EfficientSAM-Ti（OpenCV） 完全指南：原理、TigerPro 接入、代码实战与落地案例（efficient-sam）
系列：TigerPro AI 模型手册（1/110）· 分类：交互分割
你能带走什么：原理边界、规格表、完整接入步骤、可运行代码、双案例、调参表、避坑与验收清单。
适用读者：CV_PyhonVue_Tigerpro 研发 / 实施 / 算法联调同学。
github地址:Tiger AI Plateform项目采用Apache License 2.0开源协议发布；请合法合规使用；github地址：https://github.com/5758703/
文章目录
- EfficientSAM-Ti（OpenCV） 完全指南：原理、TigerPro 接入、代码实战与落地案例（`efficient-sam`）
- 1. 开篇：这个模型解决什么问题
- 1.1 任务定位：interactive-segmentation
- 1.2 为什么要单独成文
- 1.3 适合用 / 不适合用
- 2. 模型名片与能力边界
- 2.1 规格速查表
- 2.2 输入输出约定（实施视角）
- 2.3 资源与性能预期（经验区间，需本机实测）
- 3. 在 TigerPro 架构中的位置
- 3.1 与同分类模型的关系
- 3.2 和平台其它模块怎么接线
- 4. 使用教程：从零跑通到可验收
- 4.1 准备权重（最容易翻车的一步）
- 4.2 业务页操作清单
- 4.3 列出并校验模型（必跑）
- 4.4 业务调用示例
- 4.5 命令行与前端选型
- 4.6 推荐调参表
- 5. 落地案例（可照着做）
- 5.1 主案例：高效 SAM
- 5.2 对照案例：同场景换模型会怎样
- 5.3 验收表（复制到飞书/表格）
- 6. 优缺点、风险与替代
- 7. 避坑清单（排障优先级）
- 8. 工程化建议与监控
- 8.1 部署检查清单
- 8.2 日常观察
- 8.3 安全与合规
- 9. 常见问题 FAQ
- 10. 文末互动
- 11. 下篇预告
- 12. 参考资料
- 附录补强 1：落地时的沟通话术与分工
- 附录补强 2：落地时的沟通话术与分工
- 附录补强 3：落地时的沟通话术与分工
- 附录补强 4：落地时的沟通话术与分工
- 附录补强 5：落地时的沟通话术与分工
- 附录补强 6：落地时的沟通话术与分工
1. 开篇：这个模型解决什么问题
EfficientSAM-Ti（OpenCV） 已在 TigerPro（CV_PyhonVue_Tigerpro）模型管理中登记，可通过 modelKey=efficient-sam选用。
一句话记忆：EfficientSAM-Ti（OpenCV）的modelKey是efficient-sam，任务是interactive-segmentation（interactive-segmentation），前端主要在图像分割（/ai/segment），典型场景是「高效 SAM」。
1.1 任务定位：interactive-segmentation
EfficientSAM-Ti（OpenCV）在 TigerPro 中登记为任务interactive-segmentation（interactive-segmentation）。平台统一用 AiModel 管理权重与状态，业务页通过 modelKey/modelId 选择推理后端。上线前必须完成：权重绑定 → 页面冒烟 → 真实样本验收 → 监控指标观察。
1.2 为什么要单独成文
模型目录超过百个后，最大成本不是「会不会调 API」，而是「选错模型、绑错权重、页面对不上 task」。本篇把该模型的边界、入口、代码、案例与坑写全，方便实施同学按 checklist 落地。
1.3 适合用 / 不适合用
| 更适合 | 不太适合 |
|---|---|
| 业务明确需要 interactive-segmentation，且已有或可采集对应样本 | 期望「一个模型包打天下」跨任务硬套 |
| 能接受本地权重部署与 TigerPro 页面选型 | 权重无法落地、只能纯云端且无替代接口 |
| 需要与告警/追踪/MTMC/OCR 等模块组合 | 只要一次性演示、不愿做验收与监控 |
选型时把efficient-sam放进「候选短名单」，用同一批样本对比同分类相邻模型的延迟与误差，再锁生产版本。
2. 模型名片与能力边界
2.1 规格速查表
| 项 | 内容 |
|---|---|
| 显示名称 | EfficientSAM-Ti（OpenCV） |
| modelKey | efficient-sam |
| 业务分类 | 交互分割 |
| 任务类型 | interactive-segmentation（interactive-segmentation） |
| 推理框架/库 | opencv-sam |
| 版本标签 | 2025april |
| 登记来源 | seed:_ensure_ai_model |
| 权重相对路径 | uploads/models/efficient-sam |
| 前端入口 | 图像分割 →/ai/segment |
| 上游地址 | https://huggingface.co/opencv/image_segmentation_efficientsam |
2.2 输入输出约定（实施视角）
| 维度 | 说明 |
|---|---|
| 输入 | 按任务可能是图片/视频帧/音频/文本；页面/ai/segment决定表单字段 |
| 输出 | 框/掩码/关键点/向量/文本/音频等；最终以后端 JSON 或文件流为准 |
| 状态 | AiModel.status 启用 + file_path 非空才可稳定推理 |
| 失败表现 | 400/空列表/回退模型/日志 traceback，优先查权重与 task |
2.3 资源与性能预期（经验区间，需本机实测）
| 环境 | 预期 | 建议 |
|---|---|---|
| 笔记本 CPU | 可冒烟，延迟可能数百毫秒到数秒 | 降分辨率/降 FPS/用 nano 或量化 |
| 服务器多核 CPU | 可小并发 | 限流 + 队列 |
| GPU | 视频与大批量更舒服 | 注意显存与多模型争用 |
3. 在 TigerPro 架构中的位置
TigerPro 的模型不是散落脚本，而是「登记 → 绑定权重 → 业务页选择 → services 推理 → 展示/告警/入库」。本模型efficient-sam同样走这条链路。理解位置，才能在监控墙、MTMC、告警之间排障。
