Metaの「切り取りAI」が動画対応に進化

Metaが「SAM 3（Segment Anything Model 3）」をオープンソースで公開した。要は、画像や動画の中から「この部分を切り取って」と指定するだけで、AIが自動的に被写体を認識・分離してくれるツールだ。前世代のSAM 2は静止画と動画の基本的なセグメンテーションに対応していたが、SAM 3では動画内での物体追跡精度が向上し、フレームをまたいで被写体を追い続ける能力が強化されている。GitHubリポジトリ（facebookresearch/sam3）には推論コード・ファインチューニング用コード・モデルの重みが無償公開されており、サンプルノートブックも同梱されている。Pythonが多少触れるなら、公式サンプルから始める敷居はかなり低い。動画編集や素材切り抜き、映像分析を「自分でやる」人にとって、押さえておく価値のあるリリースだ。

セグメンテーション（被写体の切り抜き・認識）は、動画制作・映像解析・ECの商品写真処理など、幅広い場面で必要とされる処理だ。これまでは専用ソフト（Adobe After EffectsのロトブラシやDaVinci Resolveのマジックマスク）か、クラウドAPIに頼るのが現実的な選択肢だった。SAMシリーズの登場以降、「モデルをローカルで動かして自分のデータに適用する」という選択肢が現実的になってきた。

SAM 3が注目される理由は主に二つある。一つは動画対応の強化だ。静止画の切り抜きなら既存ツールで十分という場面も多いが、動画内で被写体をフレームをまたいで追跡するのは計算量・精度ともにハードルが高く、自前で組み込めるオープンソース実装としての需要は大きい。もう一つはファインチューニング対応だ。汎用モデルをそのまま使うだけでなく、自分の素材・用途に合わせて再学習できる設計になっている。たとえば特定業界の映像（医療画像、製造ラインの検査映像、スポーツ映像など）に特化したモデルを作れる余地がある。

競合として挙げるなら、Googleが開発したCutler系のモデルやGrounded-SAMのような組み合わせ実装があるが、Metaが公式にメンテするリポジトリとしての信頼性と、サンプルの充実度はSAM系列の強みだ。ロボットがAIで「見ていない場所」を動けるようになったでも触れたように、「見る・認識する」AI技術の精度向上は各所で同時並行的に進んでいる。SAM 3はその流れの中で、動画理解の実用ラインを一段引き上げた位置づけになる。

Q. GPUがないと動かせない？ CPUでも動作はするが、動画処理を実用的な速度で回すにはGPUがほぼ必須と考えていい。公式ドキュメントではNVIDIA GPU環境での動作が前提とされている。Google ColabのT4 GPU（無料枠あり）で基本的な動作確認は可能だが、長尺動画や高解像度素材を処理する場合はより高性能な環境が必要になる。

Q. SAM 2との違いは何？ 発表内容によると、SAM 3は主に動画内の物体追跡精度と処理の安定性が向上している。SAM 2で対応済みの静止画セグメンテーション機能はそのまま引き継がれており、既存のSAM 2ベースのワークフローを置き換えるかたちで移行できる設計になっている。詳細なベンチマーク比較はリポジトリのREADMEおよびモデルカードに記載されている。

Q. 商用利用はできる？ リポジトリに記載されているライセンスを必ず確認すること。MetaのSAMシリーズは過去にApache 2.0ライセンスで公開されていたが、SAM 3については公式リポジトリのLICENSEファイルで最新情報を確認するのが確実だ。ライセンス条件によっては商用プロダクトへの組み込みに制限がある可能性もあるため、本番利用前にチェックを忘れずに。