在本次测试中, Impact-Pack + segmentanything 和 **Yoloworld ESAM**的表现最好,而 segm 的效果最差。
默认使用 Impact-Pack + segmentanything 就好, segm 只能识别全身, Yoloworld ESAM 可以作为 Impact-Pack + segmentanything 的补充。
在超大场景超小人物的测试中,我们比较了几种不同的语义分割工具的表现,结果如下:
-
Impact-Pack + segmentanything
这两者的结合效果最佳,分割精准,无多余分割,适合复杂场景下的小目标识别。 -
segm
效果次之,能识别目标,但会多识别一些不必要的部分。 -
Yoloworld ESAM
效果最差,分割不够精准,容易识别多余部分,不推荐用于此类场景。
在大场景小人物的测试中,我们比较了几种不同的语义分割工具的表现,结果如下:
-
Impact-Pack + segmentanything
这两者的结合效果最佳,分割精准,无多余分割,适合复杂场景下的小目标识别。 -
segm
效果也非常好,但是抠图不如Impact-Pack + segmentanything精准,裙子还是有白边。 -
Yoloworld ESAM
效果还行。
在半身照的测试中,我们比较了几种不同的语义分割工具的表现,三者表现都非常好:
在横屏半身照测试中,我们比较了几种不同的语义分割工具的表现,结果如下:
-
Impact-Pack + segmentanything
这个组合效果依然最佳,图片扣得非常干净。 -
segm
完全不可用。这时候segm 明显落后于其他分割了,segm 进提供面部,手部,全身的选项,但我这里除了全身不报错意外,其他选项都会报错。 -
Yoloworld ESAM
效果不错非常好,甚至比Impact-Pack + segmentanything还要好。
在全身照的测试中,我们比较了几种不同的语义分割工具的表现,结果如下:
-
Impact-Pack + segmentanything
这个组合效果依然最佳,图片扣得非常干净。 -
segm
完全不可用。这时候segm 明显落后于其他分割了,segm 进提供面部,手部,全身的选项,但我这里除了全身不报错意外,其他选项都会报错。 -
Yoloworld ESAM
效果不好,会识别多余的物体。
在人物更小手臂更小的场景下,我比较了几种不同的语义分割工具的表现,结果如下:
-
Impact-Pack + segmentanything
虽然有多余的,但是对比与其他两个也是完美的存在。 -
segm
完全不可用。 -
Yoloworld ESAM
效果不好,直接识别全身了。
git add .
git commit -m "update seg.zh.md"
git push