استكشاف SAM 3: نموذج Segment Anything الجديد من Meta AI

في 19 نوفمبر 2025، أصدرت Meta AI نموذج تقسيم كل شيء 3، المعروف أيضًا باسم SAM 3. يقدم هذا الإصدار الجديد من نموذج تقسيم كل شيء أساليب جديدة لاكتشاف العناصر وتقسيمها وتتبعها في الصور ومقاطع الفيديو الواقعية باستخدام المطالبات النصية والبصرية وأمثلة الصور.

يستند نموذج SAM 3 إلى SAM وSAM 2، ويقدم تطورات وميزات جديدة مثل تقسيم المفاهيم، واكتشاف المفردات المفتوحة، وتتبع الفيديو في الوقت الفعلي. ويمكنه فهم العبارات الاسمية القصيرة، ومتابعة العناصر عبر الإطارات، والتعرف على المفاهيم الدقيقة أو النادرة التي لم تتمكن النماذج السابقة من التعامل معها بالاتساق نفسه.

ضمن إطلاق SAM 3، قدّمت Meta أيضًا SAM 3D. تعيد مجموعة نماذج الجيل التالي هذه بناء الكائنات والمشاهد والأجسام البشرية كاملةً انطلاقًا من صورة واحدة، وتوسّع منظومة نموذج تقسيم كل شيء لتشمل فهم 3D. تتيح هذه الإضافات تطبيقات جديدة في الرؤية الحاسوبية والروبوتات وتحرير الوسائط وسير العمل الإبداعي.

في هذه المقالة، سنتناول ماهية SAM 3، وما يميزه عن SAM 2، وكيفية عمل النموذج، وتطبيقاته في العالم الواقعي.

ما SAM 3؟ نظرة على نموذج تقسيم كل شيء 3 من Meta#

SAM 3 نموذج متطور للرؤية الحاسوبية يمكنه تحديد العناصر وفصلها وتتبعها في الصور ومقاطع الفيديو استنادًا إلى تعليمات بسيطة. وبدلًا من الاعتماد على قائمة ثابتة من التسميات، يفهم SAM 3 اللغة الطبيعية والإشارات البصرية، ما يسهّل توجيهه إلى ما تريد العثور عليه.

على سبيل المثال، باستخدام SAM 3، يمكنك كتابة عبارة قصيرة مثل «حافلة مدرسية صفراء» أو «قطة مخططة»، أو النقر على جسم، أو تمييز مثال في صورة. بعد ذلك، سيكشف النموذج كل جسم مطابق وينشئ أقنعة تقسيم دقيقة (مخططًا مرئيًا يحدد بالضبط وحدات البكسل التابعة لجسم ما). ويمكن لـ SAM 3 أيضًا تتبع تلك الأجسام عبر إطارات الفيديو، مع الحفاظ على اتساق تتبعها أثناء حركتها.

يتيح SAM 3D إعادة البناء ثلاثي الأبعاد انطلاقًا من صورة واحدة#

ومن الجوانب الأخرى اللافتة في إعلان Meta AI نموذج SAM 3D، الذي يوسّع مشروع نموذج تقسيم كل شيء ليشمل الفهم ثلاثي الأبعاد. يستطيع SAM 3D أخذ صورة ثنائية الأبعاد واحدة وإعادة بناء شكل كائن أو وضعه أو بنيته، أو شكل جسم إنسان أو وضعه، في ثلاثة أبعاد. بعبارة أخرى، يمكن للنموذج تقدير كيفية إشغال شيء ما للحيز، حتى عند توفر منظور واحد فقط.

أُطلق SAM 3D في صورة نموذجين مختلفين: SAM 3D Objects، الذي يعيد بناء العناصر اليومية بهندستها وملمسها، وSAM 3D Body، الذي يقدّر شكل جسم الإنسان ووضعه انطلاقًا من صورة واحدة. يستخدم كلا النموذجين مخرجات التقسيم من SAM 3، ثم ينشئان تمثيلًا ثلاثي الأبعاد يتوافق مع مظهر الكائن وموضعه في الصورة الأصلية.

الشكل 1. مثال على استخدام SAM 3D. (المصدر: أُنشئ باستخدام ساحة تجربة نموذج تقسيم كل شيء من Meta AI)

SAM 3: ميزات جديدة لتوحيد الاكتشاف والتقسيم والتتبع#

فيما يلي بعض التحديثات الرئيسية التي يقدّمها SAM 3 لجمع الاكتشاف والتقسيم والتتبع في نموذج موحّد واحد:

• مهام تقسيم المفاهيم: في SAM وSAM 2، اعتمد تقسيم الكائنات على المطالبات المرئية، مثل النقرات أو المربعات. يضيف SAM 3 إمكانية تقسيم الكائنات استنادًا إلى عبارة نصية قصيرة أو قصاصة مثال مأخوذة من الصورة. وهذا يعني أن النموذج يستطيع تحديد كل الحالات المطابقة دون الحاجة إلى النقر على كل حالة.
• مطالبات نصية ذات مفردات مفتوحة: على خلاف الإصدارات السابقة، يستطيع SAM 3 تفسير العبارات القصيرة باللغة الطبيعية. وهذا يلغي الحاجة إلى قائمة تسميات ثابتة، ويتيح للنموذج التعامل مع مفاهيم أكثر تحديدًا أو أقل شيوعًا.
• نموذج واحد للاكتشاف والتقسيم والتتبع: يوحّد SAM 3 الاكتشاف والتقسيم والتتبع في نموذج واحد، ويلغي الحاجة إلى أنظمة منفصلة للعثور على الكائنات وإنشاء أقنعة التقسيم ومتابعتها عبر إطارات الفيديو. وينتج عن ذلك سير عمل أكثر اتساقًا وانسيابية للصور ومقاطع الفيديو، وعلى الرغم من أن SAM 2 قدّم أيضًا بعض إمكانات التتبع، فإن SAM 3 يحقق أداءً أقوى وأكثر موثوقية بدرجة ملحوظة.
• نتائج أكثر استقرارًا في المشاهد المعقدة: بما أن SAM 3 يستطيع الجمع بين النصوص وصور الأمثلة والمطالبات المرئية، فإنه يتعامل مع المشاهد المزدحمة أو المتكررة بموثوقية أكبر من الإصدارات السابقة التي اعتمدت على النقرات المرئية وحدها.

الشكل 2. يقدّم SAM 3 تقسيم المفاهيم باستخدام أمثلة نصية أو صور. (المصدر)

مقارنة SAM 3 وSAM 2 وSAM 1#

لنفترض أنك تشاهد مقطع فيديو لرحلة سفاري تضم حيوانات مختلفة كثيرة، وتريد اكتشاف الأفيال وحدها وتقسيمها. كيف ستبدو هذه المهمة في الإصدارات المختلفة من SAM؟

باستخدام SAM، ستحتاج إلى النقر يدويًا على كل فيل في كل إطار لإنشاء قناع تقسيم. لا تتوفر إمكانية للتتبع، لذا يتطلب كل إطار جديد نقرات جديدة.

باستخدام SAM 2، يمكنك النقر مرة واحدة على فيل للحصول على قناعه، وسيتتبّع النموذج الفيل نفسه عبر الفيديو. لكنك ستظل بحاجة إلى نقرات منفصلة إذا أردت تقسيم عدة أفيال (كائنات محددة)، لأن SAM 2 لا يفهم فئات مثل «فيل» من تلقاء نفسه.

أما باستخدام SAM 3، فيصبح سير العمل أبسط بكثير. يمكنك كتابة «فيل» أو رسم مربع إحاطة حول فيل واحد لتقديمه مثالًا، وسيعثر النموذج تلقائيًا على كل فيل في الفيديو، ويقسّمها ويتتبّعها باستمرار عبر الإطارات. وما زال يدعم مطالبات النقر والمربعات المستخدمة في الإصدارات السابقة، لكنه أصبح الآن قادرًا أيضًا على الاستجابة للمطالبات النصية وصور الأمثلة، وهو أمر لم يكن SAM وSAM 2 قادرين على فعله.

كيف يعمل نموذج SAM 3#

بعد ذلك، دعونا نلقِ نظرة عن كثب على كيفية عمل نموذج SAM 3 وكيفية تدريبه.

نظرة عامة على بنية نموذج SAM 3#

يجمع SAM 3 عدة مكوّنات لدعم مطالبات المفاهيم والمطالبات المرئية ضمن نظام واحد. ويستخدم النموذج في جوهره مُرمّز الإدراك من Meta، وهو مُرمّز موحّد مفتوح المصدر للصور والنصوص من Meta.

يستطيع هذا المُرمّز معالجة الصور والعبارات الاسمية القصيرة. وببساطة، يتيح ذلك لـ SAM 3 الربط بين اللغة والسمات المرئية بفاعلية أكبر من الإصدارات السابقة من نموذج تقسيم كل شيء.

وفوق هذا المُرمّز، يتضمن SAM 3 كاشفًا يستند إلى عائلة نماذج Transformer المعروفة باسم DETR. ويحدد هذا الكاشف الكائنات في الصورة ويساعد النظام على تحديد الكائنات التي تتوافق مع مطالبة المستخدم.

وعلى وجه التحديد، يستخدم SAM 3 مكوّن تتبّع لتقسيم الفيديو، يستند إلى بنك الذاكرة ومُرمّز الذاكرة من SAM 2. ويتيح ذلك للنموذج الاحتفاظ بمعلومات عن الكائنات عبر الإطارات، كي يتمكن من إعادة التعرّف عليها وتتبعها بمرور الوقت.

الشكل 3. آلية تقسيم أي شيء باستخدام المفاهيم (المصدر: scontent)

محرك البيانات القابل للتوسع وراء نموذج تقسيم كل شيء 3#

لتدريب SAM 3، احتاجت Meta إلى بيانات مشروحة تفوق بكثير ما هو متاح حاليًا على الإنترنت. يصعب إنشاء أقنعة تقسيم وتسميات نصية عالية الجودة على نطاق واسع، كما أن تحديد مخطط كل حالة من حالات مفهوم ما في الصور ومقاطع الفيديو عملية بطيئة ومكلفة.

لحل هذه المشكلة، أنشأت Meta محرك بيانات جديدًا يجمع SAM 3 نفسه ونماذج ذكاء اصطناعي إضافية ومُعلّقين بشريين يعملون معًا. يبدأ سير العمل بخط معالجة لأنظمة الذكاء الاصطناعي، تشمل SAM 3 ونموذجًا للتعليق التوضيحي يستند إلى Llama.

تفحص هذه الأنظمة مجموعات كبيرة من الصور ومقاطع الفيديو، وتنشئ تعليقات توضيحية، وتحولها إلى تسميات نصية، وتنتج مرشحين أوليين لأقنعة التقسيم. ثم يراجع المُعلّقون البشريون وأنظمة الذكاء الاصطناعي هؤلاء المرشحين.

تُدرَّب أنظمة التعليق التوضيحي بالذكاء الاصطناعي على مضاهاة دقة البشر في مهام مثل التحقق من جودة الأقنعة والتأكد من تغطية المفاهيم أو تجاوزها، وتتولى تصفية الحالات المباشرة. ولا يتدخل البشر إلا في الأمثلة الأكثر تحديًا التي قد يظل النموذج عاجزًا عن التعامل معها.

الشكل 4. محرك بيانات SAM 3 (المصدر)

يمنح هذا النهج Meta زيادة كبيرة في سرعة التعليق التوضيحي. فعندما تتولى أنظمة التعليق التوضيحي بالذكاء الاصطناعي الحالات السهلة، يصبح خط المعالجة أسرع بنحو خمسة أضعاف مع المطالبات السلبية، وبنسبة 36% مع المطالبات الإيجابية في المجالات الدقيقة.

أتاح هذا التحسن في الكفاءة توسيع مجموعة البيانات لتشمل أكثر من أربعة ملايين مفهوم فريد. كما تسهم الدورة المستمرة من مقترحات الذكاء الاصطناعي والتصحيحات البشرية والتنبؤات المحدّثة للنموذج في تحسين جودة التسميات بمرور الوقت، وتساعد SAM 3 على تعلّم مجموعة أوسع بكثير من المفاهيم المرئية والنصية.

تحسينات أداء SAM 3#

من حيث الأداء، يحقق SAM 3 تحسنًا واضحًا مقارنة بالنماذج السابقة. ففي معيار SA-Co الجديد من Meta، الذي يقيّم اكتشاف المفاهيم وتقسيمها باستخدام المفردات المفتوحة، يحقق SAM 3 أداءً يقارب ضعف أداء الأنظمة السابقة في الصور ومقاطع الفيديو.

كما يضاهي SAM 2 أو يتفوق عليه في المهام البصرية التفاعلية مثل التحويل من النقطة إلى القناع ومن القناع إلى مجموعة الأقنعة. وتفيد Meta بتحقيق مكاسب إضافية في التقييمات الأصعب مثل LVIS بنمط صفر أمثلة (حيث يتعين على النماذج التعرف على الفئات النادرة من دون أمثلة تدريبية) وعدّ العناصر (لقياس ما إذا كانت جميع حالات العنصر قد اكتُشفت)، ما يبرز قدرته الأقوى على التعميم عبر المجالات.

إضافة إلى تحسينات الدقة هذه، يتميز SAM 3 بالكفاءة؛ إذ يعالج صورة تضم أكثر من 100 جسم مكتشف في نحو 30 مللي ثانية على وحدة GPU من طراز H200، ويحافظ على سرعات شبه آنية عند تتبع أجسام متعددة في الفيديو. وباستخدام المطالبات النصية، يُقارن SAM 3 والإصدار الأحدث SAM 3.1 أيضًا بنماذج الرؤية واللغة الأخرى في كشف الأجسام الواقعية ضمن لوحة صدارة VLM من Ultralytics.

تطبيقات نموذج تقسيم كل شيء 3#

بعد أن أصبح لدينا فهم أفضل لـ SAM 3، دعونا نستعرض كيفية استخدامه في تطبيقات فعلية، بدءًا من الاستدلال المتقدم الموجّه بالنص وصولًا إلى البحث العلمي ومنتجات Meta نفسها.

التعامل مع الاستعلامات النصية المعقدة باستخدام وكيل SAM 3#

يمكن أيضًا استخدام SAM 3 أداةً ضمن نموذج لغوي متعدد الوسائط أكبر، وتسمّيه Meta وكيل SAM 3. فبدلًا من إعطاء SAM 3 عبارة قصيرة مثل «فيل»، يمكن للوكيل تقسيم سؤال أكثر تعقيدًا إلى مطالبات أصغر يفهمها SAM 3.

على سبيل المثال، إذا سأل المستخدم: «ما الكائن الموجود في الصورة والمستخدم للتحكم في حصان وتوجيهه؟»، يجرب الوكيل عبارات اسمية مختلفة، ويرسلها إلى SAM 3، ويتحقق من مدى منطقية الأقنعة. ويواصل تحسينها حتى يعثر على الكائن الصحيح.

حتى من دون تدريبه على مجموعات بيانات مخصصة للاستدلال، يحقق وكيل SAM 3 أداءً جيدًا في المعايير المصممة للاستعلامات النصية المعقدة، مثل ReasonSeg وOmniLabel. وهذا يبيّن أن SAM 3 يستطيع دعم الأنظمة التي تحتاج إلى فهم اللغة والتقسيم المرئي الدقيق معًا.

التطبيقات العلمية وتطبيقات الحفاظ على البيئة لـ SAM 3#

ومن اللافت أن SAM 3 يُستخدم بالفعل في أبحاث تتطلب تسميات مرئية مفصلة. تعاونت Meta مع Conservation X Labs وOsa Conservation لإنشاء SA-FARI، وهي مجموعة بيانات عامة لمراقبة الحياة البرية تضم أكثر من 10,000 مقطع فيديو من كاميرات مصائد.

يُوسم كل حيوان في كل إطار بمربعات وأقنعة تقسيم، وهي مهمة تستغرق وقتًا طويلًا للغاية عند تنفيذها يدويًا. وبالمثل، يُستخدم SAM 3 في أبحاث المحيطات بالتعاون مع FathomNet وMBARI لإنشاء أقنعة تقسيم الحالات لـالصور تحت الماء ودعم معايير تقييم جديدة.

تساعد مجموعات البيانات هذه العلماء على تحليل لقطات الفيديو بكفاءة أكبر ودراسة الحيوانات وموائلها، التي يصعب عادةً تتبعها على نطاق واسع. ويمكن للباحثين أيضًا استخدام هذه الموارد لبناء نماذجهم الخاصة لتحديد الأنواع وتحليل السلوك والمراقبة البيئية الآلية.

كيف توظف Meta SAM 3 في منتجاتها#

إضافةً إلى استخداماته البحثية، يشغّل SAM 3 أيضًا ميزات وحالات استخدام جديدة في منتجات Meta الموجهة للمستهلكين. إليكم لمحة عن بعض طرق دمجه حاليًا:

• تعديلات Instagram: يمكن لمنشئي المحتوى تطبيق تأثيرات على شخص أو كائن محدد في مقطع فيديو من دون معالجة كل إطار يدويًا.
• تطبيق Meta AI وmeta.ai على الويب: يدعم SAM 3 أدوات جديدة لتعديل الصور ومقاطع الفيديو وتحسينها وإعادة مزجها.
• ميزة «العرض في الغرفة» في Facebook Marketplace: يعمل SAM 3 مع SAM 3D لتمكين الأشخاص من معاينة الأثاث أو الديكور في منازلهم باستخدام صورة واحدة.
• نظارات البحث Aria Gen 2: يساعد نموذج تقسيم كل شيء 3 على تقسيم الأيدي والكائنات وتتبعها من منظور الشخص الأول، دعمًا لأبحاث الواقع المعزز (AR) والروبوتات والذكاء الاصطناعي السياقي.

أبرز النقاط#

يمثل SAM 3 خطوة مهمة إلى الأمام في مجال التقسيم. فهو يقدّم تقسيم المفاهيم والمطالبات النصية ذات المفردات المفتوحة وتحسينات في التتبع. وبفضل أدائه الأقوى بوضوح في الصور ومقاطع الفيديو، وإضافة SAM 3D، تفتح مجموعة النماذج آفاقًا جديدة لذكاء الرؤية الاصطناعي والأدوات الإبداعية والبحث العلمي والمنتجات الواقعية.

انضم إلى مجتمعنا واستكشف مستودعنا على GitHub لمعرفة المزيد عن الذكاء الاصطناعي. إذا كنت ترغب في إنشاء مشروعك الخاص في ذكاء الرؤية الاصطناعي، فاطّلع على خيارات الترخيص. تعرّف على المزيد حول تطبيقات مثل الذكاء الاصطناعي في الرعاية الصحية وذكاء الرؤية الاصطناعي في قطاع التجزئة بزيارة صفحات حلولنا.