尧图网页设计 
micro-sam CLI命令完整参考9个命令行工具快速搭建自动化标注与训练工作流【免费下载链接】micro-samSegment Anything for Microscopy项目地址: https://gitcode.com/gh_mirrors/mi/micro-sammicro-samμSAM是面向显微镜图像的全自动分割与追踪框架基于 Segment Anything 模型打造。它内置了9 个 CLI 命令行工具覆盖从环境检查、特征预计算、交互式标注、模型微调、自动分割到定量评估的完整流程。本文以新手视角逐一讲解每个命令的用途与关键参数帮你 10 分钟搭好自动化标注与训练工作流。一键安装 micro-sam CLI 工具所有命令行工具都随包自动注册装好即可用无需额外配置# 方式一pip 安装 pip install micro_sam # 方式二conda 安装推荐新手使用独立环境 conda create -c conda-forge -n micro-sam micro_sam conda activate micro-sam 9 个命令均以micro_sam.为前缀例如micro_sam.info、micro_sam.train。注册入口定义在 setup.cfg官方命令清单见 doc/cli_tools.md。9 个 CLI 命令速览命令功能适用场景micro_sam.info查看环境与包信息安装后自检、排错micro_sam.precompute_embeddings预计算图像特征embeddings加速标注与自动分割micro_sam.annotator_2d2D 交互式标注器荧光/明场细胞分割micro_sam.annotator_3d3D 交互式标注器体积数据如 EM 线粒体micro_sam.annotator_tracking时序追踪标注器活细胞动态追踪micro_sam.image_series_annotator图像序列标注器批量处理同一数据集micro_sam.automatic_segmentation自动实例分割/追踪无人值守批量分割micro_sam.train微调 SAM 模型用自有数据提升精度micro_sam.evaluate定量评估分割结果对比模型性能环境自检micro_sam.info安装完成后第一件事——运行环境自检micro_sam.info它会以表格形式展示 Python 包版本、PyTorch 版本、GPU 可用性、CPU/内存占用等系统级信息是排查GPU 为何没生效这类问题的首选工具。源码位于 micro_sam/util.py。提速关键micro_sam.precompute_embeddingsSAM 模型最耗时的一步是计算图像特征。micro-sam支持把特征缓存到磁盘标注、微调、分割时直接复用micro_sam.precompute_embeddings \ -i /path/to/images \ -e /path/to/embeddings.zarr \ --pattern * \ -m unet_vit_b \ --ndim 2关键参数-i输入路径支持 tif、png、hdf5、zarr 等-e特征输出路径--pattern用通配符批量选择文件-m指定模型类型--ndim指定图像空间维度2D/3D强烈建议显式设置内存不够时可加--tile_shape/--halo启用分块计算实现见 micro_sam/precompute_state.py。交互式标注三连annotator_2d / annotator_3d / annotator_tracking2D 标注micro_sam.annotator_2d启动后打开 napari 图形界面只需在目标细胞上点几下即可完成分割点击负反馈点可修正过分割micro_sam.annotator_2d -i /path/to/image.tif -m unet_vit_b3D 标注micro_sam.annotator_3d用于体数据volume支持逐层分割并自动传播到相邻切片适合电镜下的线粒体、核等结构micro_sam.annotator_3d -i /path/to/volume.ome.tif -m unet_vit_b --ndim 3时序追踪micro_sam.annotator_tracking在 2D 标注基础上增加时间轴管理可交互式追踪活细胞轨迹并导出追踪结果CTC 格式micro_sam.annotator_tracking -i /path/to/timeseries -m unet_vit_b --ndim 3三者共享同一套模型选择器可在界面里随时切换unet_vit_t/b/l、sam_vit_b/h、mobile_sam等预训练模型批量处理micro_sam.image_series_annotator当你的数据是同一个实验产生的几十张图时逐张打开标注器很麻烦。图像序列标注器允许你在一个窗口内遍历整个目录前一张标完一键跳到下一张结果自动分别保存micro_sam.image_series_annotator -i /path/to/folder --pattern *.tif -m unet_vit_b无人值守分割micro_sam.automatic_segmentation把标注好的模型跑成全自动流水线支持 2D/3D/时间序列数据也支持自动追踪。三种模式由--mode控制# 自动实例分割AIS需微调过带实例解码器的模型 micro_sam.automatic_segmentation -i input.tif -o output/ \ -m unet_vit_b --mode ais --ndim 2 # 自动提示生成APG或通用掩码生成AMG micro_sam.automatic_segmentation -i input.tif -o output.tif \ -m unet_vit_b --mode apg --center_distance_threshold 10-i输入文件可多个-o输出路径单图为 tif多图为目录追踪结果输出 CTC 格式--mode amg/ais/apgAMG 支持默认 SAM 与微调解AIS/APG 需要带实例分割解码器的micro-sam模型不改参数时使用该模型的官方最优后处理参数想精细调参可加--pred_iou_thresh、--stability_score_thresh等注意3D 自动分割要求数据是真正的体积文件如 ome-tiff不支持简单堆叠的 png。实现见 micro_sam/automatic_segmentation.py。用自有数据训练micro_sam.train这是搭建专属模型的核心命令——把你的标注数据喂给 SAM 做微调micro_sam.train \ --image_data /path/to/images \ --label_data /path/to/labels \ --val_image_data /path/to/val_images \ --val_label_data /path/to/val_labels \ -c instance_segmentation \ -d cuda \ -m unet_vit_b \ --checkpoint /path/to/checkpoint.pt \ -o /path/to/output--image_data/--label_data训练图像与真值标签文件或目录--val_*验证集-c训练配置如instance_segmentation-d设备cuda/cpu/mps-m基础模型--checkpoint从已下载的微调 checkpoint 继续训练精度更高--with_segmentation_decoder训练带实例分割解码器的模型AIS/APG 模式所需参数细节见 micro_sam/training/training.py更多微调策略参考 finetuning/README.md。定量评估micro_sam.evaluate分割完成后的交卷检查——用真值标签对比预测结果输出 Dice、F1、AP、AR、AF 等指标micro_sam.evaluate \ --labels /path/to/labels.tif \ --predictions /path/to/predictions.tif \ --ndim 2评估逻辑位于 micro_sam/evaluation/evaluation.py。基准测试micro_sam.benchmark_sam想系统对比micro-sam与原版 SAM 在公开显微数据集上的表现benchmark_sam一键跑完整基准测试支持lucchi、mitoem、snemi等数据集micro_sam.benchmark_sam -d lucchi -m unet_vit_b源码见 micro_sam/evaluation/benchmark_datasets.py。实战工作流从标注到评估只需 6 步把上面命令串起来就是一条完整的自动化工作流自检micro_sam.info确认 GPU 与版本预计算特征micro_sam.precompute_embeddings -i ... -e embed.zarr标注数据micro_sam.annotator_2d点击式分割导出真值微调模型micro_sam.train --image_data ... --label_data ...自动分割micro_sam.automatic_segmentation -i ... --mode ais定量评估micro_sam.evaluate --labels ... --predictions ... 小贴士每个命令加-h即可查看完整参数说明例如micro_sam.annotator_2d -h处理大图像/大体积时显式设置--ndim避免读入维度出错标注数据量大时先预计算 embeddings 可把后续步骤提速数倍掌握这 9 个 CLI 命令你就能在终端里跑通micro-sam的标注 → 训练 → 分割 → 评估全流程把交互式点击标注与无人值守批量处理无缝结合起来。更多细节可查阅 doc/cli_tools.md、doc/annotation_tools.md 与 doc/finetuned_models.md。【免费下载链接】micro-samSegment Anything for Microscopy项目地址: https://gitcode.com/gh_mirrors/mi/micro-sam创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考 micro-sam CLI命令完整参考：9个命令行工具快速搭建自动化标注与训练工作流
micro-sam CLI命令完整参考9个命令行工具快速搭建自动化标注与训练工作流【免费下载链接】micro-samSegment Anything for Microscopy项目地址: https://gitcode.com/gh_mirrors/mi/micro-sammicro-samμSAM是面向显微镜图像的全自动分割与追踪框架基于 Segment Anything 模型打造。它内置了9 个 CLI 命令行工具覆盖从环境检查、特征预计算、交互式标注、模型微调、自动分割到定量评估的完整流程。本文以新手视角逐一讲解每个命令的用途与关键参数帮你 10 分钟搭好自动化标注与训练工作流。一键安装 micro-sam CLI 工具所有命令行工具都随包自动注册装好即可用无需额外配置# 方式一pip 安装 pip install micro_sam # 方式二conda 安装推荐新手使用独立环境 conda create -c conda-forge -n micro-sam micro_sam conda activate micro-sam 9 个命令均以micro_sam.为前缀例如micro_sam.info、micro_sam.train。注册入口定义在 setup.cfg官方命令清单见 doc/cli_tools.md。9 个 CLI 命令速览命令功能适用场景micro_sam.info查看环境与包信息安装后自检、排错micro_sam.precompute_embeddings预计算图像特征embeddings加速标注与自动分割micro_sam.annotator_2d2D 交互式标注器荧光/明场细胞分割micro_sam.annotator_3d3D 交互式标注器体积数据如 EM 线粒体micro_sam.annotator_tracking时序追踪标注器活细胞动态追踪micro_sam.image_series_annotator图像序列标注器批量处理同一数据集micro_sam.automatic_segmentation自动实例分割/追踪无人值守批量分割micro_sam.train微调 SAM 模型用自有数据提升精度micro_sam.evaluate定量评估分割结果对比模型性能环境自检micro_sam.info安装完成后第一件事——运行环境自检micro_sam.info它会以表格形式展示 Python 包版本、PyTorch 版本、GPU 可用性、CPU/内存占用等系统级信息是排查GPU 为何没生效这类问题的首选工具。源码位于 micro_sam/util.py。提速关键micro_sam.precompute_embeddingsSAM 模型最耗时的一步是计算图像特征。micro-sam支持把特征缓存到磁盘标注、微调、分割时直接复用micro_sam.precompute_embeddings \ -i /path/to/images \ -e /path/to/embeddings.zarr \ --pattern * \ -m unet_vit_b \ --ndim 2关键参数-i输入路径支持 tif、png、hdf5、zarr 等-e特征输出路径--pattern用通配符批量选择文件-m指定模型类型--ndim指定图像空间维度2D/3D强烈建议显式设置内存不够时可加--tile_shape/--halo启用分块计算实现见 micro_sam/precompute_state.py。交互式标注三连annotator_2d / annotator_3d / annotator_tracking2D 标注micro_sam.annotator_2d启动后打开 napari 图形界面只需在目标细胞上点几下即可完成分割点击负反馈点可修正过分割micro_sam.annotator_2d -i /path/to/image.tif -m unet_vit_b3D 标注micro_sam.annotator_3d用于体数据volume支持逐层分割并自动传播到相邻切片适合电镜下的线粒体、核等结构micro_sam.annotator_3d -i /path/to/volume.ome.tif -m unet_vit_b --ndim 3时序追踪micro_sam.annotator_tracking在 2D 标注基础上增加时间轴管理可交互式追踪活细胞轨迹并导出追踪结果CTC 格式micro_sam.annotator_tracking -i /path/to/timeseries -m unet_vit_b --ndim 3三者共享同一套模型选择器可在界面里随时切换unet_vit_t/b/l、sam_vit_b/h、mobile_sam等预训练模型批量处理micro_sam.image_series_annotator当你的数据是同一个实验产生的几十张图时逐张打开标注器很麻烦。图像序列标注器允许你在一个窗口内遍历整个目录前一张标完一键跳到下一张结果自动分别保存micro_sam.image_series_annotator -i /path/to/folder --pattern *.tif -m unet_vit_b无人值守分割micro_sam.automatic_segmentation把标注好的模型跑成全自动流水线支持 2D/3D/时间序列数据也支持自动追踪。三种模式由--mode控制# 自动实例分割AIS需微调过带实例解码器的模型 micro_sam.automatic_segmentation -i input.tif -o output/ \ -m unet_vit_b --mode ais --ndim 2 # 自动提示生成APG或通用掩码生成AMG micro_sam.automatic_segmentation -i input.tif -o output.tif \ -m unet_vit_b --mode apg --center_distance_threshold 10-i输入文件可多个-o输出路径单图为 tif多图为目录追踪结果输出 CTC 格式--mode amg/ais/apgAMG 支持默认 SAM 与微调解AIS/APG 需要带实例分割解码器的micro-sam模型不改参数时使用该模型的官方最优后处理参数想精细调参可加--pred_iou_thresh、--stability_score_thresh等注意3D 自动分割要求数据是真正的体积文件如 ome-tiff不支持简单堆叠的 png。实现见 micro_sam/automatic_segmentation.py。用自有数据训练micro_sam.train这是搭建专属模型的核心命令——把你的标注数据喂给 SAM 做微调micro_sam.train \ --image_data /path/to/images \ --label_data /path/to/labels \ --val_image_data /path/to/val_images \ --val_label_data /path/to/val_labels \ -c instance_segmentation \ -d cuda \ -m unet_vit_b \ --checkpoint /path/to/checkpoint.pt \ -o /path/to/output--image_data/--label_data训练图像与真值标签文件或目录--val_*验证集-c训练配置如instance_segmentation-d设备cuda/cpu/mps-m基础模型--checkpoint从已下载的微调 checkpoint 继续训练精度更高--with_segmentation_decoder训练带实例分割解码器的模型AIS/APG 模式所需参数细节见 micro_sam/training/training.py更多微调策略参考 finetuning/README.md。定量评估micro_sam.evaluate分割完成后的交卷检查——用真值标签对比预测结果输出 Dice、F1、AP、AR、AF 等指标micro_sam.evaluate \ --labels /path/to/labels.tif \ --predictions /path/to/predictions.tif \ --ndim 2评估逻辑位于 micro_sam/evaluation/evaluation.py。基准测试micro_sam.benchmark_sam想系统对比micro-sam与原版 SAM 在公开显微数据集上的表现benchmark_sam一键跑完整基准测试支持lucchi、mitoem、snemi等数据集micro_sam.benchmark_sam -d lucchi -m unet_vit_b源码见 micro_sam/evaluation/benchmark_datasets.py。实战工作流从标注到评估只需 6 步把上面命令串起来就是一条完整的自动化工作流自检micro_sam.info确认 GPU 与版本预计算特征micro_sam.precompute_embeddings -i ... -e embed.zarr标注数据micro_sam.annotator_2d点击式分割导出真值微调模型micro_sam.train --image_data ... --label_data ...自动分割micro_sam.automatic_segmentation -i ... --mode ais定量评估micro_sam.evaluate --labels ... --predictions ... 小贴士每个命令加-h即可查看完整参数说明例如micro_sam.annotator_2d -h处理大图像/大体积时显式设置--ndim避免读入维度出错标注数据量大时先预计算 embeddings 可把后续步骤提速数倍掌握这 9 个 CLI 命令你就能在终端里跑通micro-sam的标注 → 训练 → 分割 → 评估全流程把交互式点击标注与无人值守批量处理无缝结合起来。更多细节可查阅 doc/cli_tools.md、doc/annotation_tools.md 与 doc/finetuned_models.md。【免费下载链接】micro-samSegment Anything for Microscopy项目地址: https://gitcode.com/gh_mirrors/mi/micro-sam创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考