人工智能计算机视觉本地部署【免费下载链接】EdgeTAM-fp16项目地址https://ai.gitcode.com/hf_mirrors/mlx-community/EdgeTAM-fp16点击查看免费下载EdgeTAM-fp16 是一款基于 Apple MLX 框架的端侧图像分割模型专为 Apple Silicon 设备转换为 fp16 精度。它支持提示式分割promptable segmentation和视频目标跟踪在图像上点一下或框一下目标即可立即得到对应的分割 mask全程本地运行、无需联网。EdgeTAM-fp16是什么跑在自己设备上的提示式分割模型EdgeTAM-fp16 源自著名的 EdgeTAM 项目——一个专为端侧场景打造的 SAM 2擅长两件事提示式图像分割给一个点point或一个框box模型输出目标的 mask视频目标跟踪提示一次目标在后续帧中自动跟随这个仓库把原始权重转换成了 AppleMLX格式fp16 半精度共包含 874 个张量图像 视频双任务并与官方edgetam.pt逐一对齐仅有 fp16 精度舍入差异。它可以直接被 Swift 包mlx-edgetam-swift中的EdgeTAMPackage加载作为 MLXEngine 的promptSegmenttrackObject模型使用。为什么选择 fp16 MLX更小、更快、更私密对比维度说明模型体积fp16 半精度权重体积约减半下载与存储更轻推理速度MLX 针对 Apple Silicon 的 GPU/统一内存深度优化端侧推理更快隐私图像完全在本地处理不上传任何数据对于移动端和离线场景模型即文件的方式也让集成非常直接核心权重就是一个 model.safetensors 文件。三步跑通第一张图像分割第一步获取模型文件git clone https://gitcode.com/hf_mirrors/mlx-community/EdgeTAM-fp16克隆后仓库里的 model.safetensors 就是可直接加载的 fp16 权重。第二步在 Swift 工程中接入通过 Swift 包管理引入mlx-edgetam-swift0.6.0并用EdgeTAMPredictor加载权重import EdgeTAM let p try EdgeTAMPredictor.fromPretrained(weightsPath, dtype: .float16) p.setImage(sourceCGImage) // 每张图只编码一次第三步点一下mask 就出来了let r p.predict(point: (500, 375)) // 传入点击坐标 // r.mask 二值 mask // r.soft 抗锯齿软 mask // r.score 置信度把r.mask渲染到图上你就完成了人生第一次端侧图像分割——一次点选目标立刻出 mask ✅点选 vs 框选哪种提示更可靠新手最容易踩的坑是点了一下却没选中。这里有个实用建议框选box prompt是最可靠的输入方式对绝大多数目标都能稳定出 mask 单击在纯色背景或合成图像上效果偏弱——这是上游 EdgeTAM 本身的特性并非精度丢失 如果你的场景以单击选点为主可以考虑点击选择能力更强的 SAM2.1-hiera-small-fp16 作为补充一句话总结拿不准就框选框选几乎不会失手。视频跟踪提示一次逐帧跟随除了静态图像EdgeTAM-fp16 同样内置视频跟踪能力。用EdgeTAMVideoPredictor加载同一份权重对首帧做一次 point 或 box 提示目标即可在后续帧中持续被跟踪let vp try EdgeTAMVideoPredictor.fromPretrained(weightsPath, dtype: .float16)图像与视频共用一套 874 个张量无需额外下载一份权重两用。精度实测与官方 PyTorch 版本几乎一致根据 README.md 中 v0.5.0 的对照评测CPU fp32 通道 vs 上游 PyTorch经官方 predictor 接口️图像image_embed相对误差 ≤ 2.4e-4所有 click 和 box 提示的 mask 在方形与非方形图像上 IoU 均为1.0000️视频5 帧 point 与 box 跟踪保持 IoU ≥0.999也就是说MLX fp16 版本与官方 PyTorch 结果基本无损对齐可以放心用于生产。许可协议与文件速览⚖️ 权重Apache-2.0源自 facebookresearch/EdgeTAM⚖️ 移植代码MIT 项目说明与用法示例见 README.md fp16 权重文件model.safetensors小结EdgeTAM-fp16 把点一下出 mask的提示式分割体验带到了 Apple 设备本地fp16 MLX 让它体积小、推理快、数据不出设备框选提示稳定可靠图像分割与视频跟踪一份权重全包。克隆仓库、接入 Swift 包、调用predict(point:)三步即可跑通你的第一次端侧图像分割。赞分享人工智能计算机视觉本地部署【免费下载链接】EdgeTAM-fp16项目地址https://ai.gitcode.com/hf_mirrors/mlx-community/EdgeTAM-fp16点击查看免费下载相关推荐Alluxio 集群升级完全指南从 Journal 备份、格式化恢复到客户端与服务端的全链路升级实践Alluxio 集群升级完全指南从 Journal 备份、格式化恢复到客户端与服务端的全链路升级实践 本文以 Alluxio 官方管理文档 Upgrade.m人工智能计算机视觉本地部署如何快速上手 mobilenetv2_050.lamb_in1k新手10分钟跑通第一张图像分类推理如何快速上手 mobilenetv2_050.lamb_in1k新手10分钟跑通第一张图像分类推理 mobilenetv2_050.lamb_in1k 是 t人工智能计算机视觉深度学习如何快速跑通InternVL3_5-38B-MPO新手10分钟上手第一张图像对话如何快速跑通InternVL3_5 38B MPO新手10分钟上手第一张图像对话 InternVL3_5 38B MPO 是 InternVL3.5 系列开源上一篇vouch 的 Manage by Issue Action 实战指南用 Issue 评论自动化维护贡献者信任名单下一篇汽车工程AI新范式152个Claude Skills一键生成ISO 26262安全文档——Automotive Skills Suite完整概览创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考