 32GB

8280是Intel Scalable系列的28核心旗艦CPU,雙CPU提供56核心。V100 32GB單卡32GB內(nèi)存。

4）AMD EPYC 7713 + 8張 Nvidia RTX A6000

RTX A6000基于Ampere架構(gòu),具有48GB內(nèi)存,相比A100更經(jīng)濟(jì)且內(nèi)存也足夠大。

5）雙Intel Xeon Gold 6300 + 8張 AMD Instinct MI100

Intel Xeon Gold 6300系列提供較低成本的多核心Xeon CPU,MI100配合使用可以達(dá)到比較好的性價比。

6）對于CPU,AMD EPYC 7003系列處理器是一個不錯的選擇。這是AMD的第三代EPYC服務(wù)器CPU,使用TSMC 5nm制程,擁有高達(dá)96個Zen 3核心,提供強(qiáng)大的多線程處理性能。具體型號可以選擇72核心的EPYC 7773X或64核心的EPYC 7713。

對于GPU,Nvidia的A100 Tensor Core GPU是目前訓(xùn)練大型神經(jīng)網(wǎng)絡(luò)的首選。它基于Ampere架構(gòu),具有高達(dá)6912個Tensor Core,可以提供高達(dá)19.5 TFLOPS的Tensor浮點性能?？梢耘渲?-8塊A100來滿足訓(xùn)練需求。

另外,AMD的Instinct MI100 GPU也是一個不錯的選擇。它使用CDNA架構(gòu),具有120個計算單元,可以提供高達(dá)11.5 TFLOPS的半精度浮點性能。相比A100更經(jīng)濟(jì)高效。

4、存儲需求

SAM模型在進(jìn)行圖像分割任務(wù)時，需要加載和存儲大量的模型參數(shù)和圖像數(shù)據(jù)。因此，服務(wù)器需要具備足夠的存儲空間來存儲SAM模型和相關(guān)數(shù)據(jù)。此外，為了提高SAM模型的運行效率，我們還可以考慮使用高速存儲設(shè)備，如SSD（固態(tài)硬盤），以加快數(shù)據(jù)的讀取和寫入速度。

5、高性能網(wǎng)絡(luò)需求

SAM模型在進(jìn)行圖像分割任務(wù)時，需要通過網(wǎng)絡(luò)接收和發(fā)送大量的數(shù)據(jù)。因此，服務(wù)器需要具備高速、穩(wěn)定的網(wǎng)絡(luò)連接，以確保數(shù)據(jù)的快速傳輸和模型的實時響應(yīng)能力。特別是在處理實時圖像分割任務(wù)時，服務(wù)器需要具備低延遲和高帶寬的網(wǎng)絡(luò)連接，以滿足實時性的要求。

藍(lán)海大腦大模型訓(xùn)練平臺

藍(lán)海大腦大模型訓(xùn)練平臺提供強(qiáng)大的算力支持，包括基于開放加速模組高速互聯(lián)的AI加速器。配置高速內(nèi)存且支持全互聯(lián)拓?fù)洌瑵M足大模型訓(xùn)練中張量并行的通信需求。支持高性能I/O擴(kuò)展，同時可以擴(kuò)展至萬卡AI集群，滿足大模型流水線和數(shù)據(jù)并行的通信需求。強(qiáng)大的液冷系統(tǒng)熱插拔及智能電源管理技術(shù)，當(dāng)BMC收到PSU故障或錯誤警告（如斷電、電涌，過熱），自動強(qiáng)制系統(tǒng)的CPU進(jìn)入ULFM（超低頻模式，以實現(xiàn)最低功耗）。致力于通過“低碳節(jié)能”為客戶提供環(huán)保綠色的高性能計算解決方案。主要應(yīng)用于深度學(xué)習(xí)、學(xué)術(shù)教育、生物醫(yī)藥、地球勘探、氣象海洋、超算中心、AI及大數(shù)據(jù)等領(lǐng)域。

一、為什么需要大模型？

1、模型效果更優(yōu)

大模型在各場景上的效果均優(yōu)于普通模型

2、創(chuàng)造能力更強(qiáng)

大模型能夠進(jìn)行內(nèi)容生成（AIGC），助力內(nèi)容規(guī)?；a(chǎn)

3、靈活定制場景

通過舉例子的方式，定制大模型海量的應(yīng)用場景

4、標(biāo)注數(shù)據(jù)更少

通過學(xué)習(xí)少量行業(yè)數(shù)據(jù)，大模型就能夠應(yīng)對特定業(yè)務(wù)場景的需求

二、平臺特點

1、異構(gòu)計算資源調(diào)度

一種基于通用服務(wù)器和專用硬件的綜合解決方案，用于調(diào)度和管理多種異構(gòu)計算資源，包括CPU、GPU等。通過強(qiáng)大的虛擬化管理功能，能夠輕松部署底層計算資源，并高效運行各種模型。同時充分發(fā)揮不同異構(gòu)資源的硬件加速能力，以加快模型的運行速度和生成速度。

2、穩(wěn)定可靠的數(shù)據(jù)存儲

支持多存儲類型協(xié)議，包括塊、文件和對象存儲服務(wù)。將存儲資源池化實現(xiàn)模型和生成數(shù)據(jù)的自由流通，提高數(shù)據(jù)的利用率。同時采用多副本、多級故障域和故障自恢復(fù)等數(shù)據(jù)保護(hù)機(jī)制，確保模型和數(shù)據(jù)的安全穩(wěn)定運行。

3、高性能分布式網(wǎng)絡(luò)

提供算力資源的網(wǎng)絡(luò)和存儲，并通過分布式網(wǎng)絡(luò)機(jī)制進(jìn)行轉(zhuǎn)發(fā)，透傳物理網(wǎng)絡(luò)性能，顯著提高模型算力的效率和性能。

4、全方位安全保障

在模型托管方面，采用嚴(yán)格的權(quán)限管理機(jī)制，確保模型倉庫的安全性。在數(shù)據(jù)存儲方面，提供私有化部署和數(shù)據(jù)磁盤加密等措施，保證數(shù)據(jù)的安全可控性。同時，在模型分發(fā)和運行過程中，提供全面的賬號認(rèn)證和日志審計功能，全方位保障模型和數(shù)據(jù)的安全性。

三、常用配置

目前大模型訓(xùn)練多常用H100、H800、A800、A100等GPU顯卡，以下是一些常用的配置。

1、H100服務(wù)器常用配置

英偉達(dá)H100 配備第四代 Tensor Core 和 Transformer 引擎（FP8 精度），與上一代產(chǎn)品相比，可為多專家 (MoE) 模型提供高 9 倍的訓(xùn)練速度。通過結(jié)合可提供 900 GB/s GPU 間互連的第四代 NVlink、可跨節(jié)點加速每個 GPU 通信的 NVLINK Switch 系統(tǒng)、PCIe 5.0 以及 NVIDIA Magnum IO? 軟件，為小型企業(yè)到大規(guī)模統(tǒng)一 GPU 集群提供高效的可擴(kuò)展性。

搭載 H100 的加速服務(wù)器可以提供相應(yīng)的計算能力，并利用 NVLink 和 NVSwitch 每個 GPU 3 TB/s 的顯存帶寬和可擴(kuò)展性，憑借高性能應(yīng)對數(shù)據(jù)分析以及通過擴(kuò)展支持龐大的數(shù)據(jù)集。通過結(jié)合使用 NVIDIA Quantum-2 InfiniBand、Magnum IO 軟件、GPU 加速的 Spark 3.0 和 NVIDIA RAPIDS?，NVIDIA 數(shù)據(jù)中心平臺能夠以出色的性能和效率加速這些大型工作負(fù)載。

CPU：英特爾至強(qiáng)Platinum 8468 48C 96T 3.80GHz 105MB 350W *2

內(nèi)存：動態(tài)隨機(jī)存取存儲器64GB DDR5 4800兆赫 *24

存儲：固態(tài)硬盤3.2TB U.2 PCIe第4代 *4

GPU ：Nvidia Vulcan PCIe H100 80GB *8

平臺 ：HD210 *1

散熱 ：CPU+GPU液冷一體散熱系統(tǒng) *1

網(wǎng)絡(luò) ：英偉達(dá)IB 400Gb/s單端口適配器 *8

電源：2000W(2+2)冗余高效電源 *1

2、A800服務(wù)器常用配置

NVIDIA A800 的深度學(xué)習(xí)運算能力可達(dá) 312 teraFLOPS（TFLOPS）。其深度學(xué)習(xí)訓(xùn)練的Tensor 每秒浮點運算次數(shù)（FLOPS）和推理的 Tensor 每秒萬億次運算次數(shù)（TOPS）皆為NVIDIA Volta GPU 的 20 倍。采用的 NVIDIA NVLink可提供兩倍于上一代的吞吐量。與 NVIDIA NVSwitch 結(jié)合使用時，此技術(shù)可將多達(dá) 16 個 A800 GPU 互聯(lián)，并將速度提升至 600GB/s，從而在單個服務(wù)器上實現(xiàn)出色的應(yīng)用性能。NVLink 技術(shù)可應(yīng)用在 A800 中：SXM GPU 通過 HGX A100 服務(wù)器主板連接，PCIe GPU 通過 NVLink 橋接器可橋接多達(dá) 2 個 GPU。

CPU：Intel 8358P 2.6G 11.2UFI 48M 32C 240W *2

內(nèi)存：DDR4 3200 64G *32

數(shù)據(jù)盤：960G 2.5 SATA 6Gb R SSD *2

硬盤：3.84T 2.5-E4x4R SSD *2

網(wǎng)絡(luò)：雙口10G光纖網(wǎng)卡（含模塊）*1

雙口25G SFP28無模塊光纖網(wǎng)卡（MCX512A-ADAT ）*1

GPU：HV HGX A800 8-GPU 8OGB *1

電源：3500W電源模塊*4

其他：25G SFP28多模光模塊 *2

單端口200G HDR HCA卡(型號:MCX653105A-HDAT) *4

2GB SAS 12Gb 8口 RAID卡 *1

16A電源線纜國標(biāo)1.8m *4

托軌 *1

主板預(yù)留PCIE4.0x16接口 *4

支持2個M.2 *1

原廠質(zhì)保3年 *1

3、A100服務(wù)器常用配置

NVIDIA A100 Tensor Core GPU 可針對 AI、數(shù)據(jù)分析和 HPC 應(yīng)用場景，在不同規(guī)模下實現(xiàn)出色的加速，有效助力更高性能的彈性數(shù)據(jù)中心。A100 采用 NVIDIA Ampere 架構(gòu)，是 NVIDIA 數(shù)據(jù)中心平臺的引擎。A100 的性能比上一代產(chǎn)品提升高達(dá) 20 倍，并可劃分為七個 GPU 實例，以根據(jù)變化的需求進(jìn)行動態(tài)調(diào)整。A100 提供 40GB 和 80GB 顯存兩種版本，A100 80GB 將 GPU 顯存增加了一倍，并提供超快速的顯存帶寬（每秒超過 2 萬億字節(jié) [TB/s]），可處理超大型模型和數(shù)據(jù)集。

CPU：Intel Xeon Platinum 8358P_2.60 GHz_32C 64T_230W *2

RAM：64GB DDR4 RDIMM服務(wù)器內(nèi)存 *16

SSD1：480GB 2.5英寸SATA固態(tài)硬盤 *1

SSD2：3.84TB 2.5英寸NVMe固態(tài)硬盤 *2

GPU：NVIDIA TESLA A100 80G SXM *8

網(wǎng)卡1：100G 雙口網(wǎng)卡IB 邁絡(luò)思 *2

網(wǎng)卡2：25G CX5雙口網(wǎng)卡 *1

4、H800服務(wù)器常用配置

H800是英偉達(dá)新代次處理器，基于Hopper架構(gòu)，對跑深度推薦系統(tǒng)、大型AI語言模型、基因組學(xué)、復(fù)雜數(shù)字孿生等任務(wù)的效率提升非常明顯。與A800相比，H800的性能提升了3倍，在顯存帶寬上也有明顯的提高，達(dá)到3 TB/s。

雖然論性能，H800并不是最強(qiáng)的，但由于美國的限制，性能更強(qiáng)的H100無法供應(yīng)給中國市場。有業(yè)內(nèi)人士表示，H800相較H100，主要是在傳輸速率上有所差異，與上一代的A100相比，H800在傳輸速率上仍略低一些，但是在算力方面，H800是A100的三倍。

CPU：Intel Xeon Platinum 8468 Processor,48C64T,105M Cache 2.1GHz,350W *2

內(nèi)存 ：64GB 3200MHz RECC DDR4 DIMM *32

系統(tǒng)硬盤： intel D7-P5620 3.2T NVMe PCle4.0x4 3DTLCU.2 15mm 3DWPD *4

GPU： NVIDIA Tesla H800 -80GB HBM2 *8

GPU網(wǎng)絡(luò)： NVIDIA 900-9x766-003-SQO PCle 1-Port IB 400 OSFP Gen5 *8

存儲網(wǎng)絡(luò) ：雙端口 200GbE IB *1

網(wǎng)卡 ：25G網(wǎng)絡(luò)接口卡 雙端口 *1

5、A6000服務(wù)器常用配置

CPU：AMD EPYC 7763 64C 2.45GHz 256MB 280W*2

內(nèi)存：64GB DDR4-3200 ECC REG RDIMM*8

固態(tài)盤：2.5" 960GB SATA 讀取密集 SSD*1

數(shù)據(jù)盤：3.5" 10TB 7200RPM SATA HDD*1

GPU：NVIDIA RTX A6000 48GB*8

平臺：

機(jī)架式4U GPU服務(wù)器，支持兩顆AMD EPYC 7002/7003系列處理器，最高支持280W TDP，最大支持32根內(nèi)存插槽支持8個3.5/2.5寸熱插拔SAS/SATA/SSD硬盤位（含2個NVMe混合插槽），可選外插SAS或RAID卡，支持多種RAID模式，獨立IPMI管理接口，11xPCIe 4.0插槽。

2200W(2+2)冗余鈦金電源（96%轉(zhuǎn)換效率）,無光驅(qū)，含導(dǎo)軌

6、AMD MI210服務(wù)器常用配置

CPU：AMD EPYC 7742 64C 2.25GHz 256MB 225W *2

內(nèi)存：64GB DDR4-3200 ECC REG RDIMM*8

固態(tài)盤：2.5" 960GB SATA 讀取密集 SSD*1

數(shù)據(jù)盤：3.5" 10TB 7200RPM SATA HDD*1

GPU：AMD MI210 64GB 300W*8

平臺：

機(jī)架式4U GPU服務(wù)器，支持兩顆AMD EPYC 7002/7003系列處理器，最高支持280W TDP，最大支持32根內(nèi)存插槽支持8個3.5/2.5寸熱插拔SAS/SATA/SSD硬盤位（含2個NVMe混合插槽），可選外插SAS或RAID卡，支持多種RAID模式，獨立IPMI管理接口，11xPCIe 4.0插槽。

2200W(2+2)冗余鈦金電源（96%轉(zhuǎn)換效率）,無光驅(qū)，含導(dǎo)軌

7、AMD MI250服務(wù)器常用配置

CPU： AMD EPYC? 7773X 64C 2.2GHz 768MB 280W *2

內(nèi)存：64GB DDR4-3200 ECC REG RDIMM*8

固態(tài)盤：2.5" 960GB SATA 讀取密集 SSD*1

數(shù)據(jù)盤：3.5" 10TB 7200RPM SATA HDD*1

GPU：AMD MI250 128GB 560W*6

平臺：

機(jī)架式4U GPU服務(wù)器，支持兩顆AMD EPYC 7002/7003系列處理器，最高支持280W TDP，最大支持32根內(nèi)存插槽支持8個3.5/2.5寸熱插拔SAS/SATA/SSD硬盤位（含2個NVMe混合插槽），可選外插SAS或RAID卡，支持多種RAID模式，獨立IPMI管理接口，11xPCIe 4.0插槽。

2200W(2+2)冗余鈦金電源（96%轉(zhuǎn)換效率）,無光驅(qū)，含導(dǎo)軌

審核編輯 黃宇