SAM 3 살펴보기: Meta AI의 새로운 Segment Anything Model

2025년 11월 19일, Meta AI는 Segment Anything Model 3를 공개했습니다. SAM 3라고도 불리는 이 새 버전의 Segment Anything Model은 텍스트 프롬프트, 시각 프롬프트, 이미지 예시를 활용해 실제 이미지와 동영상에서 객체를 탐지하고 분할하며 추적하는 새로운 방법을 제시합니다.

SAM 3 모델은 SAM과 SAM 2를 기반으로 하며, 개념 분할, 오픈 보캐뷸러리 탐지, 실시간 동영상 추적과 같은 새로운 발전 및 기능을 제공합니다. 짧은 명사구를 이해하고 프레임 간 객체를 추적하며, 이전 모델이 일관되게 처리하지 못했던 세분화된 개념이나 드문 개념을 식별할 수 있습니다.

SAM 3 출시의 일환으로 Meta는 SAM 3D도 선보였습니다. 이 차세대 모델 제품군은 단일 이미지에서 객체, 장면, 사람의 전신을 재구성하고 Segment Anything 생태계를 3D 이해로 확장합니다. 이러한 추가 기능은 컴퓨터 비전, 로보틱스, 미디어 편집, 크리에이티브 워크플로 전반에 새로운 활용 가능성을 열어줍니다.

이 글에서는 SAM 3가 무엇인지, SAM 2와 어떻게 다른지, 모델이 어떻게 작동하는지, 실제 환경에서 어떻게 활용되는지 살펴보겠습니다.

SAM 3란 무엇인가요? Meta의 Segment Anything Model 3 살펴보기#

SAM 3는 간단한 지시를 바탕으로 이미지와 동영상에서 객체를 식별하고 분리하며 추적할 수 있는 최첨단 컴퓨터 비전 모델입니다. 고정된 레이블 목록에 의존하는 대신 자연어와 시각적 단서를 이해하므로, 찾고자 하는 대상을 모델에 쉽게 지정할 수 있습니다.

예를 들어 SAM 3에서는 “노란색 스쿨버스” 또는 “줄무늬 고양이”와 같은 짧은 문구를 입력하거나, 객체를 클릭하거나, 이미지에서 예시를 강조 표시할 수 있습니다. 그러면 모델은 일치하는 모든 객체를 탐지하고 깔끔한 세그멘테이션 마스크(객체에 속하는 픽셀을 정확히 표시하는 시각적 윤곽)를 생성합니다. SAM 3는 동영상 프레임에서 객체를 추적해 객체가 움직이는 동안에도 일관되게 유지할 수 있습니다.

SAM 3D를 활용한 단일 이미지 3D 재구성#

Meta AI 발표의 또 다른 흥미로운 부분은 Segment Anything 프로젝트를 3D 이해로 확장하는 SAM 3D입니다. SAM 3D는 단일 2D 이미지에서 객체나 사람의 신체 형상, 자세 또는 구조를 3차원으로 재구성할 수 있습니다. 다시 말해, 시점이 하나뿐인 경우에도 모델이 대상의 공간 점유 형태를 추정할 수 있습니다.

SAM 3D는 SAM 3D Objects와 SAM 3D Body, 두 가지 모델로 출시되었습니다. SAM 3D Objects는 일상적인 물체의 기하 구조와 텍스처를 재구성하고, SAM 3D Body는 단일 이미지에서 사람의 신체 형상과 자세를 추정합니다. 두 모델 모두 SAM 3의 분할 결과를 사용한 다음, 원본 사진에서 객체의 외관 및 위치와 일치하는 3D 표현을 생성합니다.

그림 1. SAM 3D 사용 예시. (출처: Meta AI의 Segment Anything 플레이그라운드에서 제작)

SAM 3: 탐지, 분할, 추적을 통합하는 새로운 기능#

다음은 탐지, 분할, 추적을 하나의 통합 모델로 구현하기 위해 SAM 3에 도입된 주요 업데이트입니다.

• 개념 분할 작업: SAM 및 SAM 2에서는 클릭이나 박스 같은 시각적 프롬프트에 따라 객체를 분할했습니다. SAM 3는 짧은 텍스트 문구나 이미지에서 잘라낸 예시를 바탕으로 객체를 분할하는 기능을 추가합니다. 따라서 각 객체를 일일이 클릭하지 않아도 조건에 맞는 모든 인스턴스를 식별할 수 있습니다.
• 오픈 보캐뷸러리 텍스트 프롬프트: 이전 버전과 달리 SAM 3는 짧은 자연어 문구를 해석할 수 있습니다. 따라서 고정된 라벨 목록이 필요하지 않으며, 모델이 더 구체적이거나 덜 흔한 개념도 처리할 수 있습니다.
• 탐지, 분할, 추적을 위한 단일 모델: SAM 3는 탐지, 분할, 추적을 하나의 모델로 통합해 객체 탐지, 분할 마스크 생성, 동영상 프레임 간 객체 추적에 별도의 시스템을 사용할 필요를 없앱니다. 이를 통해 이미지와 동영상 모두에서 더욱 일관되고 간소화된 워크플로를 구현합니다. SAM 2도 일부 추적 기능을 제공했지만, SAM 3는 훨씬 강력하고 안정적인 성능을 제공합니다.
• 복잡한 장면에서 더욱 안정적인 결과: SAM 3는 텍스트, 이미지 예시, 시각적 프롬프트를 함께 사용할 수 있으므로 시각적 클릭에만 의존했던 이전 버전보다 복잡하거나 반복적인 장면을 더욱 안정적으로 처리할 수 있습니다.

그림 2. SAM 3는 텍스트 또는 이미지 예시를 이용한 개념 분할을 도입합니다. (출처)

SAM 3, SAM 2, SAM 1 비교#

여러 동물이 나오는 사파리 동영상을 보고 있으며, 코끼리만 탐지하고 분할하려고 한다고 가정해 보겠습니다. SAM의 각 버전에서는 이 작업을 어떻게 수행할까요?

SAM을 사용하면 분할 마스크를 생성하기 위해 각 프레임에서 코끼리를 하나씩 직접 클릭해야 합니다. 추적 기능이 없으므로 새 프레임마다 다시 클릭해야 합니다.

SAM 2에서는 코끼리를 한 번 클릭해 마스크를 얻으면 모델이 동영상에서 같은 코끼리를 추적합니다. 하지만 SAM 2는 “코끼리”와 같은 범주를 자체적으로 이해하지 못하므로 여러 코끼리(특정 객체)를 분할하려면 각 코끼리를 별도로 클릭해야 합니다.

SAM 3에서는 워크플로가 훨씬 간단해집니다. “코끼리”라고 입력하거나 코끼리 한 마리 주위에 바운딩 박스를 그려 예시를 제공하면, 모델이 동영상에서 모든 코끼리를 자동으로 찾아 분할하고 프레임 간에 일관되게 추적합니다. 이전 버전에서 사용하던 클릭 및 박스 프롬프트도 계속 지원하며, 이제는 SAM과 SAM 2에서는 지원하지 않았던 텍스트 프롬프트와 예시 이미지를 처리할 수 있습니다.

SAM 3 모델의 작동 방식#

이제 SAM 3 모델의 작동 방식과 학습 방법을 자세히 살펴보겠습니다.

SAM 3 모델 아키텍처 개요#

SAM 3는 개념 프롬프트와 시각적 프롬프트를 단일 시스템에서 지원하도록 여러 구성 요소를 결합합니다. 모델의 핵심에는 Meta의 통합 오픈 소스 이미지-텍스트 인코더인 Meta Perception Encoder가 있습니다.

이 인코더는 이미지와 짧은 명사구를 모두 처리할 수 있습니다. 쉽게 말해, 이를 통해 SAM 3는 Segment Anything Model의 이전 버전보다 언어와 시각적 특징을 더욱 효과적으로 연결할 수 있습니다.

이 인코더에 더해 SAM 3에는 DETR 계열 Transformer 모델을 기반으로 한 탐지기가 포함되어 있습니다. 이 탐지기는 이미지에서 객체를 식별하고, 사용자 프롬프트에 해당하는 객체를 시스템이 판별하도록 지원합니다.

특히 동영상 분할을 위해 SAM 3는 SAM 2의 메모리 뱅크와 메모리 인코더를 기반으로 하는 추적 구성 요소를 사용합니다. 이를 통해 모델은 프레임 간 객체 정보를 유지하여 시간이 지나도 객체를 재식별하고 추적할 수 있습니다.

그림 3. 개념을 이용한 사물 분할의 작동 방식 (출처: scontent)

Segment Anything Model 3를 뒷받침하는 확장 가능한 데이터 엔진#

SAM 3를 학습하려면 Meta는 현재 인터넷에 존재하는 것보다 훨씬 더 많은 주석 데이터를 필요로 했습니다. 고품질 분할 마스크와 텍스트 라벨은 대규모로 생성하기 어렵고, 이미지와 동영상에 등장하는 개념의 모든 인스턴스에 윤곽선을 완전히 표시하려면 시간이 오래 걸리고 비용도 많이 듭니다.

이를 해결하기 위해 Meta는 SAM 3 자체, 추가 AI 모델, 사람 주석 작업자가 함께 작동하는 새로운 데이터 엔진을 구축했습니다. 워크플로는 SAM 3와 Llama 기반 캡션 생성 모델을 포함한 AI 시스템 파이프라인으로 시작됩니다.

이 시스템은 대규모 이미지 및 동영상 컬렉션을 스캔하고, 캡션을 생성하고, 캡션을 텍스트 라벨로 변환하며, 초기 분할 마스크 후보를 생성합니다. 그런 다음 사람 주석 작업자와 AI 주석 작업자가 이러한 후보를 검토합니다.

마스크 품질 확인 및 개념 범위 검증과 같은 작업에서 사람 수준의 정확도에 도달하거나 이를 능가하도록 학습된 AI 주석 작업자는 간단한 사례를 걸러냅니다. 모델이 여전히 어려움을 겪을 수 있는 더 까다로운 예시만 사람이 처리합니다.

그림 4. SAM 3 데이터 엔진 (출처)

이 접근 방식은 Meta의 주석 작업 속도를 크게 높입니다. AI 주석 작업자가 간단한 사례를 처리하도록 하면 파이프라인은 네거티브 프롬프트에서 약 5배, 세분화된 도메인의 포지티브 프롬프트에서 36% 더 빨라집니다.

이러한 효율성 덕분에 데이터셋을 400만 개가 넘는 고유 개념으로 확장할 수 있었습니다. AI의 제안, 사람의 수정, 업데이트된 모델 예측으로 이어지는 지속적인 순환은 시간이 지날수록 라벨 품질을 높이고, SAM 3가 훨씬 더 광범위한 시각적 및 텍스트 기반 개념을 학습하도록 돕습니다.

SAM 3의 성능 개선#

성능 측면에서 SAM 3는 이전 모델보다 뚜렷한 개선을 제공합니다. 오픈 보캐뷸러리 개념 탐지 및 분할을 평가하는 Meta의 새로운 SA-Co 벤치마크에서 SAM 3는 이미지와 동영상 모두에서 이전 시스템의 약 2배에 달하는 성능을 달성합니다.

또한 포인트-마스크 및 마스크-마스크렛과 같은 대화형 시각 작업에서 SAM 2와 같거나 더 나은 성능을 보입니다. Meta는 제로샷 LVIS(모델이 학습 예시 없이 드문 카테고리를 인식해야 하는 평가) 및 객체 수 세기(객체의 모든 인스턴스가 탐지되었는지 측정)와 같은 더 어려운 평가에서도 추가적인 성능 향상을 보고했으며, 이는 여러 도메인에 걸친 일반화 성능이 더 강력함을 보여줍니다.

이러한 정확도 향상 외에도 SAM 3는 효율적입니다. H200 GPU에서 탐지된 객체가 100개가 넘는 이미지를 약 30밀리초 만에 처리하며, 동영상에서 여러 객체를 추적할 때도 거의 실시간 속도를 유지합니다. 텍스트 프롬프트를 사용하는 SAM 3와 최신 SAM 3.1은 Ultralytics VLM 리더보드에서 실제 객체 탐지 성능을 비전 언어 모델과 비교합니다.

Segment Anything Model 3의 활용 사례#

이제 SAM 3에 대해 더 잘 이해했으니, 고급 텍스트 기반 추론부터 과학 연구, Meta 자체 제품까지 실제 활용 사례를 살펴보겠습니다.

SAM 3 Agent를 사용한 복잡한 텍스트 쿼리 처리#

SAM 3는 Meta가 SAM 3 Agent라고 부르는 대규모 멀티모달 언어 모델 내부의 도구로도 사용할 수 있습니다. SAM 3에 “코끼리”와 같은 짧은 문구를 입력하는 대신, 에이전트가 더 복잡한 질문을 SAM 3가 이해할 수 있는 여러 개의 작은 프롬프트로 나눌 수 있습니다.

예를 들어 사용자가 “사진에서 말을 조종하고 안내하는 데 쓰이는 물체는 무엇인가요?”라고 질문하면, 에이전트는 다양한 명사구를 시도해 SAM 3에 전송하고 어떤 마스크가 적절한지 확인합니다. 올바른 객체를 찾을 때까지 계속 다듬습니다.

특수한 추론 데이터셋으로 학습하지 않았음에도 SAM 3 Agent는 ReasonSeg 및 OmniLabel과 같은 복잡한 텍스트 쿼리용 벤치마크에서 뛰어난 성능을 보입니다. 이는 SAM 3가 언어 이해와 세분화된 시각적 분할이 모두 필요한 시스템을 지원할 수 있음을 보여줍니다.

SAM 3의 과학 및 보전 분야 활용#

흥미롭게도 SAM 3는 세부적인 시각 라벨이 중요한 연구 현장에서 이미 사용되고 있습니다. Meta는 Conservation X Labs 및 Osa Conservation과 협력해 카메라 트랩 동영상 10,000개 이상을 포함하는 공개 야생동물 모니터링 데이터셋 SA-FARI를 구축했습니다.

모든 프레임의 모든 동물에는 박스와 분할 마스크가 라벨링되어 있습니다. 이를 직접 주석 처리하려면 시간이 매우 오래 걸립니다. 마찬가지로 해양 연구에서도 SAM 3는 FathomNet 및 MBARI와 함께 수중 이미지의 인스턴스 분할 마스크를 만들고 새로운 평가 벤치마크를 지원하는 데 사용되고 있습니다.

이러한 데이터셋은 과학자들이 동영상 영상을 더 효율적으로 분석하고, 대규모로 추적하기 어려운 동물과 서식지를 연구하는 데 도움을 줍니다. 연구자들은 이러한 자료를 활용해 종 식별, 행동 분석, 자동 생태 모니터링을 위한 자체 모델을 구축할 수도 있습니다.

Meta가 제품 전반에 SAM 3를 배포하는 방식#

연구 활용에 더해 SAM 3는 Meta의 소비자 제품 전반에서 새로운 기능과 활용 사례도 지원하고 있습니다. 이미 통합되고 있는 몇 가지 사례를 살펴보겠습니다.

• Instagram 편집 기능: 크리에이터는 프레임마다 수작업을 하지 않고도 동영상 속 특정 인물이나 객체에 효과를 적용할 수 있습니다.
• Meta AI 앱 및 웹의 meta.ai: SAM 3는 이미지와 동영상을 수정하고, 보정하고, 재구성하는 새로운 도구를 지원합니다.
• Facebook Marketplace의 “방에서 보기”: SAM 3는 SAM 3D와 함께 작동하여 사람들이 사진 한 장으로 집 안에 가구나 장식품을 배치한 모습을 미리 볼 수 있도록 합니다.
• Aria Gen 2 연구용 안경: Segment Anything Model 3는 1인칭 시점에서 손과 객체를 분할하고 추적하여 AR(증강 현실), 로보틱스, 상황 인식 AI 연구를 지원합니다.

핵심 요점#

SAM 3는 분할 기술의 흥미로운 진전을 보여줍니다. 개념 분할, 오픈 보캐뷸러리 텍스트 프롬프트, 개선된 추적 기능을 도입했습니다. 이미지와 동영상 모두에서 성능이 눈에 띄게 향상되고 SAM 3D가 추가되면서 이 모델 제품군은 비전 AI, 크리에이티브 도구, 과학 연구, 실제 제품에 새로운 가능성을 열어줍니다.

커뮤니티에 참여하고 GitHub 저장소를 둘러보며 AI에 대해 자세히 알아보세요. 자체 비전 AI 프로젝트를 구축하려면 라이선스 옵션을 확인해 보세요. 솔루션 페이지에서 의료 분야의 AI 및 리테일 분야의 비전 AI와 같은 활용 사례를 더 알아보세요.