代码地址：https://github.com/dinglufe/segment-anything-cpp-wrapper
为 Segment Anything，MobileSAM和HQ-SAM 创建了一个纯C++推理API，运行时不依赖Python。
视频演示
示例程序用法：
在发布页面下载压缩文件，解压缩后直接运行sam_cpp_test或在命令行中运行：
# 显示帮助
./sam_cpp_test -h
# 示例（更改设备，预处理使用CPU，SAM使用CUDA）
# 如果有多个GPU，可以使用CUDA:1、CUDA:2等等。
# 也支持全部在CPU或全部在CUDA运行
./sam_cpp_test -pre_device="cpu" -sam_device="cuda:0"
# 示例（默认选项）
./sam_cpp_test -pre_model="models/sam_preprocess.onnx" -sam_model="models/sam_vit_h_4b8939.onnx" -image="images/input.jpg"
# 示例（使用MobileSAM）
./sam_cpp_test -pre_model="models/mobile_sam_preprocess.onnx" -sam_model="models/mobile_sam.onnx"
# 示例（更改图片）
./sam_cpp_test -image="images/input2.jpg"C++库 - sam_cpp_lib
简单示例：
Sam::Parameter param("sam_preprocess.onnx", "sam_vit_h_4b8939.onnx", std::thread::hardware_concurrency());
param.providers[0].deviceType = 0; // 预处理使用CPU
param.providers[1].deviceType = 1; // SAM使用CUDA
Sam sam(param);
// 使用MobileSAM
Sam::Parameter param("mobile_sam_preprocess.onnx", "mobile_sam.onnx", std::thread::hardware_concurrency());
// Use HQ-SAM
Sam::Parameter param("sam_hq_preprocess.onnx", "sam_hq_vit_h.onnx", std::thread::hardware_concurrency());
auto inputSize = sam.getInputSize();
cv::Mat image = cv::imread("input.jpg", -1);
cv::resize(image, image, inputSize);
sam.loadImage(image); // 如果使用CPU，将需要6GB内存，如果使用CUDA，将需要16GB内存
// 使用带有提示的SAM（输入：x、y坐标）
cv::Mat mask = sam.getMask({200, 300});
cv::imwrite("output.png", mask);
// 使用带有多个提示的SAM（输入：points、negativePoints）
cv::Mat mask = sam.getMask(points, negativePoints); // 如果使用CPU，将需要1GB内存/显存
cv::imwrite("output-multi.png", mask);
// 使用带有框提示的SAM（输入：points、negativePoints、box）
// points和negativePoints可以为空（使用{}作为参数）
cv::Rect box{444, 296, 171, 397};
cv::Mat mask = sam.getMask(points, negativePoints, box);
cv::imwrite("output-box.png", mask);
// 自动生成掩码（输入：每边的点数）
// 由于在CPU上运行，速度较慢，而且结果不如官方演示好
cv::Mat maskAuto = sam.autoSegment({10, 10});
cv::imwrite("output-auto.png", maskAuto);多模型对比
