/ Модель

Характеристики

Лицензия
Apache 2.0
Библиотека
coreml
Опубликована
19 июл 2026

EdgeTAM-CoreML-Video

Генерация масокИзображение → mask3 профессии

Конвертированный в Core ML EdgeTAM предназначен для сегментации объекта по точечной подсказке и отслеживания его маски между кадрами видео на iOS и macOS.

106скачиваний за 30 дней1лайквеса обновлены19 июл 2026

Бенчмарки

Как модель справилась с задачами пользователей ailist и что о ней публикуют открытые лидерборды

Публичные оценки

Из открытых лидербордов. Сравнивайте результаты одного теста при одинаковых условиях — отсутствие оценки не значит, что модель хуже.

В подключённых источниках результатов для этой модели пока нет.

Что умеет модель

Описание составлено по карточке модели и метаданным Hugging Face

Ahmad Yar подготовил сообщественный конвертированный вариант EdgeTAM в формате Core ML для сегментации и сопровождения объектов в видео на iOS 18 и совместимых системах macOS. Модель состоит из четырёх пакетов: кодировщика кадров, инициализатора по точечному запросу, кодировщика памяти и распространителя масок между кадрами. Веса сохранены из исходного чекпойнта EdgeTAM; приложение управляет банком временной памяти и объектными указателями.

Система принимает RGB-кадры размером 1024×1024 и положительные или отрицательные точечные подсказки, а выдаёт маски объектов, оценки качества и данные для обновления памяти. В README описана проверка последовательного соответствия исходному конвейеру PyTorch на восьми кадрах; приведённые значения IoU относятся только к этому примеру и не являются общим бенчмарком. Для работы нужны Core ML и приложение-обвязка на Swift или Objective-C; на текущих iPhone рекомендуется режим CPU и GPU, поскольку часть операций может не поддерживаться Neural Engine. Лицензия — Apache 2.0.

Сценарии применения

  • сегментация выбранного объекта в первом кадре по точечной подсказке
  • сопровождение маски человека или объекта между кадрами видео
  • создание маски субъекта для размытия фона в видеозвонке
  • выделение движущегося объекта для эффекта фокусировки на мобильном устройстве

Ограничения

Требуются Core ML и программная обвязка для предварительной обработки кадров и управления памятью; заявленные показатели соответствия получены лишь на одном восьмикадровом примере. Производительность зависит от устройства, выбранных вычислительных блоков и теплового режима.

Для каких профессий подходит3

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

EdgeTAM Core ML Video

A community Core ML video implementation of EdgeTAM, converted from the official Apache 2.0 checkpoint and validated against the original PyTorch video pipeline.

The repository provides four cooperating Core ML packages for prompt initialization, temporal-memory construction, and sequential video mask propagation on iOS 18 and macOS. The conversion preserves EdgeTAM's original learned weights while exposing a mobile-oriented explicit memory-bank interface.

This community conversion is not affiliated with or endorsed by Meta.

Demo

The same tracked person mask drives segmentation, background blur, and subject-focus effects:

Download the H.264 demo

The demonstration runs the actual four-model Core ML pipeline at 10 tracked frames per second. It does not use simulated masks.

Model packages

PackageResponsibility
EdgeTAMVideoImageEncoder.mlpackageEncodes a 1024×1024 RGB frame into raw, initial, and high-resolution vision features.
EdgeTAMVideoInitializer.mlpackageConverts the first-frame vision features and point prompt into initial masks, object score, IoU estimate, and object pointer.
EdgeTAMVideoMemoryEncoder.mlpackageEncodes the initial mask and raw vision features into spatial and temporal memory.
EdgeTAMVideoPropagator.mlpackageAttends over the explicit memory bank to propagate the mask and produce the next memory entry.

Pipeline

  1. Resize each video frame to 1024×1024 and run the image encoder.
  2. On the first frame, scale the user's positive or negative point prompt into 1024-space and run the initializer.
  3. Run the memory encoder using the initial high-resolution mask.
  4. Maintain the conditioning memory, six recent memories, and up to sixteen object pointers in application code.
  5. For subsequent frames, build the explicit memory tensors and run the propagator.
  6. Threshold low_res_mask logits at zero, resize to the source resolution, and composite the desired visual effect.

This split keeps temporal state under the application's control and permits a fresh memory bank for every tracked object/session.

Core interfaces

Image encoder

  • Input: image, RGB image, 1024×1024
  • Outputs:
    • raw_vision_features: 1×256×64×64
    • initial_vision_features: 1×256×64×64
    • high_res_feature_0: 1×32×256×256
    • high_res_feature_1: 1×64×128×128

Initializer

  • Inputs: initial and high-resolution vision features, point_coords, and point_labels
  • Outputs:
    • low_res_mask: 1×1×256×256
    • high_res_mask: 1×1×1024×1024
    • best_iou: 1
    • object_pointer: 1×256
    • object_score: 1×1

Memory encoder

  • Inputs: raw_vision_features, high_res_mask, and object_score
  • Outputs:
    • memory_features: 1×512×64
    • memory_positions: 1×512×64
    • temporal_positions: 7×64

Propagator

  • Inputs: current-frame features plus spatial_bank, spatial_positions, pointer_bank, attention_bias, and rotary_weight
  • Outputs: current masks, IoU estimate, object pointer/score, and the next memory feature/position tensors

Requirements

  • iOS 18.0+ or a compatible macOS Core ML runtime
  • Core ML
  • Swift or Objective-C orchestration for preprocessing and explicit memory-bank management
  • .cpuAndGPU is recommended for the complete pipeline on current iPhones because some graph operations may not compile for the Neural Engine when .all is selected.

Validation

The converted components were compared sequentially with the original EdgeTAM PyTorch video predictor. An eight-frame validation sample produced mask IoU values approximately from 0.9256 to 0.9794, with cosine similarities approximately from 0.9959 to 0.9999.

These figures describe one parity-validation sample, not a general benchmark. Device performance depends on hardware, compute-unit selection, thermal state, and application scheduling.

License and attribution

The original EdgeTAM code and checkpoints are licensed under Apache License 2.0. This repository redistributes converted object-form models under the same license. See LICENSE and NOTICE.

If this work is useful, please cite the original EdgeTAM project:

@article{zhou2025edgetam,
  title={EdgeTAM: On-Device Track Anything Model},
  author={Zhou, Chong and Zhu, Chenchen and Xiong, Yunyang and Suri, Saksham and Xiao, Fanyi and Wu, Lemeng and Krishnamoorthi, Raghuraman and Dai, Bo and Loy, Chen Change and Chandra, Vikas and Soran, Bilge},
  journal={arXiv preprint arXiv:2501.07256},
  year={2025}
}

Conversion credit

Core ML video conversion, explicit-memory runtime design, iOS integration, and parity validation by Ahmad Yar (AhmadYarAI).

Как запустить

На своей GPU в ailist. Цена — по текущим предложениям провайдеров

GPU в ailist

Универсальный рантайм · coreml

Нельзя запустить

CoreML-модели работают только на устройствах Apple.

Ревизия весов
6bfdd47

0 моделей