Sa2VA

一句话指挥AI分割图像视频，精准定位目标

开源 🏷️完全免费 🔧 仅开源项目，无在线服务，需自行部署开源模型 🍴 复刻 134 🐛 待处理 4 👀 关注 28

GitHub ↗

GitHub 星标 ★ 1700

维护状态较活跃

是否开源开源

定价模式 🏷️完全免费开源项目，Apache-2.0许可证，可免费使用和部署，无付费版本。

项目预览

项目数据

分类开源模型

开发团队bytedance

GitHubhttps://github.com/bytedance/Sa2VA

定价模式🏷️完全免费

价格说明开源项目，Apache-2.0许可证，可免费使用和部署，无付费版本。

访问状态🔧 仅开源项目，无在线服务，需自行部署

是否开源是

开源协议Apache-2.0

主要语言Python

技术栈/模型computer-vision,large-language-models,mllm

GitHub 星标★ 1700

上线时间2025-01-06 00:00:00

代码更新2026-10-30

仓库体积82.2 MB

本站数据更新2026-11-09

维护状态较活跃

收录时间2026-08-09

浏览次数7

项目介绍

Sa2VA 是一个面向图像与视频分割任务的统一视觉语言模型代码库，由 Pixel-LLM 团队维护。它解决了传统分割模型难以理解自然语言指令并完成复杂时空分割的问题，核心能力包括：通过语言指令实现指代分割（Referring Segmentation）、视频对象分割（VOS）以及视频理解与分割的联合任务。项目整合了多个前沿模型，如 Sa2VA（T-PAMI-26）、SAMTok（CVPR-26）、VRT（Arxiv-25）等，并提供 SaSa2VA 作为 LSVOS 挑战赛的冠军方案。代码库基于 Python 和 PyTorch 构建，支持多模态输入（文本、图像、视频），强调模块化设计与易用性，适合研究者和开发者进行二次开发与实验。

Star 增长趋势

本站每日记录该项目 GitHub 星标变化，观测越久曲线越完整

数据来源：GitHub API 逐日快照 · 收录于 2026-08-09 · 当前星标 ★ 1700

技术标签

computer-vision large-language-models mllm

使用教程

ℹ 本教程由 AI 依据该项目 README 整理，个别步骤可能需要按你的环境微调。

难度：进阶约 20 分钟部署方式：本地安装 6 步

环境要求

Python 环境（依赖由 pyproject.toml 声明、uv.lock 锁定）
已安装 uv 工具（README 使用 uv sync 创建虚拟环境）
已克隆 Sa2VA 仓库（后续均在仓库根目录操作）
HuggingFace token / OpenRouter API key（填入 .env 供脚本自动加载）

安装与启动步骤

1克隆仓库

把 Sa2VA 代码库拉到本地并进入仓库根目录，后续所有命令都在根目录执行。
```
git clone https://github.com/bytedance/Sa2VA.git
cd Sa2VA
```
2脚本一键配置

在仓库根目录执行 setup_env.sh，传项目名 sa2va 与环境类型。InternVL2.5 或更早的骨干用 legacy。
```
bash setup_env.sh sa2va legacy
```
3手动创建环境

不想用脚本时手动进入项目目录，用 uv sync 按锁定版本安装依赖；--extra 可选 latest 或 legacy。
```
cd projects/sa2va
uv sync --extra=latest
```
4激活虚拟环境

回到仓库根目录激活 uv 创建的环境，激活后训练与评测脚本才能找到依赖。
```
source projects/sa2va/.venv/bin/activate
```
5配置密钥文件

复制环境变量模板为 .env，再编辑填入 HuggingFace / OpenRouter 的 token 与 API key，脚本会自动加载。
```
cp .env.example .env
```
6运行训练或评测

在仓库根目录、环境已激活的前提下执行训练/评测命令，具体命令各子项目 README 单独给出。