16
Количество тайлов, эмбеддинги которых хранятся в LRU-кэше. Повышает скорость повторных кликов
2.0
Douglas-Peucker: выше — меньше точек, грубее контур; ниже — точнее
Кол-во потоков между операторами ONNX Runtime
Кол-во потоков внутри одного оператора ONNX Runtime
Сохранено ✓

Как работает SAM

Segment Anything Model (Meta AI, 2023) — универсальная модель сегментации. Работает по принципу «один клик — один объект». Энкодер создаёт эмбеддинг изображения однократно, затем декодер вычисляет маску по координатам клика за миллисекунды.

Пайплайн

🖼️
Тайл
256×256 px
🧠
Encoder
ViT-B, ~250 мс
📌
Point Prompt
click (x, y)
🎯
Decoder
~15 мс
✂️
Контур
GeoJSON poly

Параметры

ПараметрТипПо умолч.Описание
processorstring"sam"Имя процессора
cache_keystringnullКлюч кэша эмбеддинга (путь тайла)
click_xfloatX координата клика в px
click_yfloatY координата клика в px
simplify_tolerancefloat2.0Допуск Douglas-Peucker

Модель

ХарактеристикаЗначение
АрхитектураViT-B (Vision Transformer, Base)
ФорматONNX quantized (INT8)
Энкодер~97 МБ
Декодер~5 МБ
Входное разрешение1024 × 1024 px
НормализацияImageNet mean/std

Примеры использования

# Сегментация с SAM
curl -X POST http://localhost:8090/segment \
  -H "Content-Type: application/json" \
  -d '{
    "image_url": "/api/gpkg/tile/z/x/y.png",
    "click_x": 128,
    "click_y": 200,
    "processor": "sam",
    "cache_key": "tile_z_x_y",
    "simplify_tolerance": 2.0
  }'

# Ответ: {"contour": [[x,y],...], "score": 0.95, ...}