2025年最高の 392 個の画像セグメンテーションツール

CLIPSegはテキストと画像プロンプトに基づく画像セグメンテーションモデルで、ゼロショットおよびワンショット画像セグメンテーションタスクをサポートします。

BRIA RMBG v1.4 は、効率的に様々な画像の前景と背景を分離するために設計された先進的な背景除去モデルで、非商用利用に適しています。

BRIA AIが開発した最新の背景除去モデルで、様々な画像の前景と背景を効果的に分離でき、大規模な商業コンテンツ制作シーンに適しています。

ATRデータセットでファインチューニングされたSegFormerモデル、服装と人体セグメンテーション用

SAMは、点やボックスなどの入力プロンプトから高品質なオブジェクトマスクを生成できる視覚モデルで、ゼロショットセグメンテーションタスクをサポートします

BiRefNetは高解像度二分画像分割のための深層学習モデルで、バイラテラル参照ネットワークにより精密な画像分割を実現します。

SegFormerはTransformerベースのセマンティックセグメンテーションモデルで、ADE20Kデータセットでファインチューニングされており、画像分割タスクに適しています。

SAMは入力プロンプト点やバウンディングボックスから高品質な物体マスクを生成できる視覚モデルで、ゼロショット転移能力を備えています。

nvidia/mit-b5をファインチューニングしたセマンティックセグメンテーションモデルで、顔解析タスク用

SAMは入力プロンプトに基づいて高品質なオブジェクトマスクを生成できるビジュアルモデルで、新しいタスクへのゼロショット転移をサポートします

Swinバックボーンネットワークを基にした大規模なMask2Formerモデルで、Cityscapesセマンティックセグメンテーションタスク向けにトレーニングされ、統一アーキテクチャで様々な画像セグメンテーションタスクを処理します。

Swinバックボーンネットワークの大規模バージョンに基づき、ADE20kセマンティックセグメンテーションデータセットでトレーニングされたMask2Formerモデル。画像セグメンテーションタスクを統一的なパラダイムで処理します。

SAM 2はFAIRが開発した、画像とビデオに対応したプロンプト可能な視覚セグメンテーションの基礎モデルで、プロンプトによる汎用セグメンテーションタスクをサポートします。

SegFormerはTransformerアーキテクチャに基づくセマンティックセグメンテーションモデルで、ADE20kデータセットでファインチューニングされており、512x512解像度の画像セグメンテーションタスクに適しています。

このモデルは胸部X線画像に対して分割と分類タスクを同時に実行可能で、肺/心臓の分割、体位認識、年齢・性別予測を含みます。

OneFormerは初のマルチタスク汎用画像セグメンテーションフレームワークで、単一モデルでセマンティックセグメンテーション、インスタンスセグメンテーション、パノプティックセグメンテーションのタスクを実現

FAIRが開発した画像とビデオ向けのプロンプト可能な視覚セグメンテーションの基礎モデル

COCOデータセットでトレーニングされたMask2Formerの小型版インスタンスセグメンテーションモデルで、Swinバックボーンネットワークを採用し、セグメンテーションタスクを統一的に処理

OneFormerは初のマルチタスク汎用画像分割フレームワークで、単一のモデルでセマンティック分割、インスタンス分割、パノラマ分割のタスクをサポートします。

BiRefNetは双方向参照に基づく高解像度二値画像分割モデルで、高解像度透明画像のマット処理専用に設計されています。

ATRデータセットでファインチューニングされたSegFormerモデルで、主に服装セグメンテーションや人体セグメンテーションに使用されます

SegFormerはTransformerベースのセマンティックセグメンテーションモデルで、階層型エンコーダと軽量MLPデコーダヘッドを採用しており、ADE20KやCityscapesなどのベンチマークテストで優れた性能を発揮します。

SegFormerアーキテクチャに基づくファッションアイテム画像分割モデルで、衣類やアクセサリーの識別と分割に特化

Cityscapesデータセットでトレーニングされたマルチタスク汎用画像セグメンテーションモデルで、意味セグメンテーション、インスタンスセグメンテーション、パノラマセグメンテーションタスクをサポート

Mask2Formerは、インスタンスセグメンテーション、セマンティックセグメンテーション、パノプティックセグメンテーションのタスクを処理できる統一画像セグメンテーションフレームワークです。このモデルはSwin-Tinyバックボーンネットワークに基づいており、Cityscapesデータセットでセマンティックセグメンテーションタスクのファインチューニングが行われています。

YOLOv8とYOLOv11アーキテクチャに基づいてトレーニングされた一連の物体検出と分割モデル、芸術画像処理に特化

Swinバックボーンネットワークに基づくMask2Formerモデルで、COCOパノプティックセグメンテーションデータセットでトレーニングされ、インスタンスセグメンテーション、セマンティックセグメンテーション、パノプティックセグメンテーションタスクを統一的なパラダイムで処理します。

SegFormerはTransformerアーキテクチャに基づくセマンティックセグメンテーションモデルで、ADE20kデータセットでファインチューニングされており、512x512解像度の画像セグメンテーションタスクに適しています。

UperNetはセマンティックセグメンテーションのためのフレームワークで、ConvNeXtをバックボーンネットワークとして採用し、ピクセルレベルのセマンティックラベル予測を実現できます。

SegFormerはTransformerアーキテクチャに基づくセマンティックセグメンテーションモデルで、ADE20kデータセットでファインチューニングされており、画像分割タスクに適しています。

SAM 2はFAIRが開発した画像とビデオ向けのプロンプト可能な視覚セグメンテーションの基礎モデルで、効率的なセグメンテーションをサポートします。

Swinバックボーンネットワークに基づくMask2Formerの大型バージョンで、COCOデータセットのパノプティックセグメンテーションタスク向けに訓練された統一画像セグメンテーションモデル

Mask2FormerはTransformerベースの統一画像セグメンテーションモデルで、Swin-Largeバックボーンを使用しCOCOデータセットでファインチューニングされ、インスタンスセグメンテーションタスクに特化しています

BiRefNetは高解像度バイナリ画像分割のためのバイラテラル参照フレームワークモデルで、背景除去とマスク生成タスクに特化しています。

1024x1024解像度でCityScapesデータセットにファインチューニングされたSegFormerセマンティックセグメンテーションモデルで、階層型Transformerエンコーダと軽量な全MLPデコーダヘッドアーキテクチャを採用しています。

AM-RADIOはNVIDIA研究所が開発した視覚基盤モデルで、集約型アーキテクチャにより複数領域の統一表現を実現し、様々なコンピュータビジョンタスクに適用可能です。

UperNetは、ピクセルレベルのセマンティックラベル予測のためのConvNeXt大型バックボーンネットワークを組み合わせたセマンティックセグメンテーションフレームワークです。

このSegFormerモデルは1024x1024解像度でCityScapesデータセットに対してファインチューニングされ、階層型Transformerエンコーダと軽量な全MLPデコーダヘッドアーキテクチャを採用しています。

SlimSAMは革新的なSAMモデル圧縮手法で、統一プルーニング-蒸留フレームワークにより事前学習済みSAMを効率的に再利用でき、大量の再訓練を必要としません。

SAM 2はFAIRが開発した画像とビデオのプロンプト可能な視覚セグメンテーションのための基盤モデルで、効率的なセグメンテーションをサポートします。

Mask2FormerはTransformerベースの統一画像セグメンテーションモデルで、COCOデータセットでインスタンスセグメンテーションタスク用にファインチューニングされています

SegFormerはTransformerベースのセマンティックセグメンテーションモデルで、このバージョンはImagenet-1kでプリトレーニングされたエンコーダ部分のみを含みます。